【CBIR】CBIR学习

【CBIR】CBIR学习

CBIR

CBIR分为三个层次:

一、依据提取图像本身的颜色、形状、纹理等低层特征进行检索;

二、基于图像的低层特征,通过识别图像中的对象类别及对象间的空间拓扑关系进行检索;

三、基于图像抽象属性(场景语义、行为语义和情感语义)的推理学习进行检索。

 

研究热点:

1.如何选择合适的全局特征去描述图像内容和采用什么样的相似性度量方法进行图像匹配;

2.基于区域,通过图像分割提取图像中的物体,再对每个区域使用局部特征来描述,综合每个区域特征可得到图像特征描述。

3.借助相关反馈的思想,根据用户需求及时调整系统检索时用的特征和相似性度量方法,从而缩小底层特征和高层语义之间的差距。

4.如何从多种渠道获取图像语义信息,如何将图像底层特征与图像关键词结合进行图像自动标注以提高检索准确率等。

 

检索方法分类:

1、外部图例查询

2、内部图例查询

3、草图查询

4、综合查询

 

颜色特征

颜色空间变换+量化     是基于颜色特征的图像检索的一个十分重要的问题

颜色特征提取及颜色和空间信息

 

以RGB颜色空间作为表达图像颜色特征的起点,研究不同的变换Tc和响应的量化Qc,以得到一些相互分隔的空间,而空间应具有一致性、完整性、紧凑性、和自然性。

 

1一致性:颜色之间的近似度量应表达视觉感知上的相似性。

2完整性:颜色空间应包含所有的可感知的不同色彩

3紧凑性:颜色空间中每种颜色应在视觉上区别于其他颜色

4自然性:颜色空间应能方便于将颜色自然分解为3个基本的视觉特性(亮度、色调、饱和度)

 

亮度lightness:彩色光所引起的人眼对明暗程度的感觉。

色调hue:光的颜色。红、黄、绿

饱和度saturation:颜色的深浅程度。


线性颜色变化空间:

YIQ:用于NTSC制式的彩色电视,YUV用于PAL和SECAM制式的彩色电视,YCrCb用于计算机彩色显示器,不具备一致性,颜色变换空间中的距离不对应视觉相似性。

 

Munsell颜色表,针对自然性、紧凑性和完整性定义。

【CBIR】CBIR学习_第1张图片

图示孟塞尔颜色系统之中中等明度(5)而中等略偏高色度(6)的色相环、明度由全暗(0)到全亮(10)的黑白渐变色柱、中等明度(5)的紫蓝色(5PB)色度渐进带。

 

Munsell颜色表系统是紧凑的(1200个视觉上相区别的颜色块)和视觉完整性,但是,并不满足一致性要求。Munsell颜色表系统并不是针对不相邻的颜色块之间的相似度的度量而设计的。

 

CIE颜色空间  

先对RGB颜色空间通过线性变换得到XYZ颜色空间,然后通过一个或两个非线性变换得到CIE1976(Luv)和CIE1976(Lab)颜色空间。重要颜色表达比较一致,需要对RGB进行正或逆的非线性变换,应用不方便,需要一定的运算量。

 【CBIR】CBIR学习_第2张图片

颜色量化:

确定一组颜色以表示图像的颜色空间,然后确定从颜色空间到选定颜色集合的映射。

 

常用的色彩量化方法

1统一量化方法:对真彩色图像的3个RGB分量的每一个分量截掉n位。

2流行色量化方法:

       2.1扫描原始图像,建立图像颜色直方图

       2.2根据颜色直方图,按降序排列所有颜色

       2.3采用出现频率最高的C种颜色生成颜色查找表

       2.4重新扫描图像,将图像的颜色映射为查找表中最接近的颜色

3中位切割量化方法

       中位切割量化方法的思想是使颜色量化查找表中的每种颜色近似的表示原始图像中相同数目的像素。首先在三维RGB颜色空间中用一个最小的长方体包围盒将图像中出现的所有颜色包围起来,然后递归地和自适应地剖分颜色包围盒。包围盒中的颜色沿着长方体长边对应的分量方向排序,然后取其中点对包围盒进行剖分。

4颜色对聚合量化算法

【CBIR】CBIR学习_第3张图片

5基于八叉树结构的色彩量化算法

       建立色彩八叉树

       填充色彩表

       产生量化图像

6基于方差分析的颜色量化方法

【CBIR】CBIR学习_第4张图片

颜色特征的表达及相似性度量

       颜色直方图

       二值颜色集

      【CBIR】CBIR学习_第5张图片

模糊颜色直方图

              基于模糊C均值聚类的模糊颜色直方图FCH(fuzzy colorhistogram)

 度量方法

【CBIR】CBIR学习_第6张图片

【CBIR】CBIR学习_第7张图片

【CBIR】CBIR学习_第8张图片

 【CBIR】CBIR学习_第9张图片

 

形状特征

       区域分割与形状提取是一个两难的问题。  

图像分割:

       数据驱动的分割

              基于边缘检测的分割

              基于区域的分割

              边缘与区域相结合的分割

       模型驱动的分割

              基于可变形模板的图像分割:

将计算机视觉的问题转化为求解以模型能量为目标函数的极小化问题。

              基于统计形状模型的图像分割:

主动形状轮廓(ASM):

1提取目标轮廓

2先验模型的建立

3先验模型的应用

 

形状特征描述:

1对图像进行分割,得到一系列区域,每个区域(或某个区域)看成一个物体,区域本身或其边界曲线表示所提取的形状;

2是首先提取图像的边缘点,然后连接边缘点,得到一系列曲线,用这些曲线来表示所提取的形状。

 

 

 

你可能感兴趣的:(【CBIR】CBIR学习)