CBIR中图像综合特征向量的提取及其应用

基于语义的图像检索

第26卷　第1期　2007年3月

延安大学学报(自然科学版)

JournalofYananUniversity(NaturalScienceEdition)

Vol.26,　No.1March.　2007

CBIR中图像综合特征向量的提取及其应用

刘　军

1,2

3

,耿国华,赵　维,任治斌

132

(1西北大学信息科学与技术学院,陕西西安710069;2渭南师范学院应用数学研究所,陕西渭南714000;

3渭南师范学院计算机科学系,陕西渭南714000)

摘要:针对传统图像检索技术依赖图像单一视觉特征的不足,通过对图像单一特征向量的归一化处理获取图像综合特征向量,并采用加权欧氏距离进行图像相似性度量,再结合基于综合特征向量

的相关反馈算法,可取得较理想的图像检索效果。

关键词:图像检索;特征提取;综合特征向量;相似性度量;加权欧式距离;中图分类号:TP391　　　文献标识码:A　　　文章编号:602X(2007)204　　CBIR(Contentbasedimageretrieval)是一种利用图像的颜色、纹理、索的技术,其原理如图

,,[2]

.

本文提出:通过对图像单一特征向量的归一化处理可获取图像综合特征向量,并采用加权欧氏距离作为图像相似性度量依据,再结合相关反馈技术,可取得比传统检索算法更理想的检索效果.

1　图像综合特征向量的提取方法

1.1　图像检索模型

设图像目标模型

[324]

为

(1)

O=O(D,F,R),

其中D为原始的图像数据,F={fi}是一系列低层的视觉特征,R={rij}是一组对所给定特性fi所采用的描述方法.一个图像模型O=O(D,F,R)与一组相似性测量M={mij}相结合,可用来描述CBIR模

图1　基于内容检索的过程

型:(D,F,R,M),如图2所示.

模型中,Query为提供给用户的示例图像,Ob2ject代表系统查询后返回的图像;fi表示检索系统所

但传统的基于内容检索存在以下不足:(1)高

层语义和图像底层特征之间存在很大差异;(2)检

[1]

索过程无法体现个人感知的主观性.尽管基于颜色、纹理、形状、空间层次等单一特征的检索算法已

3

用的图像特征,如若采用颜色和纹理特征则W1和

W2分别代表颜色和纹理在检索算法中所占的比

收稿日期:20061110

基金项目:国家自然科学基金(60271032),渭南师范学院重点基金(06YKF009)作者简介:刘军(1973),男,陕西渭南人,西北大学研究生,讲师。

基于语义的图像检索

18延安大学学报(自然科学版)第26卷　　

重;rij代表的是各特征的具体计算方法,如颜色特征的累加直方图、颜色矩等,纹理特征的灰度共生矩阵、小波系数等,Wij为其相应的权值;Wijk则表示各具体算法中特征空间各维数的权值.

fi,jfi,j-mj

σj

(2)

1.2.2　外部归一化

由于不同算法得到的基本视觉特征的物理意义不同,其范围的差别比较大,相似距离之间的可比性差,因此在检索时应对不同的特征向量进行归一化处理,目的是使综合特征的各个特征向量在相似距

离计算中的地位相同,外部归一化的实质是对图像库中所有图像之间的相似距离进行归一化.

设一个n维的特征向量为F=[f1,f2,…,fn],用

I1,I2,…,In表示图像库中的图像,则对其中任意一幅

图像Ii,其特征向量为Fi=[fi1,fi2,…,fin],对其进行归一化的步骤如下

[5]

:

(1)计算图像数据库中任意两个图像I,J所对

应的特征向量Fi,Fj:

Dij=taniFj1,,…,ij

(3)

3m(m-1)/2个距离值

mD和标准差σD.

图2　(3)对查询图像Q计算其与图像数据库中每个

1.2　图像的距离DiQ,记为:D1Q,D2Q,…,DmQ.

(4)对D1Q,D2Q,…,DmQ.按式(4)进行高斯归

,仅仅依靠单一的视觉特征效果往往不够理想,同一特征向量内部不同特征分

量的幅度变化较大,而且不同特征分量的物理意义也不同,相似距离的可比性差.因此,不仅需要对特征向量内部的特征分量进行归一化处理,还需要对不同

[5]

的特征向量也进行归一化处理.这样,既能保证不同的算法在加权中处于平等的地位,又能保证不同的特征向量在进行检索时具有相同的作用.

1.2.1　内部归一化

一化:

Di,jn

fi,j-mj

σj

(4)

(5)按式(5)进行线性变换,将其变换到区间[-1,1]:

DiQ=n

DiQ-mQ

σQ3

+1]/2(5)

由于特征向量内不同的特征分量的幅度变化可能较大,因而应对其进行内部归一化,从而使特征向量内部各分量在相似度量时具有相同的地位.

将特征向量记为:F=[f1,f2,…,fN],N为特征元素的个数.用I1,I2,…,IM代表图像库中的M幅图像,对于图像Ii,其相应的特征向量记为:Fi=

[fi1,fi2,…,fiN].

2　图像的相似性度量方法

在图像检索的过程中,检索系统根据相似性度量算法计算图像查询特征与特征库中对应的每组特征的相似程度,并把所得匹配图像序列根据相似性排序后返回给用户.因此,选用适合的图像相似性度量方法对图像检索系统非常重要.本文选用加权欧几里德距离(EuclideanDistance)函数法.

假设示例图像直方图用G(g1,g2,…,gN)表示,数据库中的目标图像直方图用S(s1,s2,…,sN)表示,将它们看作欧氏空间中两点间的距离

Ed(G,S)=

(ρ(gi-si))

i=1N

[6]

这样,由图像数据库中的M幅图像,就可以得到一个M×N的特征矩阵F={fi,j},其中fi,j是Fi的第j个特征元素.F的每一列是长度为M的特征序列,计算其均值mj和标准差σj,然后利用公式(2)就可以将原序列 …… 此处隐藏：3388字，全部文档内容请下载后查看。喜欢就下载吧 ……