颜色纹理形状特征分层融合图像检索方法研究

提出了一种基于多特征融合的图像检索方法.此方法同时采用了3个颜色特征向量、3个纹理特征向量、1个形状特征向量.在各个向量融合的过程中,采用了分层融合的思路.针对自建图像数据库展开实验研究,实验结果证实:本文提出的基于多特征融合的图像检索方法具有高查准率,在图像检索领域具有较高的实用性.     

一种基于多特征融合的图像检索方法

基于单特征的图像检索系统一般性能较低.提出了一种基于多特征融合的图像检索方法.通过对HSV颜色空间的非等间隔量化,提取一维颜色特征向量及其累加直方图.基于灰度共生矩阵(GLCM)进行纹理特征的提取.将两类特征结合,设计了一种基于多特征融合的图像检索方法.利用相似性度量方法分别对颜色特征和纹理特征以及融合后的特征进行了图像检索实验.结果表明,基于颜色和纹理特征相融合的多特征融合方法具有更好的图像检索性能.     

融合图像显著区域二维形状特征的图像检索

为研究在基于内容的图像检索中形状特征对图像检索效果的影响,提出了一种融合图像显著区域二维形状特征的图像检索方法。提取图像中显著区域的形状特征,融合图像的纹理和颜色特征来对图像进行检索。当目标存在变形和大小存在巨大差异时,目前缺乏完善的数学模型来提取图像的形状特征,该方法很好地弥补了这种缺陷。通过实验结果表明,该方法能够提高图像检索的准确率。     

基于特征关联融合的图像检索方法

鉴于单一特征检索效果的不足,提出基于颜色和纹理特征相互关联融合的图像检索新方法。利用非等间隔量化HSV颜色空间,提取图像的颜色特征,利用Gabor小波提取图像的纹理特征;对内容分布简单的检索图像,采用图像底层特征串行关联(FSC)方法,对内容分布复杂的检索图像,采用基于典型相关分析(CCA)的图像底层特征并行关联(FPC)的方法,融合颜色特征和纹理特征进而检索图像。     

基于颜色和空间特征的图像检索

提出一种新的基于颜色和空间特征的图像检索算法。首先,将检索图像转换为HSV颜色空间并进行量化,提取环形颜色空间信息熵作为颜色空间分布特征。其次,计算每个像素点的多邻域的量化颜色值的一、二阶中心矩,利用各阶统计矩的信息熵来表征图像颜色的局部空间特征。最后,对特征向量进行高斯归一化,采用特征向量的L1-norm距离计算彩色图像的相似度并进行图像检索。试验结果表明该方法比CDE和Geostat算法具有较好的检索效果。     

基于分块加权的多特征图像检索算法

颜色是识别图像差异的一个重要特性,颜色特征提取过程简单,同时兼具旋转和平移不变性。但传统颜色特征只是对图像的全局信息进行统计,并没有考虑图像的空间分布特性,因此出现部分内容不同,但却有着相似颜色特征的图像。针对传统颜色直方图算法存在的检索缺陷,提出了一种新的颜色直方图分块加权提取算法。首先对图像作分块处理并根据各分块中显著点数的占比情况为其赋予权值,然后分别提取各个分块的颜色直方图特征,从而得到图像分块加权后的颜色特征;同时对图像提取Tamura纹理特征,将颜色和纹理两种特征融合在一起,并根据图像特征向量间的距离大小反映相似程度。实验结果表明:本文算法能够在提取特征向量时有效增加空间分布特性,实现了较好的检索效果。     

基于多特征融合的海洋生物图像检索方法的研究

基于内容的图像检索技术主要是通过提取图像的颜色、形状、纹理等可视特征作为图像检索依据,对图像库进行近似检索.针对海洋生物图像的特点,将离散余弦变换技术应用到图像检索中,计算基于圆环分割的图像块的DCT能量矩得到图像的纹理信息.在此基础上,提出了一种综合DCT能量矩和不变矩的多特征融合的图像检索方法,并将其应用到海洋生物图像检索中.实验结果表明,使用该方法可以提高海洋生物图像检索的准确率,且对图像的旋转、缩放和平移具有不变性.     

基于内容的图像检索技术

综合视觉特性,基于内容的图像检索图像特征提取的关键是图像低层视觉特征的提取技术,内容主要包括图像的颜色特征、形状特征以及颜色的空间分布特征,采用线性组合以及加权颜色空间分布熵四种方法来提高图像信息熵和空间分布熵进行图像检索的性能。     

基于分块颜色矩和纹理特征的图像检索方法

基于内容的图像检索技术是当今研究的热点领域之一.为了克服全局直方图检索方法不包含颜色的空间分布信息的不足,提出了一种采用固定块图像分割方法提取图像局部颜色矩的图像检索算法.在此基础之上,对检索结果进行基于纹理特征的二次检索.实验表明,圆环形分割块颜色矩算法不仅记录了颜色的空间信息,而且具有旋转、平移不变性的特点.综合利用图像颜色、纹理的检索方法能够大大提高检索结果的准确性.     

一种图像检索中语义标注的算法

在图像颜色、纹理、形状特征提取的基础上，利用改进的串行与并行特征融合方法，提出了M融合特征，并且提出了一种基于M特征的改进组合优化的核函数并将之应用于高层语义提取算法中，从而把图像提取由单一特征转换到多融合特征提取，大大提高了图像语义理解的精准度，有助于更加全面地理解图像的语义，本文的方法对图像语义标注，提高图像检索精准度有一定的理论和实用意义.     

结合彩色边缘与LBP纹理的图像检索算法

基于图像颜色、纹理和形状单一特征的特征提取和匹配的方法很多,各有优缺点,因此,本文提出了将图像中心区域的uniform模式的LBP纹理与环形分块彩色边缘相结合的图像检索算法。常用的形状检索算法只能对连续封闭曲线才有好的检索效果,而对自然彩色图像检索效果较差,而本文将图像分成几个环形分块,对每一环形分块内的图像提取彩色边缘并形成颜色直方图用于图像形状描述。纹理采用uniform模式的LBP描述,最后采用加权法融合形状特征和纹理特征。根据实验比较,该算法能较大提高大多数类别图像检索的查准率。     

基于颜色和形状的图像检索

提出一种基于颜色和形状特征的图像检索方法,该法采用改进的颜色直方图表示图像的颜色特征,利用小波矩提取图像的形状特征和颜色特片,与候选图像的特征进行相似度计算.为进一步提高图像检索的质量,提出一种基于支持向量机的相关反馈方法.实验结果表明,该方法具有较好的检索性能.     

基于特征融合的图像情感语义识别研究

针对图像情感语义识别中特征提取的问题,提出了一种加权值的图像特征融合算法,并应用于图像情感语义识别。该方法根据不同特征对情感语义的影响不同,在提取出颜色、纹理和形状特征后通过加权融合为新的特征输入量,并用SVM来实现情感语义的识别。实验结果表明,这种算法比单独使用某种图像特征有更高的准确率。     

一个多特征结合的图像检索技术

图像数据库应用日益广泛,如何高效、准确地进行图像的检索成为一项重要的研究领域。传统的图像检索主要依赖颜色、纹理、形状、空间关系等单一视觉特征,检索效果往往不够理想。针对这一实际问题,提出一种新的图像检索方法,通过对图像进行小波变换,获得纹理和形状的综合特征,对综合特征进行归一化处理,并将其作为图像相似性的衡量依据。实验证明基于纹理和形状特征的图像检索具有很好的效果。     

基于小波压缩和用户反馈的图像检索系统

为提高图像检索系统的准确率和有效率，本文提出一种基于小波压缩和用户反馈的图像检索方案。本系统直接对小波压缩图像进行分析，提取压缩域低频图像的颜色、纹理、形状特征，然后通过判别函数判别图像的相似性。利用检索结果的聚类性，以聚类用户反馈来提高检索系统的准确率和有效率。实验结果表明，利用颜色和纹理特征检索的效果较好，而利用形状特征检索的结果一般。     

基于综合特征的彩色图像检索

本文综合利用颜色和形状特征进行基于内容的彩色图像检索.利用边缘方向自相关图表示图像的形状特征.对于颜色特征,计算图像颜色的局部累加直方图,同时提取分块的颜色矩弥补其不包含颜色空间分布关系的缺点.并利用Guassian模型对各特征的距离进行归一化,综合上述三个归一化距离,进行全局相似度量,且用权值调整的相关反馈方法进一步提高检索精度.与局部累加颜色直方图和局部颜色矩的方法相比较,本文提出的方法获得了更好的检索结果.     

基于兴趣点特征的图像检索方法

针对全局图像特征无法刻画图像类别信息的缺陷, 提出一种基于兴趣点特征的图像特征检索方法. 首先对图像进行仿射 尺度不变特征转换, 并利用亮度的概率密度梯度提取兴趣点; 然后将兴趣点映射回原始图像, 采用颜色直方图作为图像特征; 最后采用相似性度量模型, 实现图像检索. 选择Corel图像库中的图像对算法性能进行实验分析. 实验结果表明, 该方法可有效提高图像的检索准确率和检索效率, 快速找到用户需要的图像.     

基于DCT和SVD的图像检索算法

提出一种在子块分割和区域划分的基础上, 利用离散余弦变换和奇异值分解对图像进行特征提取的检索算法. 首先对图像进行子块分割, 利用离散余弦变换提取重要系数作为子块颜色特征, 进而对图像进行区域划分, 将每个区域中的子块颜色特征分量组成矩阵进行奇异值分解, 得到该区域的检索特征向量, 从而完成图像检索. 实验结果表明, 该算法取得了较好的查全率和查准率, 具有较好的检索效果.     

基于颜色空间特征的图像检索

针对基于内容的图像检索技术大多采用颜色特征的情况,提出一种通过提取颜色特征、灰度特征,获取图像物体的形状和空间特征,综合检索图像的方法.实验结果表明,这种方法具有一定的鲁棒性,检索结果不受图像大小、旋转和轻微的光照变化的影响,相对于传统的颜色直方图法,这种方法能明显改善检索效果.     

基于视觉语义与RSSVM的图像检索

以图像的视觉语义为基础,设计了一种新的空间转换模型,提出了一种新的图像语义描述方法.首先,采用NCut方法对图像进行分割,提取每个区域的颜色、纹理与形状等视觉特征;再用K-Means聚类方法对训练集中所有的视觉特征进行聚类,称聚类中心为视觉语义(Visual Semantic,VS),用来构造投影空间;然后通过所定义的非线性函数,将每幅图像向投影空间作映射,得到图像的投影特征;最后,为了提高分类器的训练效率与性能,先采用RS(粗糙集)方法对投影特征进行属性约简,再用支持向量机(SVM)进行学习和分类.基于Corel图像集的对比实验结果表明,该方法性能受聚类数的影响不大,鲁棒性强,且性能优于其它方法.