CN102542064B - 基于Surfacelet变换的动态纹理检索方法 - Google Patents
基于Surfacelet变换的动态纹理检索方法 Download PDFInfo
- Publication number
- CN102542064B CN102542064B CN201210001588.3A CN201210001588A CN102542064B CN 102542064 B CN102542064 B CN 102542064B CN 201210001588 A CN201210001588 A CN 201210001588A CN 102542064 B CN102542064 B CN 102542064B
- Authority
- CN
- China
- Prior art keywords
- dynamic texture
- surfacelet
- frequency sub
- band
- territory
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Complex Calculations (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于Surfacelet变换的动态纹理检索方法,包括:建立动态纹理库;获取高频子带系数及其特征参数及香浓熵;建立动态纹理特征库并确定区分阈值;输入待检索的动态纹理并获取其高频子带系数及香农熵;判断待检索动态纹理的香农熵与区分阈值的大小;获取待检索动态纹理的特征参数;获取待检索动态纹理的特征参数与动态纹理特征库中特征参数的距离;取动态纹理库中距离最小的动态纹理输出。本发明采用广义高斯特征和能量特征结合的方法,使得本发明充分利用了动态纹理不同特征的互补性,能准确检索出客户所需的动态纹理。
Description
技术领域
本发明属于图像处理领域,更进一步涉及视频处理领域中的动态纹理检索,具体是一种基于Surfacelet变换的动态纹理检索方法。本发明可应用于视频检索。
背景技术
动态纹理检索是从动态纹理库中检索出客户所需动态纹理的过程,它是一项基础性工作,在视频检索、大气环境监测、交通流量监控、灾害管理和森林预警等领域被广泛应用。
北京新岸线网络技术有限公司提出的专利申请“基于内容的视频检索方法及其实现”(专利申请号200810000875.6,公开号CN101493813A)公开了一种多途径获取图像,进行基于内容的视频检索的方法。该方法的实现包含一个图像获取模块,通过多种方式获取图像,作为基于内容的视频搜索的输入;一个图像分析处理模块,用来对图像进行分析和处理,提取图像特征;一个特征传输模块,用于对图像特征进行传输;一个视频检索模块,根据检索输入进行基于内容的视频检索;一个结果展现模块,对视频结果进行展现。该方法虽然有效的进行了视频检索,较好的从视频库中检索出用户所需视频,但是仍然存在的不足是,该方法用图像代替视频作为视频处理的输入,图像并不能有效的反映视频信息,容易导致检索结果与客户需求不符。
乐金电子(中国)研究开发中心有限公司提出的专利申请“视频检索方法”(专利申请号200610137713.8,公开号CN1955964A)公开了一种视频检索方法,涉及将视频作为视频查询系统的客户使用部分,特别是向客户提供有效的浏览系统的方法。该方法包括:镜头边界检测步骤,从视频中检测镜头边界;低层信息提取步骤,在上述镜头边界检测步骤中检测的镜头帧中提取低层信息;加权值调节步骤,设置在上述低层信息提取步骤中提取的信息描述子的加权值;视频检索步骤,根据上述加权值调节步骤中设置的加权值而使描述子之间的检索加权值具有不同的值并检索视频。该方法虽然能够将调节后的加权值或文脉等作为新的查询要素,实现从而实现更为有效准确的基于实例的视频查询功能,但是仍然存在的不足是,该方法只提取视频的低层信息,不能有效利用视频的其他信息进行检索;另外该方法提取的低层信息过多,算法实现复杂。
发明内容
本发明针对上述现有技术的不足,用Surfacelet系数模型描述动态纹理,根据动态纹理的Surfacelet系数分布特点,提出种基于Surfacelet变换的动态纹理检索方法,可以有效的从动态纹理库中检索出客户所需的动态纹理。
本发明的具体步骤如下:
(1)将动态纹理放入动态纹理库中,建立动态纹理库;
(2)获取动态纹理库中所有动态纹理的变换域
调用Surfacelet工具包对动态纹理库中所有动态纹理作Surfacelet变换,获取动态纹理库中所有动态纹理的Surfacelet域高频子带系数;
(3)获取动态纹理库中所有动态纹理的能量特征参数
按照下式逐个获取所有动态纹理的能量特征参数:
fe=[μ1,μ2,...,μn,σ1,σ2,...,σn]
其中,fe为动态纹理的能量特征参数;
μ1,μ2,...,μn为动态纹理Surfacelet域高频子带系数均值;
σ1,σ2,...,σn为动态纹理Surfacelet域高频子带系数标准差;
n为动态纹理Surfacelet域高频子带的个数;
(4)获取动态纹理库中所有动态纹理的广义高斯特征参数
按照下式逐个获取所有动态纹理的广义高斯特征参数:
f=[α1,α2,...,αn,β1,β2,...,βn]
其中,f为动态纹理的广义高斯特征参数;
α1,α2,...,αn为动态纹理Surfacelet域高频子带形状参数;
β1,β2,...,βn为动态纹理Surfacelet域高频子带尺度参数;
n为动态纹理Surfacelet域高频子带的个数;
(5)获取动态纹理库中所有动态纹理的香农熵
按照下式逐个获取所有动态纹理的香农熵:
其中,E为动态纹理的香农熵;
为从ST所有尺度中取出最小的香农熵;
s为动态纹理Surfacelet域的对应尺度;
ST为动态纹理Surfacelet域;
∈为从属符号;
Es为动态纹理Surfacelet域s尺度高频子带系数的香农熵;
(6)将步骤(3)、步骤(4)获得的能量特征参数和广义高斯特征参数放入动态纹理特征库中,建立动态纹理特征库;
(7)确定区分阈值
取步骤(5)获得的动态纹理库中所有动态纹理的香农熵的中间值作为区分阈值;
(8)在检索端输入待检索动态纹理;
(9)获取待检索动态纹理的Surfacelet域高频子带系数
调用Surfacelet工具包对待检索动态纹理作Surfacelet变换,获取待检索动态纹理的Surfacelet域高频子带系数;
(10)使用步骤(5)的方法获取待检索动态纹理的香农熵;
(11)判断待检索动态纹理的香农熵与区分阈值的大小,若待检索的动态纹理的香农熵大于区分阈值,执行下一步骤,否则执行步骤(14);
(12)使用步骤(4)的方法获取待检索动态纹理的广义高斯特征参数;
(13)按照下式逐个获取待检索动态纹理的广义高斯特征参数与动态纹理特征库中所有广义高斯特征参数的K-L距离:
其中,L为待检索动态纹理的广义高斯特征参数与动态纹理特征库中广义高斯特征参数的K-L距离;
∑为累加符号;
N为待检索动态纹理Surfacelet域高频子带数;
i为待检索动态纹理Surfacelet域广义高斯特征参数序号;
dfi为待检索动态纹理Surfacelet域高频子带间的K-L距离;
(14)用步骤(3)的方法获取待检索动态纹理的能量特征参数;
(15)按照下式逐个获取待检索动态纹理的能量特征参数与动态纹理特征库中所有能量特征参数的欧式距离:
其中,d为待检索动态纹理的能量特征参数与动态纹理特征库中能量特征参数的欧式距离;
∑为累加符号;
N为待检索动态纹理Surfacelet域高频子带数;
fpk为待检索动态纹理特征库中的动态纹理能量特征参数;
fqk为待检索动态纹理能量特征参数;
k为待检索动态纹理Surfacelet域能量特征参数序号;
(16)取动态纹理库中欧式距离最小的动态纹理输出。
本发明与现有的技术相比具有以下优点:
第一,本发明采用待检索动态纹理的Surfacelet域高频子带系数对输入的待检索动态纹理作整体处理,克服了现有技术中单幅图像输入不能充分利用动态纹理信息的缺点,使得本发明能准确检索出客户所需的动态纹理。
第二,本发明采用广义高斯特征和能量特征结合的方法,使得本发明充分利用了动态纹理不同特征的互补性,克服了现有技术中提取动态纹理的低层信息不能有效利用动态纹理的其他信息的缺点,有效地提高了动态纹理检索的效率。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图1对本发明做进一步的描述。
步骤1,将动态纹理放入动态纹理库中,建立动态纹理库。
步骤2,获取动态纹理库中所有动态纹理的变换域。
调用Surfacelet工具包对动态纹理库中所有动态纹理作Surfacelet变换,获取动态纹理库中所有动态纹理的Surfacelet域高频子带系数。
步骤3,获取动态纹理库中所有动态纹理的能量特征参数。
按照下式计算动态纹理Surfacelet域高频子带系数均值:
其中,μ为动态纹理Surfacelet域高频子带系数均值;
N为高频子带的系数个数;
xk为高频子带的系数;
k为高频子带的系数序号;
按照下式计算动态纹理Surfacelet域高频子带系数标准差:
其中,σ为动态纹理Surfacelet域高频子带系数标准差;
N为高频子带的系数个数;
xk为高频子带的系数;
k为高频子带的系数序号;
μ为动态纹理Surfacelet域高频子带系数均值;
按照下式逐个获取所有动态纹理的能量特征参数:
fe=[μ1μ2,...,μn,σ1,σ2,...,σn]
其中,fe为动态纹理的能量特征参数;
μ1,μ2,...,μn为动态纹理Surfacelet域高频子带系数均值;
σ1,σ2,...,σn为动态纹理Surfacelet域高频子带系数标准差;
n为动态纹理Surfacelet域高频子带的个数。
步骤4,获取动态纹理库中所有动态纹理的广义高斯特征参数。
按照下式计算动态纹理Surfacelet域高频子带形状参数:
其中,β为动态纹理Surfacelet域高频子带形状参数;
m1为高频子带系数绝对值的均值;
m2为高频子带系数的2阶原点矩;
Γ()为gamma函数;
按照下式计算动态纹理Surfacelet域高频子带尺度参数:
其中,α为动态纹理Surfacelet域高频子带尺度参数;
m1为高频子带系数绝对值的均值;
Г()为gamma函数;
β为动态纹理Surfacelet域高频子带形状参数;
按照下式逐个获取所有动态纹理的广义高斯特征参数:
f=[α1,α2,...,αn,β1,β2,...,βn]
其中,f为动态纹理的广义高斯特征参数;
α1,α2,...,αn为动态纹理Surfacelet域高频子带形状参数;
β1,β2,...,βn为动态纹理Surfacelet域高频子带尺度参数;
n为动态纹理Surfacelet域高频子带的个数。
步骤5,获取动态纹理库中所有动态纹理的香农熵。
按照下式计算动态纹理Surfacelet域s尺度高频子带系数的香农熵:
其中,Es为动态纹理Surfacelet域s尺度高频子带系数的香农熵;
s为动态纹理Surfacelet域的对应尺度;
k为动态纹理Surfacelet域s尺度第k个方向子带;
∑为求和符号;
ek,s为动态纹理Surfacelet域s尺度第k个方向子带系数绝对值的均值;
es为动态纹理Surfacelet域s尺度所有方向子带系数绝对值均值的方差;
ln为自然对数符号;
按照下式逐个获取所有动态纹理的香农熵:
其中,E为动态纹理的香农熵;
s为动态纹理Surfacelet域的对应尺度;
ST为动态纹理Surfacelet域;
∈为从属符号;
Es为动态纹理Surfacelet域s尺度高频子带系数的香农熵。
步骤6,将步骤(3)、步骤(4)获得的能量特征参数和广义高斯特征参数放入动态纹理特征库中,建立动态纹理特征库。
步骤7,确定区分阈值。
取步骤(5)获得的动态纹理库中所有动态纹理的香农熵的中间值作为区分阈值。
步骤8,在检索端输入待检索动态纹理。
步骤9,获取待检索动态纹理的高频子带系数。
调用Surfacelet工具包对待检索动态纹理作Surfacelet变换,获取待检索动态纹理的高频子带系数。
步骤10,使用步骤(5)的方法获取待检索动态纹理的香农熵。
步骤11,判断待检索动态纹理的香农熵与区分阈值的大小,若待检索动态纹理的香农熵大于区分阈值,执行下一步骤,否则执行步骤14。
步骤12,使用步骤(4)的方法获取待检索动态纹理的广义高斯特征参数。
步骤13,按照下式计算动态纹理Surfacelet域高频子带间的K-L距离:
其中,df为动态纹理Surfacelet域高频子带间的K-L距离;
ln为自然对数符号;
βp为动态纹理特征库中的动态纹理Surfacelet域高频子带形状参数;αq待检索的动态纹理Surfacelet域高频子带尺度参数;
Γ()为gamma函数;
βq为待检索的动态纹理Surfacelet域高频子带形状参数;
αp为动态纹理特征库中的动态纹理Surfacelet域高频子带尺度参数;
按照下式逐个获取待检索动态纹理的广义高斯特征参数与动态纹理特征库中所有广义高斯特征参数的K-L距离:
其中,L为待检索的动态纹理的广义高斯特征参数与动态纹理特征库中广义高斯特征参数的K-L距离;
∑为连加符号;
i为动态纹理Surfacelet域广义高斯特征参数序号;
N为动态纹理Surfacelet域高频子带数;
dfi动态纹理Surfacelet域高频子带间的K-L距离。
步骤14,用步骤(3)的方法获取待检索的动态纹理的能量特征参数。
步骤15,按照下式逐个获取待检索的动态纹理的广义高斯特征参数与动态纹理特征库中所有广义高斯特征参数的欧式距离:
其中,d为待检索的动态纹理的广义高斯特征参数与动态纹理特征库中广义高斯特征参数的K-L距离;
∑为连加符号;
k为动态纹理Surfacelet域广义高斯特征参数序号;
N为动态纹理Surfacelet域高频子带数;
fp为动态纹理特征库中的动态纹理能量特征;
fq为待检索动态纹理能量参数。
步骤16,取动态纹理库中欧式距离最小的动态纹理输出。
下面对本发明的效果做进一步的描述。
为了说明本发明的检索效果,分别使用现有技术中Surfacelet变换及欧式距离的检索方法(ST+欧式距离)、Surfacelet变换联合广义高斯模型及K-L距离的检索方法(ST+GGD+KL)和本发明对动态纹理库中64类动态纹理(DT1至DT64)进行检索,其效果比较的检索率列在下表中。
用均值统计上表中各种检索方法的检索率,得到各种检索方法的平均检索率如下表。
检索方法 | ST+欧式距离 | ST+GGD+KL | 本发明 |
平均检索率 | 94.65% | 94.68% | 95.29% |
由上表可见,采用本发明对动态纹理进行检索得到的检索率要比采用现有技术对动态纹理进行检索得到的检索率有了很大提高。以上结果表明,本发明能够很好的从动态纹理库中检索出客户所需的动态纹理。
Claims (7)
1.一种基于Surfacelet变换的动态纹理检索方法,包括如下步骤:
(1)将动态纹理放入动态纹理库中,建立动态纹理库;
(2)获取动态纹理库中所有动态纹理的变换域
调用Surfacelet工具包对动态纹理库中所有动态纹理作Surfacelet变换,获取动态纹理库中所有动态纹理的Surfacelet域高频子带系数;
(3)获取动态纹理库中所有动态纹理的能量特征参数
按照下式逐个获取所有动态纹理的能量特征参数:
fe=[μ1,μ2,...,μn,σ1,σ2,...,σn]
其中,fe为动态纹理的能量特征参数;
μ1,μ2,...,μn为动态纹理Surfacelet域高频子带系数均值;
σ1,σ2,...,σn为动态纹理Surfacelet域高频子带系数标准差;
n为动态纹理Surfacelet域高频子带的个数;
(4)获取动态纹理库中所有动态纹理的广义高斯特征参数
按照下式逐个获取所有动态纹理的广义高斯特征参数:
f=[α1,α2,...,αn,β1,β2,...,βn]
其中,f为动态纹理的广义高斯特征参数;
α1,α2,...,αn为动态纹理Surfacelet域高频子带形状参数;
β1,β2,...,βn为动态纹理Surfacelet域高频子带尺度参数;
n为动态纹理Surfacelet域高频子带的个数;
(5)获取动态纹理库中所有动态纹理的香农熵
按照下式逐个获取所有动态纹理的香农熵:
其中,E为动态纹理的香农熵;
s为动态纹理Surfacelet域的对应尺度;
ST为动态纹理Surfacelet域;
∈为从属符号;
Es为动态纹理Surfacelet域s尺度高频子带系数的香农熵;
(6)将步骤(3)、步骤(4)获得的能量特征参数和广义高斯特征参数放入动态纹理特征库中,建立动态纹理特征库;
(7)确定区分阈值
取步骤(5)获得的动态纹理库中所有动态纹理的香农熵的中间值作为区分阈值;
(8)在检索端输入待检索动态纹理;
(9)获取待检索动态纹理的高频子带系数
调用Surfacelet工具包对待检索动态纹理作Surfacelet变换,获取待检索动态纹理的高频子带系数;
(10)使用步骤(5)的方法获取待检索动态纹理的香农熵;
(11)判断待检索动态纹理的香农熵与区分阈值的大小,若待检索动态纹理的香农熵大于区分阈值,执行下一步骤,否则执行步骤(14);
(12)使用步骤(4)的方法获取待检索动态纹理的广义高斯特征参数;
(13)按照下式逐个获取待检索动态纹理的广义高斯特征参数与动态纹理特征库中所有广义高斯特征参数的K-L距离:
其中,L为待检索动态纹理的广义高斯特征参数与动态纹理特征库中广义高斯特征参数的K-L距离;
∑为累加符号;
N为待检索动态纹理Surfacelet域高频子带数;
i为待检索动态纹理Surfacelet域广义高斯特征参数序号;
dfi为待检索动态纹理Surfacelet域高频子带间的K-L距离;
(14)用步骤(3)的方法获取待检索动态纹理的能量特征参数;
(15)按照下式逐个获取待检索动态纹理的能量特征参数与动态纹理特征库中所有能量特征参数的欧式距离:
其中,d为待检索动态纹理的能量特征参数与动态纹理特征库中能量特征参数的欧式距离;
∑为累加符号;
N为待检索动态纹理Surfacelet域高频子带数;
fpk为待检索动态纹理特征库中的动态纹理能量特征参数;
fqk为待检索动态纹理能量特征参数;
k为待检索动态纹理Surfacelet域能量特征参数序号;
(16)取动态纹理库中欧式距离最小的动态纹理输出。
7.根据权利要求1所述的基于Surfacelet变换的动态纹理检索方法,其特征在于:步骤(13)中所述的动态纹理Surfacelet域高频子带间的K-L距离由下式获得:
其中,df为动态纹理Surfacelet域高频子带间的K-L距离;
ln为自然对数符号;
βp为动态纹理特征库中的动态纹理Surfacelet域高频子带形状参数;
αq为待检索动态纹理Surfacelet域高频子带尺度参数;
Г()为gamma函数;
βq为待检索的动态纹理Surfacelet域高频子带形状参数;
αp为动态纹理特征库中的动态纹理Surfacelet域高频子带尺度参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210001588.3A CN102542064B (zh) | 2012-01-04 | 2012-01-04 | 基于Surfacelet变换的动态纹理检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210001588.3A CN102542064B (zh) | 2012-01-04 | 2012-01-04 | 基于Surfacelet变换的动态纹理检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102542064A CN102542064A (zh) | 2012-07-04 |
CN102542064B true CN102542064B (zh) | 2014-03-12 |
Family
ID=46348943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210001588.3A Expired - Fee Related CN102542064B (zh) | 2012-01-04 | 2012-01-04 | 基于Surfacelet变换的动态纹理检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102542064B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116761B (zh) * | 2013-03-07 | 2016-05-11 | 武汉大学苏州研究院 | 一种针对图像序列的动态纹理识别方法 |
CN108921147B (zh) * | 2018-09-03 | 2022-02-15 | 东南大学 | 一种基于动态纹理和变换域时空特征的黑烟车识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100353379C (zh) * | 2003-07-23 | 2007-12-05 | 西北工业大学 | 一种基于图像纹理特征的图像检索方法 |
CN101551864B (zh) * | 2009-05-13 | 2012-01-04 | 西安电子科技大学 | 基于频域方向特征相关性的图像分类方法 |
-
2012
- 2012-01-04 CN CN201210001588.3A patent/CN102542064B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102542064A (zh) | 2012-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106960006B (zh) | 一种不同轨迹间相似度度量系统及其度量方法 | |
CN101320375B (zh) | 基于用户点击行为的数字图书搜索方法 | |
CN110781332A (zh) | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 | |
CN102685717B (zh) | 网络业务质量参数识别方法及装置 | |
CN104239856B (zh) | 基于Gabor特征和自适应线性回归的人脸识别方法 | |
CN109145180B (zh) | 一种基于增量聚类的企业热点事件挖掘方法 | |
CN103336832A (zh) | 基于质量元数据的视频分类器构造方法 | |
CN109587350A (zh) | 一种基于滑动时间窗口聚合的电信诈骗电话的序列异常检测方法 | |
CN101894548A (zh) | 一种用于语种识别的建模方法及装置 | |
CN103747477A (zh) | 网络流量分析与预测方法和装置 | |
WO2019006835A1 (zh) | 一种基于压缩感知的目标识别方法 | |
CN108090332A (zh) | 一种基于用户登录行为分析的风控方法 | |
CN106649663A (zh) | 一种基于紧凑视频表征的视频拷贝检测方法 | |
CN109670453B (zh) | 一种提取短视频主题的方法 | |
CN104216964A (zh) | 一种面向微博的非分词突发话题检测方法 | |
CN104951553A (zh) | 一种数据处理准确的内容搜集与数据挖掘平台及其实现方法 | |
CN105574265B (zh) | 面向模型检索的装配体模型定量描述方法 | |
CN116644184B (zh) | 基于数据聚类的人力资源信息管理系统 | |
CN102542064B (zh) | 基于Surfacelet变换的动态纹理检索方法 | |
CN102664771A (zh) | 基于svm的网络代理行为检测系统及检测方法 | |
CN104268214B (zh) | 一种基于微博用户关系的用户性别识别方法及系统 | |
CN103279581A (zh) | 一种利用紧凑视频主题描述子进行视频检索的方法 | |
CN104637484B (zh) | 一种基于共生矩阵分析的mp3音频隐写检测方法 | |
CN111340645A (zh) | 一种针对电力负荷的改进关联分析方法 | |
CN109271889A (zh) | 一种基于双层lstm神经网络的动作识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140312 Termination date: 20200104 |
|
CF01 | Termination of patent right due to non-payment of annual fee |