CN103605811A - 一种纹理图像的检索方法和装置 - Google Patents
一种纹理图像的检索方法和装置 Download PDFInfo
- Publication number
- CN103605811A CN103605811A CN201310667580.5A CN201310667580A CN103605811A CN 103605811 A CN103605811 A CN 103605811A CN 201310667580 A CN201310667580 A CN 201310667580A CN 103605811 A CN103605811 A CN 103605811A
- Authority
- CN
- China
- Prior art keywords
- texture image
- image
- architectural feature
- feature sequence
- width
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种纹理图像的检索方法和装置,属于数字图像处理领域。所述方法包括:根据旋转不变局部二值模式算法对输入纹理图像进行处理,获取所述输入纹理图像的结构模式图像;根据脉冲耦合神经网络模型对所述输入纹理图像的结构模式图像进行特征提取,得到所述输入纹理图像的结构特征序列;根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,获取被检索纹理图像。本发明通过使用结构模式图像进行特征提取,有效克服光照敏感性,提取的结构特征序列具有光照、平移、旋转、缩放和仿射不变性,较好地实现了图像检索。
Description
技术领域
本发明涉及数字图像处理领域,特别涉及一种纹理图像的检索方法和装置。
背景技术
随着计算机网络技术的迅速发展,各种各样的纹理图像数据库在迅速增长,如何从这些纹理图像数据库中快速有效地获取所需图像,是纹理图像检索领域中一个重要的研究课题。
现有技术中,利用脉冲耦合神经网络模型对被检索纹理图像进行图像特征提取,将提取到的图像特征和纹理图像数据库中图像的图像特征进行相似性度量,获取同一纹理图像,实现纹理图像的检索。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
现有技术中,脉冲耦合神经网络模型进行纹理图像检索时,提取的特征虽然具有缩放、平移、旋转和仿射不变性,但是,对光照的影响较为敏感,阻碍了脉冲耦合神经网络在纹理图像检索中的应用。
发明内容
为了解决脉冲耦合神经网络模型的光照敏感性问题,本发明实施例提供了一种纹理图像的检索方法和装置。所述技术方案如下:
一方面,提供了一种纹理图像的检索方法,所述方法包括:
根据旋转不变局部二值模式算法对输入纹理图像进行处理,获取所述输入纹理图像的结构模式图像;
根据脉冲耦合神经网络模型对所述输入纹理图像的结构模式图像进行特征提取,得到所述输入纹理图像的结构特征序列;
根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,获取被检索纹理图像。
根据旋转不变局部二值模式算法对输入纹理图像进行处理,获取结构模式图像之前,所述方法包括:
根据旋转不变局部二值模式算法对纹理图像数据库中的每幅图像进行处理,获取所述纹理图像数据库中的每幅图像对应的结构模式图像;
根据脉冲耦合神经网络模型对所述纹理图像数据库中的每幅图像对应的结构模式图像进行特征提取,得到所述纹理图像数据库中的每幅图像的结构特征序列。
根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,获取被检索纹理图像,所述方法包括:
根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列进行相似性度量,得到所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离;
根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离,获取被检索纹理图像。
根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离,获取被检索纹理图像,所述方法包括:
根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离,获取相似性距离排序后的相似性距离序列;
根据所述相似性距离序列,获取预设数量的被检索纹理图像。
另一方面,提供了一种纹理图像的检索装置,所述装置包括:
第一结构模式图像获取模块,用于根据旋转不变局部二值模式算法对输入纹理图像进行处理,获取所述输入纹理图像的结构模式图像;
第一结构特征序列获取模块,用于根据脉冲耦合神经网络模型对所述输入纹理图像的结构模式图像进行特征提取,得到所述输入纹理图像的结构特征序列;
被检索纹理图像获取模块,用于根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,获取被检索纹理图像。
所述装置还包括:
第二结构模式图像获取模块,用于根据旋转不变局部二值模式算法对纹理图像数据库中的每幅图像进行处理,获取所述纹理图像数据库中的每幅图像对应的结构模式图像;
第二结构特征序列获取模块,用于根据脉冲耦合神经网络模型对所述纹理图像数据库中的每幅图像对应的结构模式图像进行特征提取,得到所述纹理图像数据库中的每幅图像的结构特征序列。
所述被检索纹理图像获取模块,包括:
相似性距离计算单元,用于根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列进行相似性度量,得到所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离;
被检索纹理图像获取单元,用于根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离,获取被检索纹理图像。
所述被检索纹理图像获取单元包括:
排序子单元,用于根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离,获取相似性距离排序后的相似性距离序列;
被检索纹理图像获取子单元,用于根据所述相似性距离序列,获取预设数量的被检索纹理图像。
本发明实施例提供的技术方案带来的有益效果是:
本发明实施例提供的纹理图像的检索方法和装置,通过根据旋转不变局部二值模式算法对输入纹理图像进行处理,获取所述输入纹理图像的结构模式图像;根据脉冲耦合神经网络模型对所述输入纹理图像的结构模式图像进行特征提取,得到所述输入纹理图像的结构特征序列;根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,获取被检索纹理图像。采用本发明实施例提供的技术方案,通过使用结构模式图像进行特征提取,有效克服光照敏感性,提取的结构特征序列具有光照、平移、旋转、缩放和仿射不变性,较好地实现了图像检索。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例中提供的一种纹理图像的检索方法流程图;
图2a是本发明实施例中提供的一种纹理图像的检索方法流程图;
图2b是本发明实施例中提供的纹理图像检索结果示意图;
图3是本发明实施例中提供的一种纹理图像的检索装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
图1是本发明实施例中提供的一种纹理图像的检索方法流程图,参见图1,该方法包括:
101:根据旋转不变局部二值模式算法对输入纹理图像进行处理,获取所述输入纹理图像的结构模式图像;
其中,该输入纹理图像均为单通道灰度图像,对于多通道的图像,如RGB、CMY、YIQ等,需要将多通道图像转化成单通道灰度图像,或者将多通道的图像的每一个通道的图像单独作为该输入纹理图像。
其中,该旋转不变局部二值模式算法的基本原理是,以中心像素点的灰度值作为阈值,与其周围邻域内的像素点做差值,当差值大于0时,赋值为1,当差值小于0时,赋值为0,将中心像素点周围邻域内的像素点进行旋转排序,得到排序后的最小值,将该最小值作为中心像素点的值。通过使用该旋转不变局部二值模式算法,将具有256级灰度的图像转化成具有36级纹理结构模式的结构模式图像,克服光照的不均匀性的同时,极大地降低了图像的维数。
根据该旋转不变局部二值模式算法对该输入纹理图像进行处理,将该输入纹理图像从灰度模式转化成结构模式,获取该输入纹理图像的结构模式图像。
102:根据脉冲耦合神经网络模型对所述输入纹理图像的结构模式图像进行特征提取,得到所述输入纹理图像的结构特征序列;
其中,该脉冲耦合神经网络模型是根据猫的视皮层神经元脉冲同步振荡和神经元脉冲发放现象提出的。在图像处理中,一个神经元与一个像素点对应,神经元的输入与像素点的灰度值对应,由于像素点是离散的,因此,该脉冲耦合神经网络模型的输入信号也是离散的。在迭代过程中,神经元将自身的灰度和周围神经元的灰度进行耦合,作为神经元的输入,使得部分神经元提前点火,产生相似神经元集群性点火,即脉冲同步发放现象。
该脉冲耦合神经网络模型中每个神经元对应于该输入纹理图像的结构模式图像中的每个像素点,将每个神经元对应的每个像素点的灰度以及周围神经元的灰度进行耦合,作为该神经元的输入。根据该脉冲耦合神经网络对该输入纹理图像的结构模式图像进行预设次数的迭代,其中,预设次数可以为10、20、30等,对此,本发明实施例不作具体限定。神经元受自身灰度以及周围神经元灰度的影响发生点火,获取每次迭代时点火的神经元的个数,预设次数的迭代中产生的点火神经元个数组成特征序列,即该输入纹理图像的结构特征序列。该输入纹理图像的结构特征序列具有光照、平移、旋转、缩放和仿射不变性。
103:根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,获取被检索纹理图像。
根据该输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,采用的相似性度量方法进行相似性度量,得到该输入纹理图像的结构特征序列和纹理图像库中的每幅图像的结构特征序列的相似性距离。其中,采用的相似性度量方法可以为一阶绝对值距离、信息熵、欧几里得距离、相关系数、χ2距离等,对此,本发明实施例不作具体限定,优选地,采用χ2距离作为相似性度量方法。
在获取到该输入纹理图像的结构特征序列和纹理图像库中的每幅图像的结构特征序列的相似性距离后,根据该相似性距离,获取被检索纹理图像的方法可以为以下任一方法:
(1)设置相似性距离阈值。当该输入纹理图像的结构特征序列和纹理图像库中的每幅图像的结构特征序列的相似性距离小于(或大于)该相似性距离阈值时,接受将与该相似性距离对应的纹理图像库中的图像作为被检索图像;当该输入纹理图像的结构特征序列和纹理图像库中的每幅图像的结构特征序列的相似性距离大于(或小于)该相似性距离阈值时,拒绝将与该相似性距离对应的纹理图像库中的图像作为被检索图像。其中,该相似性距离阈值用于确定纹理图像库中的图像是否和输入纹理图像为同一纹理图像,该相似性阈值由本领域技术人员在设计过程中进行设置,也可以由用户进行设置,对此,本发明实施例不做具体限定。该方法可以用于大型图像数据库检索,也可以用于小型图像数据库检索,对此,本发明实施例不做具体限定,优选地,该方法用于大型图像数据库的检索。在检索过程中,用户可以使用默认的相似性距离阈值,也可以根据需要被检索图像的数量进行相似性距离阈值的调节,当用户需要较多的被检索图像时,可以将该相似性距离阈值设置的较大(或较小),以在较短时间内获取尽可能多的被检索图像,当用户需要较少的被检索图像时,可以将该相似性距离阈值设置的较小(或较大),以获取与输入纹理图像相似度较高的被检索图像。
(2)设置被检索图像的预设数量。当获取到该输入纹理图像的结构特征序列和纹理图像库中的每幅图像的结构特征序列的相似性距离后,将该输入纹理图像的结构特征序列和纹理图像库中的每幅图像的结构特征序列的相似性距离进行排序,按照排序的顺序获取预设数量的相似性距离,将与该预设数量的相似性距离对应的纹理图像库中的图像作为被检索图像。其中,被检索图像的预设数量用于指定返回的被检索图像的数量,该被检索图像的预设数量可以由技术人员在设计过程中进行设置,也可以由用户自行设置,对此,本发明实施例不作具体限定。该方法可以用于大型图像数据库检索,也可以用于小型图像数据库检索,对此,本发明实施例不做具体限定,优选地,该方法用于小型图像数据库的检索。
本发明实施例提供的纹理图像的检索方法,通过根据旋转不变局部二值模式算法对输入纹理图像进行处理,获取所述输入纹理图像的结构模式图像;根据脉冲耦合神经网络模型对所述输入纹理图像的结构模式图像进行特征提取,得到所述输入纹理图像的结构特征序列;根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,获取被检索纹理图像。采用本发明实施例提供的技术方案,通过使用结构模式图像进行特征提取,有效克服光照敏感性,提取的结构特征序列具有光照、平移、旋转、缩放和仿射不变性,较好地实现了图像检索。
图2a是本发明实施例中提供的一种纹理图像的检索方法流程图,本发明实施例的执行主体为具有图像处理能力的电子设备,如个人计算机、平板电脑、摄像设备或服务器等,参见图2a,该方法包括:
201:根据旋转不变局部二值模式算法对纹理图像数据库中的每幅图像进行处理,获取所述纹理图像数据库中的每幅图像对应的结构模式图像;
其中,该局部二值模式的计算公式如下所示:
T≈t(s(g0-gc),...,s(gP-1-gc)),其中
其中,gc是一个邻域范围内中心像素点的灰度值,g0~gP-1是以R为半径、P个邻近等间距像素点的灰度值。对于8邻域的局部二值模式,是以1为半径的8个邻近等间距像素点的运算,还可以采用16、32等邻域,对此,本发明实施例不作具体限定。
为了使局部二值模式算法具有旋转不变性特征,将局部二值模式算法扩展为旋转不变局部二值模式 (rotation invariant Local Binary Pattern,riLBP),即中心像素点周围邻域内的像素值阈值化后,二值模式进行旋转,旋转过程中的各个状态的局部二值模式值进行比较,选取最小的局部二值模式值作为中心像素点的值。其计算公式如下所示:
其中,ROR(LBPP,Ri)函数为旋转函数,表示将半径为R,邻域像素点个数为P的圆形区域旋转P-1次。使用旋转不变局部二值模式处理图像,可以获取36种图像的纹理结构模式,将图像灰度从256级降低到36种纹理结构模式,极大地降低了图像的维数。
根据旋转不变局部二值模式算法对纹理图像数据库中的每幅图像进行处理,将该纹理图像数据库中的每幅图像从灰度模式转化成结构模式,获取所述纹理图像数据库中的每幅图像对应的结构模式图像。
202:根据脉冲耦合神经网络模型对所述纹理图像数据库中的每幅图像对应的结构模式图像进行特征提取,得到所述纹理图像数据库中的每幅图像的结构特征序列;
其中,该脉冲耦合神经网络模型可以为原模型,也可以为简化模型,由于原模型参数较多,不易调节,优选地,采用简化后的脉冲耦合神经网络模型,其计算公式如下:
Fij[n]=Sij (4)
Uij[n]=Fij[n]{1+βLij[n]} (6)
其中,公式(4)为馈入单元,Fij的输入值等于像素点ij的亮度值Sij。公式(5)为连接单元,Lij的输入值等于像素点ij前一次的连接单元的输入值和周围像素点的前一次的连接单元的输入值的耦合,αL为连接单元的衰减因子,是对前一次该神经元连接单元输入值的非线性衰减,Wijkl为连接单元对周围信息耦合的权值矩阵,用于表示中心神经元受周围神经元影响的大小,反映了邻近神经元传递信息的强弱,VL为连接单元对周围神经元信息进行耦合时的正则化常数,防止周围神经元的馈入过高造成溢出现象的发生。公式(6)为内部状态,馈入单元Fij和连接单元Lij通过乘性耦合的方式构成内部状态Uij,β为馈入单元与连接单元的调制强度,通常在0到1之间取值,β大小决定了中心像素点对周围像素点信息的耦合性的强弱。公式(7)为神经元输出,神经元通过内部状态Uij和阈值θij的比较产生输出Yij,当内部状态Uij与阈值θij的差值大于0时,神经元处于兴奋状态,输出为1,反之,神经元处于抑制状态,输出为0。公式(8)为阈值单元,θij为当前阈值,Vt为常量,Yij为输出值,为了使点火像素点不重复进行点火,Vt的值通常选取较大,如100、200、300等,对此,本发明实施例不作具体限定。
根据脉冲耦合神经网络模型对图像进行特征提取时,计算每次迭代输出的二值脉冲图像中脉冲的个数,将输出脉冲图像变换为用于表征图像模式的一维信号,即结构特征序列。将每次迭代的脉冲输出个数作为结构特征序列中的一个特征值,其计算公式如下:
N=∑Yij (9)
其中,Yij为每次迭代过程中每幅图像的每个像素点的输出值,通过求和得出特征值N,在预设次数的迭代后,得到由一系列特征值组成的结构特征序列。
根据脉冲耦合神经网络模型对该纹理图像数据库中的每幅图像对应的结构模式图像进行特征提取时,设定预设次数后,利用公式(4)-(8)对该纹理图像数据库中的每幅图像对应的结构模式图像进行预设次数的迭代,根据公式(9)得到该纹理图像数据库中的每幅图像的结构特征序列。
需要说明的是,对于任一纹理图像数据库,该步骤201-202只需执行一次,进一步地,将该纹理图像数据库中的每幅图像对应的结构特征序列进行存储,在以下步骤中使用时,只需直接读取该纹理图像数据库中的每幅图像对应的结构特征序列,而不需要反复计算,当有新的图像放入到该图像数据库时,计算新的图像的结构特征序列,将该新的图像的结构特征序列进行存储。
203:根据旋转不变局部二值模式算法对输入纹理图像进行处理,获取所述输入纹理图像的结构模式图像;
根据旋转不变局部二值模式算法对输入纹理图像进行处理,将该输入纹理图像从灰度模式转化成结构模式,获取该输入纹理图像对应的结构模式图像的过程和步骤201相似,具体过程可参见步骤201,在此不再赘述。
204:根据脉冲耦合神经网络模型对所述输入纹理图像的结构模式图像进行特征提取,得到所述输入纹理图像的结构特征序列;
根据脉冲耦合神经网络模型对该输入纹理图像对应的结构模式图像进行特征提取时,设定预设次数后,利用公式(4)-(8)对该输入纹理图像对应的结构模式图像进行预设次数的迭代,根据公式(9)得到该输入纹理图像的结构特征序列。该过程和步骤202相似,具体过程可参见步骤202,在此不再赘述。
205:根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列进行相似性度量,得到所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离;
根据该输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列进行相似性度量,采用χ2作为相似性度量算子,其计算公式如下所示:
其中,i是检索的输入图像,j是被检索图像,χ2是输入图像和被检索图像间的距离,Hi是输入图像的特征序列,Hj是被检索图像的特征序列,L是特征序列的总长度。L对应于脉冲耦合神经网络提取的结构特征序列的长度,取决于迭代过程中的预设次数。
根据该输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,利用公式(10)计算该输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的χ2值,将得到的χ2值作为该输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离。
206:根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离,获取相似性距离排序后的相似性距离序列;
根据该输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离χ2值,对χ2的值按照从小到大的排序进行排序,χ2越小,则相似度距离越小,图像的相似度越高,反之,χ2越大,相似度距离就越大,图像的相似度越小,得到相似性距离排序后的相似性距离序列,该序列直接反映了该输入纹理图像和纹理图像数据库中的图像的相似性。
207:根据所述相似性距离序列,获取预设数量的被检索纹理图像。
根据该相似性距离序列,按照顺序获取与预设数量相同的χ2值,根据预设数量的χ2值获取与该预设数量的χ2值对应的纹理图像数据库中的图像,将该获取的与该预设数量的χ2值对应的纹理图像数据库中的图像作为预设数量的被检索纹理图像。
步骤206-207是根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离,获取被检索纹理图像的过程。
步骤205-207是根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,获取被检索纹理图像的过程。
为了说明本发明所采用的技术方案的有效性,采用Brodatz纹理图像数据库进行实验,该纹理图像数据库由111种纹理图像组成,对每种纹理图像进行编号,编号的序列为D1-D111。在实验中,每种纹理图像对应9幅图像,从每种纹理图像中选取出其中的1幅图像作为检索的输入纹理图像,其余的8幅图像作为被检索图像,则由888幅图像组成了纹理图像数据库。为了说明使用旋转不变局部二值模式算法和脉冲耦合神经网络模型进行图像检索的有效性,进行了三组实验:
(1)使用旋转不变局部二值模式算法(LBP)检索图像,将输入纹理图像和Brodatz纹理图像数据库中的每幅图像从灰度模式转化成结构模式,对结构模式图像中包含的36种模式对应的像素点个数进行统计,获取图像的模式直方图作为图像的特征序列,得到输入纹理图像和Brodatz纹理图像数据库中的每幅图像的特征序列。根据公式(10)计算输入纹理图像的特征序列和Brodatz纹理图像数据库中的每幅图像的特征序列之间的相似度距离,选取相似度距离最小的前20幅图像,作为检索结果返回。
(2)使用脉冲耦合神经网络模型(PCNN)检索图像,将脉冲耦合神经网络模型迭代时预设次数设置为20,使用脉冲耦合神经网络模型对输入纹理图像和Brodatz纹理图像数据库中的每幅图像进行特征提取,获取输入纹理图像和Brodatz纹理图像数据库中的每幅图像的特征序列。根据公式(10)计算输入纹理图像的特征序列和Brodatz纹理图像数据库中的每幅图像的特征序列之间的相似度距离,选取相似度距离最小的前20幅图像,作为检索结果返回。
(3)使用旋转不变局部二值模式算法对输入纹理图像和Brodatz纹理图像数据库中的每幅图像的模式进行转化,获取图像的纹理结构模式图像,使用脉冲耦合神经网络模型提取纹理结构模式图像的结构特征序列,得到输入纹理图像和Brodatz纹理图像数据库中的每幅图像的特征序列。根据公式(10)计算输入纹理图像的特征序列和Brodatz纹理图像数据库中的每幅图像的特征序列之间的相似度距离,选取相似度距离最小的前20幅图像,作为检索结果返回。
采用平均返回率作为以上三种方法的评价指标,平均返回率的计算公式如下:
其中,返回率i的取值范围为[0,1],数量i是指返回率i对应的被检索图像的数量,测试输入的总的图片的数量是指输入纹理图像的数量,在该例子中测试输入的总的图片的数量是111。平均返回率越高,实验的效果也就越好;反之,越低。表1是本发明实施例中提供的检索返回率,参见表1,表中第一列是返回率,其他各列分别是LBP、PCNN、基于LBP的PCNN的图像检索的对应于返回率返回的图像类别数量和返回图像类别数量占总测试图像类别数量的百分比,最后一行是对111种纹理图像的平均返回率的计算。通过比较可知,旋转不变LBP和PCNN结合进行纹理图像检索时,与LBP检索结果相比,平均返回率提高了6.08%,与PCNN检索结果相比,平均返回率提高了28.15%。
表1LBP、PCNN、基于LBP的PCNN的图像检索结果
图2b是本发明实施例中提供的纹理图像检索结果示意图,参见图2b,第一行的一幅图像是输入纹理图像,下面几行图像是检索中返回的图像,从第三行的最后一幅连续的7幅图像和输入纹理图像是一类图像,由于预设数量为20,因此,被检索图像中也包含了其他具有相似纹理的图像。
本发明实施例提供的纹理图像的检索方法,通过根据旋转不变局部二值模式算法对输入纹理图像进行处理,获取所述输入纹理图像的结构模式图像;根据脉冲耦合神经网络模型对所述输入纹理图像的结构模式图像进行特征提取,得到所述输入纹理图像的结构特征序列;根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,获取被检索纹理图像。采用本发明实施例提供的技术方案,通过使用结构模式图像进行特征提取,有效克服光照敏感性,提取的结构特征序列具有光照、平移、旋转、缩放和仿射不变性,较好地实现了图像检索。
图3是本发明实施例中提供的一种纹理图像的检索装置结构示意图,参见图3,该装置包括:
第一结构模式图像获取模块301,用于根据旋转不变局部二值模式算法对输入纹理图像进行处理,获取所述输入纹理图像的结构模式图像;
第一结构特征序列获取模块302,用于根据脉冲耦合神经网络模型对所述输入纹理图像的结构模式图像进行特征提取,得到所述输入纹理图像的结构特征序列;
被检索纹理图像获取模块303,用于根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,获取被检索纹理图像。
所述装置还包括:
第二结构模式图像获取模块,用于根据旋转不变局部二值模式算法对纹理图像数据库中的每幅图像进行处理,获取所述纹理图像数据库中的每幅图像对应的结构模式图像;
第二结构特征序列获取模块,用于根据脉冲耦合神经网络模型对所述纹理图像数据库中的每幅图像对应的结构模式图像进行特征提取,得到所述纹理图像数据库中的每幅图像的结构特征序列。
所述被检索纹理图像获取模块303,包括:
相似性距离计算单元,用于根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列进行相似性度量,得到所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离;
被检索纹理图像获取单元,用于根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离,获取被检索纹理图像。
所述被检索纹理图像获取单元包括:
排序子单元,用于根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离,获取相似性距离排序后的相似性距离序列;
被检索纹理图像获取子单元,用于根据所述相似性距离序列,获取预设数量的被检索纹理图像。
本发明实施例提供的纹理图像的检索装置,通过根据旋转不变局部二值模式算法对输入纹理图像进行处理,获取所述输入纹理图像的结构模式图像;根据脉冲耦合神经网络模型对所述输入纹理图像的结构模式图像进行特征提取,得到所述输入纹理图像的结构特征序列;根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,获取被检索纹理图像。采用本发明实施例提供的技术方案,通过使用结构模式图像进行特征提取,有效克服光照敏感性,提取的结构特征序列具有光照、平移、旋转、缩放和仿射不变性,较好地实现了图像检索。
需要说明的是:上述实施例提供的纹理图像的检索装置在纹理图像的检索时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的纹理图像的检索装置与纹理图像的检索方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种纹理图像的检索的方法,其特征在于,包括:
根据旋转不变局部二值模式算法对输入纹理图像进行处理,获取所述输入纹理图像的结构模式图像;
根据脉冲耦合神经网络模型对所述输入纹理图像的结构模式图像进行特征提取,得到所述输入纹理图像的结构特征序列;
根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,获取被检索纹理图像。
2.根据权利要求1所述一种纹理图像的检索的方法,其特征在于,根据旋转不变局部二值模式算法对输入纹理图像进行处理,获取结构模式图像之前,所述方法包括:
根据旋转不变局部二值模式算法对纹理图像数据库中的每幅图像进行处理,获取所述纹理图像数据库中的每幅图像对应的结构模式图像;
根据脉冲耦合神经网络模型对所述纹理图像数据库中的每幅图像对应的结构模式图像进行特征提取,得到所述纹理图像数据库中的每幅图像的结构特征序列。
3.根据权利要求1所述一种纹理图像的检索的方法,其特征在于,根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,获取被检索纹理图像,所述方法包括:
根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列进行相似性度量,得到所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离;
根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离,获取被检索纹理图像。
4.根据权利要求3所述一种纹理图像的检索的方法,其特征在于,根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离,获取被检索纹理图像,所述方法包括:
根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离,获取相似性距离排序后的相似性距离序列;
根据所述相似性距离序列,获取预设数量的被检索纹理图像。
5.一种纹理图像的检索的装置,其特征在于,包括:
第一结构模式图像获取模块,用于根据旋转不变局部二值模式算法对输入纹理图像进行处理,获取所述输入纹理图像的结构模式图像;
第一结构特征序列获取模块,用于根据脉冲耦合神经网络模型对所述输入纹理图像的结构模式图像进行特征提取,得到所述输入纹理图像的结构特征序列;
被检索纹理图像获取模块,用于根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列,获取被检索纹理图像。
6.根据权利要求5所述一种纹理图像的检索的装置,其特征在于,包括:
第二结构模式图像获取模块,用于根据旋转不变局部二值模式算法对纹理图像数据库中的每幅图像进行处理,获取所述纹理图像数据库中的每幅图像对应的结构模式图像;
第二结构特征序列获取模块,用于根据脉冲耦合神经网络模型对所述纹理图像数据库中的每幅图像对应的结构模式图像进行特征提取,得到所述纹理图像数据库中的每幅图像的结构特征序列。
7.根据权利要求5所述一种纹理图像的检索的装置,其特征在于,所述被检索纹理图像获取模块,包括:
相似性距离计算单元,用于根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列进行相似性度量,得到所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离;
被检索纹理图像获取单元,用于根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离,获取被检索纹理图像。
8.根据权利要求7所述一种纹理图像的检索的装置,其特征在于,所述被检索纹理图像获取单元包括:
排序子单元,用于根据所述输入纹理图像的结构特征序列和纹理图像数据库中的每幅图像的结构特征序列的相似性距离,获取相似性距离排序后的相似性距离序列;
被检索纹理图像获取子单元,用于根据所述相似性距离序列,获取预设数量的被检索纹理图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310667580.5A CN103605811A (zh) | 2013-12-10 | 2013-12-10 | 一种纹理图像的检索方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310667580.5A CN103605811A (zh) | 2013-12-10 | 2013-12-10 | 一种纹理图像的检索方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103605811A true CN103605811A (zh) | 2014-02-26 |
Family
ID=50124033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310667580.5A Pending CN103605811A (zh) | 2013-12-10 | 2013-12-10 | 一种纹理图像的检索方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103605811A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636753A (zh) * | 2015-02-04 | 2015-05-20 | 哈尔滨工程大学 | 一种基于pcnn神经元激活率和群离散度的区域特征提取方法 |
CN104834732A (zh) * | 2015-05-13 | 2015-08-12 | 信阳师范学院 | 一种纹理图像检索方法 |
CN106651935A (zh) * | 2016-11-29 | 2017-05-10 | 河南科技大学 | 一种基于多尺度采样的纹理图像表示方法 |
CN108228583A (zh) * | 2016-12-10 | 2018-06-29 | 南京理工大学 | 基于fpga的图像纹理检索系统及检索方法 |
CN109829503A (zh) * | 2019-02-12 | 2019-05-31 | 厦门美柚信息科技有限公司 | 一种密集恐惧图片判别方法、系统、设备及其存储介质 |
CN111626976A (zh) * | 2019-11-01 | 2020-09-04 | 东莞灵虎智能科技有限公司 | 一种基于脉冲耦合神经网络的钢轨表面伤损检测方法 |
CN111680183A (zh) * | 2020-08-13 | 2020-09-18 | 成都睿沿科技有限公司 | 对象检索方法及装置、存储介质及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101154265A (zh) * | 2006-09-29 | 2008-04-02 | 中国科学院自动化研究所 | 基于局部二值模式特征和图匹配的虹膜识别方法 |
CN101697231A (zh) * | 2009-10-29 | 2010-04-21 | 西北工业大学 | 一种基于小波变换和多通道pcnn的高光谱图像融合方法 |
-
2013
- 2013-12-10 CN CN201310667580.5A patent/CN103605811A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101154265A (zh) * | 2006-09-29 | 2008-04-02 | 中国科学院自动化研究所 | 基于局部二值模式特征和图匹配的虹膜识别方法 |
CN101697231A (zh) * | 2009-10-29 | 2010-04-21 | 西北工业大学 | 一种基于小波变换和多通道pcnn的高光谱图像融合方法 |
Non-Patent Citations (2)
Title |
---|
宋翠玉: "基于多元局部二值模式的遥感图像纹理提取与分类", 《遥感技术与应用》 * |
王晓飞: "利用脉冲耦合神经网络的纹理图像检索方法", 《计算机工程与应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636753A (zh) * | 2015-02-04 | 2015-05-20 | 哈尔滨工程大学 | 一种基于pcnn神经元激活率和群离散度的区域特征提取方法 |
CN104636753B (zh) * | 2015-02-04 | 2017-11-21 | 哈尔滨工程大学 | 一种基于pcnn神经元激活率和群离散度的区域特征提取方法 |
CN104834732A (zh) * | 2015-05-13 | 2015-08-12 | 信阳师范学院 | 一种纹理图像检索方法 |
CN106651935A (zh) * | 2016-11-29 | 2017-05-10 | 河南科技大学 | 一种基于多尺度采样的纹理图像表示方法 |
CN106651935B (zh) * | 2016-11-29 | 2019-06-14 | 河南科技大学 | 一种基于多尺度采样的纹理图像表示方法 |
CN108228583A (zh) * | 2016-12-10 | 2018-06-29 | 南京理工大学 | 基于fpga的图像纹理检索系统及检索方法 |
CN109829503A (zh) * | 2019-02-12 | 2019-05-31 | 厦门美柚信息科技有限公司 | 一种密集恐惧图片判别方法、系统、设备及其存储介质 |
CN109829503B (zh) * | 2019-02-12 | 2021-12-17 | 厦门美柚股份有限公司 | 一种密集恐惧图片判别方法、系统、设备及其存储介质 |
CN111626976A (zh) * | 2019-11-01 | 2020-09-04 | 东莞灵虎智能科技有限公司 | 一种基于脉冲耦合神经网络的钢轨表面伤损检测方法 |
CN111680183A (zh) * | 2020-08-13 | 2020-09-18 | 成都睿沿科技有限公司 | 对象检索方法及装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103605811A (zh) | 一种纹理图像的检索方法和装置 | |
CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
CN112163465B (zh) | 细粒度图像分类方法、系统、计算机设备及存储介质 | |
CN110717534B (zh) | 一种基于网络监督的目标分类和定位方法 | |
CN110245697B (zh) | 一种表面脏污检测方法、终端设备及存储介质 | |
DE102011079443A1 (de) | Lerngewichtungen von Schriftarten für getippte Proben bei der Handschriftenschlüsselwortauffindung | |
CN104636755A (zh) | 一种基于深度学习的人脸美丽评价方法 | |
CN104715253A (zh) | 一种获取试题解析信息的方法及服务器 | |
CN113326390B (zh) | 基于深度特征一致哈希算法的图像检索方法 | |
Agarwal et al. | Image understanding using decision tree based machine learning | |
Kumar et al. | Content based image retrieval using gray scale weighted average method | |
CN110929746A (zh) | 一种基于深度神经网络的电子卷宗标题定位提取与分类方法 | |
CN103336942A (zh) | 一种基于Radon BEMD变换的国画鉴定方法 | |
CN113312999A (zh) | 一种自然果园场景下的柑橘木虱高精度检测方法及装置 | |
CN104484650A (zh) | 素描人脸识别的方法和装置 | |
CN105912739A (zh) | 一种相似图片检索系统及其方法 | |
Uma et al. | Copy-move forgery detection of digital images using football game optimization | |
CN112070116B (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
CN206897873U (zh) | 一种基于检测产品特性的图像处理与检测系统 | |
CN111553361B (zh) | 一种病理切片标签识别方法 | |
CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
CN116824274A (zh) | 小样本细粒度图像分类方法及系统 | |
CN109299295B (zh) | 蓝印花布图像数据库搜索方法 | |
CN104050486B (zh) | 基于图和Wishart距离的极化SAR图像分类方法 | |
CN109240549A (zh) | 一种基于外接数位设备和大数据智能分析的书法矫正器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140226 |
|
RJ01 | Rejection of invention patent application after publication |