CN105426543A - 基于贝塞尔统计模型的图像检索方法 - Google Patents

基于贝塞尔统计模型的图像检索方法 Download PDF

Info

Publication number
CN105426543A
CN105426543A CN201510996226.6A CN201510996226A CN105426543A CN 105426543 A CN105426543 A CN 105426543A CN 201510996226 A CN201510996226 A CN 201510996226A CN 105426543 A CN105426543 A CN 105426543A
Authority
CN
China
Prior art keywords
image
similarity
frequency sub
bezier
band
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
Application number
CN201510996226.6A
Other languages
English (en)
Inventor
王向阳
李威仪
牛盼盼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Normal University
Original Assignee
Liaoning Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liaoning Normal University filed Critical Liaoning Normal University
Priority to CN201510996226.6A priority Critical patent/CN105426543A/zh
Publication of CN105426543A publication Critical patent/CN105426543A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F16/5838—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 colour

Abstract

本发明公开一种可减少相似度计算时间，提高检索效率的基于贝塞尔统计模型的图像检索方法，按照如下步骤进行：利用非下采样Shearlet剪切波变换对图像进行分解，得到一个低频子带和若干个高频子带；对于每个高频子带利用贝塞尔K分布概率密度函数进行统计建模，估计出形状参数和尺度参数；利用每幅图像所有高频子带对应的

Description

基于贝塞尔统计模型的图像检索方法
技术领域
本发明属于图像处理领域，特征是一种可减少相似度计算时间，提高检索效率的基于贝塞尔统计模型的图像检索方法。
背景技术
以往的图像检索技术沿用了传统文本检索技术(TBIR)，它不考虑图像本身固有的颜色、纹理、形状等内容特征，而是使用关键字来描述及检索图像。存在如下缺陷：对数据库中每一幅图像进行人工标注需要耗费大量的时间和人力；使用关键字难以准确描述内容千差万别图像的内涵；人工选取关键字会包含强烈的主观性，可能造成图像理解上的偏差，直接影响图像的检索效果。为了克服上述缺陷，基于内容的图像检索技术(CBIR)应运而生，该检索技术包含图像视觉特征提取和特征相似度计算两个环节，可有效提高检索的速度和效率，具有更好的客观性和通用性，更适用于大规模图像库的检索。
在图像视觉特征提取过程中，尤其对于含有大量纹理信息的图像，如何准确的表征纹理特征就成为影响检索效果的决定性因素。现有的图像纹理特征提取方法，如傅里叶变换，小波变换，多尺度几何变换等在此方面都各有其局限性，导致相似度计算时间长，影响了检索效率。
发明内容
本发明为了解决现有技术所存在的上述技术问题，提供一种可减少相似度计算时间，提高检索效率的基于贝塞尔统计模型的图像检索方法。
本发明的技术解决方案是：一种基于贝塞尔统计模型的图像检索方法，其特征在于按照如下步骤进行：
步骤1：利用非下采样Shearlet剪切波变换对图像进行分解，得到一个低频子带和若干个高频子带；
步骤2：对于每个高频子带利用贝塞尔K分布概率密度函数进行统计建模，估计出形状参数和尺度参数；
步骤3：利用每幅图像所有高频子带对应的（c,p）的值作为图像特征，以一一对应的方式与原图像形成映射，作为图像特征库以待检索使用；
步骤4：利用欧氏距离作为图像之间相似度的计算方法，计算不同图像之间的相似度，按照相似度从大到小对结果进行排序、输出。
所述步骤1如下：分别对图像库中的每一幅纹理图像进行参数为的非下采样shearlet剪切波变换，即高频子带分解为两个尺度，分别为2n个方向和2m个方向。
所述步骤2如下：
步骤21：定义贝塞尔K分布概率密度函数为如下形式：
其中，表示第二种被修改的第z阶贝塞尔函数，是Gamma函数，和分别表示形状参数和尺度参数，并且有，；
步骤22：对于贝塞尔K分布（BKF）的两个参数估计，分别计算每幅图像的2n+2m个高频子带的形状参数和尺度参数,具体方法为：
其中，和分别表示系数样本的二阶和四阶中心距。
所述步骤3如下：将所得到的共2*(2n+2m)个值做为每幅图像的特征,将每幅图像的特征以一一对应的方式与原图像形成映射，完成图像特征库F i 的建立。
所述步骤4如下：
步骤41：重复步骤1、2，计算待检索图像I q 的特征F q ；
步骤42：采用欧氏距离计算待检索图像I特征F q 与库中图像J特征库中的特征F i 的相似度：为检索图像I和库中图像J之间的距离，f i (I)表示图像I的特征向量第i个分量处的特征值，则两幅图像的欧式距离定义为：
将取倒数作为两幅图像之间的相似度，在取倒数前先加一个系数λ，所述λ=0.001；
步骤43：按照相似度从大到小排列输出，得到检索结果。
本发明使用最新的多尺度多分辨率分析方式---非下采样Shearlet变换提取图片的纹理特征，然后利用贝塞尔K分布概率密度函数能够很好的拟合图像经Shearlet变换后得到的高频子带系数这一特征，使用贝塞尔K分布的参数（c,p）作为图像特征。本发明可以有效的表征图像的纹理特征，提高图像检索的准确率。由于表征图像的特征量少，缩短了相似度的计算时间，大大提高了检索效率。此外，本发明易于实现，图像特征提取过程无需人工标注，避免了繁琐而易错的人工标注过程，增强了图像检索系统的实用性。
具体实施方式
基于贝塞尔统计模型的图像检索方法按照如下步骤进行：
步骤1：利用非下采样Shearlet剪切波变换对图像进行分解，得到一个低频子带和若干个高频子带，即分别对图像库中的每一幅纹理图像进行参数为的非下采样shearlet剪切波变换，即高频子带分解为两个尺度，分别为2n个方向和2m个方向。
步骤2：对于每个高频子带利用贝塞尔K分布概率密度函数进行统计建模，估计出形状参数和尺度参数：
步骤21：定义贝塞尔K分布概率密度函数（probabilitydensityfunction）为如下形式
其中，表示第二种被修改的第z阶贝塞尔函数，是Gamma函数，和分别表示形状参数和尺度参数，并且有，；
步骤22：经拟合验证，图像经Shearlet变换后，高频子带系数的统计分布符合参数为（c,p）的BKF模型；对于贝塞尔K分布（BKF）的两个参数估计，分别计算每幅图像的2n+2m个高频子带的形状参数和尺度参数,具体方法为：
其中，和分别表示系数样本的二阶和四阶中心距。
步骤3：利用每幅图像所有高频子带对应的（c,p）的值作为图像特征，以一一对应的方式与原图像形成映射，作为图像特征库以待检索使用：将所得到的共2*(2n+2m)个值做为每幅图像的特征,将每幅图像的特征以一一对应的方式与原图像形成映射，完成图像特征库F i 的建立。
步骤4：利用欧氏距离作为图像之间相似度的计算方法，计算不同图像之间的相似度，按照相似度从大到小对结果进行排序、输出：
步骤41：重复步骤1、2，计算待检索图像I q 的特征F q ；
步骤42：采用欧氏距离计算待检索图像I特征F q 与库中图像J特征库中的特征F i 的相似度：为检索图像I和库中图像J之间的距离，f i (I)表示图像I的特征向量第i个分量处的特征值，则两幅图像的欧式距离定义为：
将取倒数作为两幅图像之间的相似度，其中，为了避免所查询图像与图像库中的本图像距离为1/0而出现的无意义结果，在取倒数前先加一个无穷小不会引起排序变化的λ，所述λ=0.001，
步骤43：按照相似度从大到小排列输出，得到检索结果。
将本发明实施例与应用基于现有技术—高斯联结的多变量广义高斯分布(GC-MGG)方法的相似度计算时间和每幅图像的特征提取时间的对比：在相同实验环境下，测试共使用四个常用的纹理图像库，其中VisTex图像库共640幅大小为128*128图像；Brodatz图像库共640幅大小为160*160图像；ALOT图像库共4000幅大小为128*128图像；STex图像库共7616幅大小为128*128图像。结果如表1、表2所示，从对比数据可以看到，本发明在时间复杂度上有很大的提高。
表1：相似度计算时间（s）
图像库 VisTex Brodatz ALOT STex
本发明实施例 0.95 0.95 1.27 1.44
GC-MGG 1 1 1.5 2.5
表2：特征提取时间（s）
图像库 EB1 VisTex EB2 Brodatz EB3 ALOT EB3 STex
本方法 0.1 0.15 0.1 0.1
GC-MGG 6 6 6 6

Claims (5)

1.一种基于贝塞尔统计模型的图像检索方法，其特征在于按照如下步骤进行：
步骤1：利用非下采样Shearlet剪切波变换对图像进行分解，得到一个低频子带和若干个高频子带；
步骤2：对于每个高频子带利用贝塞尔K分布概率密度函数进行统计建模，估计出形状参数和尺度参数；
步骤3：利用每幅图像所有高频子带对应的（c,p）的值作为图像特征，以一一对应的方式与原图像形成映射，作为图像特征库以待检索使用；
步骤4：利用欧氏距离作为图像之间相似度的计算方法，计算不同图像之间的相似度，按照相似度从大到小对结果进行排序、输出。
2.根据权利要求1所述的基于贝塞尔统计模型的图像检索方法，其特征在
于所述步骤1如下：分别对图像库中的每一幅纹理图像进行参数为的非下采样shearlet剪切波变换，即高频子带分解为两个尺度，分别为2n个方向和2m个方向。
3.根据权利要求2所述的基于贝塞尔统计模型的图像检索方法，其特征在于所述步骤2如下：
步骤21：定义贝塞尔K分布概率密度函数为如下形式：
其中，表示第二种被修改的第z阶贝塞尔函数，是Gamma函数，和分别表示形状参数和尺度参数，并且有，；
步骤22：对于贝塞尔K分布（BKF）的两个参数估计，分别计算每幅图像的2n+2m个高频子带的形状参数和尺度参数,具体方法为：
其中，和分别表示系数样本的二阶和四阶中心距。
4.根据权利要求3所述的基于贝塞尔统计模型的图像检索方法，其特征在于所述步骤3如下：将所得到的共2*(2n+2m)个值做为每幅图像的特征,将每幅图像的特征以一一对应的方式与原图像形成映射，完成图像特征库F i 的建立。
5.根据权利要求4所述的基于贝塞尔统计模型的图像检索方法，其特征在于所述步骤4如下：
步骤41：重复步骤1、2，计算待检索图像I q 的特征F q ；
步骤42：采用欧氏距离计算待检索图像I特征F q 与库中图像J特征库中的特征F i 的相似度：为检索图像I和库中图像J之间的距离，f i (I)表示图像I的特征向量第i个分量处的特征值，则两幅图像的欧式距离定义为：
将取倒数作为两幅图像之间的相似度，在取倒数前先加一个系数λ，所述λ=0.001；
步骤43：按照相似度从大到小排列输出，得到检索结果。
CN201510996226.6A 2015-12-28 2015-12-28 基于贝塞尔统计模型的图像检索方法 Pending CN105426543A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510996226.6A CN105426543A (zh) 2015-12-28 2015-12-28 基于贝塞尔统计模型的图像检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510996226.6A CN105426543A (zh) 2015-12-28 2015-12-28 基于贝塞尔统计模型的图像检索方法

Publications (1)

Publication Number Publication Date
CN105426543A true CN105426543A (zh) 2016-03-23

Family

ID=55504755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510996226.6A Pending CN105426543A (zh) 2015-12-28 2015-12-28 基于贝塞尔统计模型的图像检索方法

Country Status (1)

Country Link
CN (1) CN105426543A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682157A (zh) * 2016-12-24 2017-05-17 辽宁师范大学 基于韦伯分布参数的图像检索方法
CN106815314A (zh) * 2016-12-22 2017-06-09 辽宁师范大学 基于幅值相位混合建模的图像检索方法
CN108090914A (zh) * 2017-12-18 2018-05-29 辽宁师范大学 基于统计建模与像素分类的彩色图像分割方法
CN108446599A (zh) * 2018-02-27 2018-08-24 首都师范大学 一种p值统计量建模独立性的高光谱图像波段快速选择方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100074523A1 (en) * 2008-09-12 2010-03-25 Nikon Corporation Image classification apparatus
CN103620647A (zh) * 2011-07-08 2014-03-05 株式会社尼康 图像分类方法
CN104574298A (zh) * 2014-12-25 2015-04-29 天津大学 一种基于互信息的多b值扩散权重图像的降噪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100074523A1 (en) * 2008-09-12 2010-03-25 Nikon Corporation Image classification apparatus
CN103620647A (zh) * 2011-07-08 2014-03-05 株式会社尼康 图像分类方法
CN104574298A (zh) * 2014-12-25 2015-04-29 天津大学 一种基于互信息的多b值扩散权重图像的降噪方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZI-PING MA 等: "A Study of Bessel Fourier Moments Invariant for Image Retrieval and Classification", 《INTERNATIONAL CONFERENCE ON IMAGE ANALYSIS & SIGNAL PROCESSING》 *
王爱龙: "鲁棒型数字图像水印技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
陶金金 等: "基于重叠矩形图像表示方法的贝塞尔－傅里叶矩快速计算", 《软件导刊》 *
马自萍 等: "贝塞尔-傅里叶矩在图像检索中的应用研究", 《计算机工程》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815314A (zh) * 2016-12-22 2017-06-09 辽宁师范大学 基于幅值相位混合建模的图像检索方法
CN106682157A (zh) * 2016-12-24 2017-05-17 辽宁师范大学 基于韦伯分布参数的图像检索方法
CN108090914A (zh) * 2017-12-18 2018-05-29 辽宁师范大学 基于统计建模与像素分类的彩色图像分割方法
CN108090914B (zh) * 2017-12-18 2021-11-19 辽宁师范大学 基于统计建模与像素分类的彩色图像分割方法
CN108446599A (zh) * 2018-02-27 2018-08-24 首都师范大学 一种p值统计量建模独立性的高光谱图像波段快速选择方法
CN108446599B (zh) * 2018-02-27 2021-11-05 首都师范大学 一种p值统计量建模独立性的高光谱图像波段快速选择方法

Similar Documents

Publication Publication Date Title
CN101692224B (zh) 融合空间关系语义的高分辨率遥感图像检索方法
CN105468677A (zh) 一种基于图结构的日志聚类方法
CN105426543A (zh) 基于贝塞尔统计模型的图像检索方法
Singh et al. A novel approach for content based image retrieval
CN103345760B (zh) 一种医学图像对象形状模板标记点的自动生成方法
CN103309982B (zh) 一种基于视觉显著点特征的遥感影像检索方法
CN111414954B (zh) 一种岩石图像检索方法及其系统
CN104484425A (zh) 基于多特征的彩色图像检索方法
CN115984850A (zh) 基于改进Deeplabv3+的轻量级遥感影像语义分割方法
CN105608690A (zh) 一种基于图论和半监督学习相结合的图像分割方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN104484432A (zh) 基于四元数指数矩的彩色图像检索方法
Zhu et al. Change detection based on the combination of improved SegNet neural network and morphology
CN106897722A (zh) 一种基于区域形状特征的商标图像检索方法
CN105574265B (zh) 面向模型检索的装配体模型定量描述方法
CN107680081B (zh) 基于卷积神经网络的高光谱图像解混方法
CN102609721B (zh) 遥感影像的聚类方法
Zhao et al. Image network teaching resource retrieval algorithm based on deep hash algorithm
CN105631001A (zh) 基于多特征融合的hsv空间图像检索的彩色图像检索方法
CN111325158B (zh) 一种基于cnn和rfc的集成学习的极化sar图像分类方法
CN104331711A (zh) 基于多尺度模糊测度与半监督学习的sar图像识别方法
CN105608470A (zh) 基于韦伯分布统计模型的图像检索方法
Wei et al. L2-norm prototypical networks for tackling the data shift problem in scene classification
CN111882554A (zh) 一种基于SK-YOLOv3的电力线故障智能检测方法
CN109101905A (zh) 基于深度卷积神经网络的sar图像地物分类识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20160323