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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2015
- 2015-12-28 CN CN201510996226.6A patent/CN105426543A/zh active Pending
Patent Citations (3)
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)
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)
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 |