CN105930459A - 一种有效的基于内容的人体皮肤图像分类检索方法 - Google Patents
一种有效的基于内容的人体皮肤图像分类检索方法 Download PDFInfo
- Publication number
- CN105930459A CN105930459A CN201610254688.5A CN201610254688A CN105930459A CN 105930459 A CN105930459 A CN 105930459A CN 201610254688 A CN201610254688 A CN 201610254688A CN 105930459 A CN105930459 A CN 105930459A
- Authority
- CN
- China
- Prior art keywords
- picture
- image
- human body
- characteristic vector
- body skin
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/13—Sensors therefor
- G06V40/1306—Sensors therefor non-optical, e.g. ultrasonic or capacitive sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种有效的基于内容的人体皮肤图像分类检索方法,属于基于内容的图像分类检索技术领域。该方法包括以下步骤:S1:采用基于电容的Fingerprint Sensor对人体皮肤图片进行采集;S2:将采集到的人体皮肤图片运用2D Gabor小波算法进行分类检索,通过对图片多频道多分辨率的分析,提取图片的特征向量,然后通过对数据库中图片之间特征向量相似度的比较,最终完成图片的分类检索。本发明提供的方法对基于内容的图像分类检索技术领域,特别是人体皮肤分类检索领域提供了很好的技术支持,具有广阔的应用前景。
Description
技术领域
本发明属于基于内容的图像分类检索技术领域,涉及一种有效的基于内容的人体皮肤图像分类检索方法。
背景技术
21世纪的人类社会进入了一个信息大爆炸的数字化时代,通过互联网,人们可以交流,获取各种信息,促进了全球的进步。同时,各种信息的载体层出不穷,以图片视频为代表的多媒体数据信息数量正随着计算机的发展以惊人的速度增长,曾经有报道说人类已经进入了读图时代。然而蕴藏着人们需要的有用信息的图像浩如烟海,并且杂乱无章的分布在世界的每个角落,所以存在的问题就是有用的信息很难被人们所访问获取。在此背景下,迫切需要对数量庞大内容复杂的图像数据进行有效且准确无误地分类与检索,所以图像检索(ImageRetrieval)技术应运而生。首先被运用的传统的图像检索技术是基于文本的图像检索,但是它的缺点是,不但不利于图像的准确检索,也不利于图像数据的管理分类。为了克服上述技术的问题,一种新的检索技术被提了出来:基于内容的图像检索,它以表示图像的直接特征颜色、形状和纹理等作为检索的索引,采用特征提取和建立索引,其实质是一种相似查询的技术,并且整个过程是一种逐渐近似以及反馈的过程,所以内容的图像检索系统更加的客观以及高效。
皮肤是人体重要的器官之一,它如同人体的屏障,它包含很多重要功能。皮肤图像在许多研究领域都扮演着重要的作用,例如:皮肤病学、临床分析、药理学、美容学等。随着大量皮肤图片的迅速增加,建立一种有效的基于内容的人体皮肤图像分类检索方法,就变得越来越重要和紧迫。
目前已存在的基于内容的人体皮肤图像分类检索方法主要存在两个问题,第一个问题在于人体皮肤图像的获取,在目前的研究中,有很多普遍用于采集获取人体皮肤图像的方法,例如:标准的数码相机,Dermilte Dermoscopy和Proscope HR,虽然它们可以采集到人体表面的皮肤图像,但是在表现精度和准确度上存在问题;第二个问题在于,具体运用的检索图像的算法。目前用于检索图像的算法,最常见的是灰度共生矩阵算法和Tamura纹理特征算法,但是它们存在一个问题,就是针对那些图像中的主体物体很突出,占据图像很大面积的图片检索效果还可以,也就是说它们对图像的整体检索效果比较好,但是人体皮肤成功检索的关键在于细节,因为人体皮肤不同部位的纹理会呈现不同特点,这是局部细节的细微差别,所以这两种算法对基于内容的图片检索图像中的主体物体很突出的图片检索结果还令人满意,但是对类似于人体皮肤图像这种在细节,细微处体现区别的图像,则不太适合。
发明内容
有鉴于此,本发明的目的在于提供一种有效的基于内容的人体皮肤图像分类检索方法,该方法首先采用Fingerprint sensor作为采集皮肤图像的工具进行采集,在检索的算法环节,采用2D Gabor小波算法,通过多频道多分辨率的分析,能够得到很好体现图像局部区域细节信息的纹理特征。
为达到上述目的,本发明提供如下技术方案:
一种有效的基于内容的人体皮肤图像分类检索方法,该方法包括以下步骤:
S1:采用基于电容的Fingerprint Sensor(指纹传感器)对人体皮肤图片进行采集;
S2:将采集到的人体皮肤图片运用2D Gabor小波算法进行分类检索,通过对图片多频道多分辨率的分析,提取图片的特征向量,然后通过对数据库中图片之间特征向量相似度的比较,最终完成图片的分类检索。
进一步,在步骤S1中,使用Fingerprint Sensor来采集图片,所述Fingerprint Sensor具备256×300个像素矩阵,每个像素的每空间分辨率为50微米;其总共测量范围区域为12.8×15微米;每一个像素本质上都是一个电容感应器,电容传感器主要生成一个皮肤表面的电容图像,在每一幅图像中,每一个像素都可以由0-255的8位灰度值表示,对于所有的测量来说它的测量持续时间都被限制在5s。
进一步,步骤S2具体包括:首先把2D Gabor小波滤波器和数据库中所有的图像进行卷积得到每幅图的特征向量,然后把图像的特征向量作为向量空间,然后在图片库中选取一张作为目标图像,通过把目标图像用2D Gabor小波滤波器提取的特征向量与特征向量空间中所有的特征向量进行相似度比较,找到与目标图像最相似的前三位图像。
进一步,在步骤S2中,相似度度量采用欧式距离。
本发明的有益效果在于:本发明首先采用Fingerprint sensor作为采集图像的工具,Fingerprint sensor可以十分准确的采集到人体不同部位的图片,由于采集的过程直接接触到人体皮肤表面,所以得到的图像可以很准确的体现人体皮肤纹理的信息,为后续的检索提供很好的基础,同时采集的过程也方便简洁,快速,且无创伤性。在检索的算法选用环节,本发明采用的是2D Gabor小波算法,这种算法通过对图片多频道多分辨率的分析,提取出图片的特征向量,然后通过对数据库中图片之间特征向量相似度的比较,最终完成图片的分类检索。这种方法对基于内容的图像分类检索技术领域,特别是人体皮肤分类检索领域提供了很好的技术支持。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明所述方法的流程示意图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
图1为本发明所述方法的流程示意图,如图所示,本发明提供的方法包括以下步骤:S1:采用基于电容的Fingerprint Sensor(指纹传感器)对人体皮肤图片进行采集:S2:将采集到的人体皮肤图片运用2D Gabor小波算法进行分类检索,通过对图片多频道多分辨率的分析,提取图片的特征向量,然后通过对数据库中图片之间特征向量相似度的比较,最终完成图片的分类检索。
具体来说:
一、人体皮肤图片采集
本发明的一个十分重要的创新之处在于使用Fingerprint Sensor来采集图片。Fingerprint Sensor具备256×300个像素矩阵,每个像素的每空间分辨率为50微米。它的总共测量范围区域是12.8×15微米。每一个像素本质上都是一个电容感应器。电容传感器主要生成一个皮肤表面的电容图像,在每一幅图像中,每一个像素都可以由0-255的8位灰度值表示,对于所有的测量来说它的测量持续时间都被限制在5s.Fingerprint sensor可以十分准确的采集到人体不同部位的图片,由于采集的过程直接接触到人体皮肤表面,所以得到的图像可以很准确的体现人体皮肤纹理的信息,为后续的检索提供很好的基础,同时采集的过程也方便简洁,快速,且无创伤性。
二、图片分类检索
在本实施例中,为了更好的检验方法的有效性,组成数据库的图片不仅有人体皮肤的图像,还有人脸图片,皮肤癌的图片和皮肤病的图片,一共4个不同种类,共56幅。
在本实施例中,2D Gabor小波在6个尺度和4个方向上对图片提取特征向量,即对图像的特征向量的提取由4×6=24个滤波器进行,之所以只选用24个滤波器进行实验,是为了在保证准确率的同时,减少程序运行的时间,快速的识别和选取目标图像。当然适当地增加方向和尺度的大小,即增加滤波器的数量可增加实验的准确度,但是综合考虑,本发明采用了6个尺度和4个方向。另外,关于最高,最低中心频率的选取,根据奈奎斯特采样定理得知图像特性的频率应该是0-0.5之间,但是人的眼睛反应图像特性的频率范围是0.05-0.4,所以Ui和Uh分别取0.05和0.4。
具体进行检索时,首先把2D Gabor小波滤波器和图片库中所有的图像进行卷积得到每幅图的特征向量,然后把56幅图像的特征向量作为向量空间,然后在图片库中选取一张作为目标图像,通过把目标图像用2D Gabor小波滤波器提取的特征向量与特征向量空间中所有的特征向量进行相似度比较,找到与目标图像最相似的前三位图像。本发明的相似度度量采用欧式距离。通过试验验证,本方法对于皮肤图像的识别能够取得很好的效果。最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (4)
1.一种有效的基于内容的人体皮肤图像分类检索方法,其特征在于:该方法包括以下步骤:
S1:采用基于电容的Fingerprint Sensor对人体皮肤图片进行采集;
S2:将采集到的人体皮肤图片运用2D Gabor小波算法进行分类检索,通过对图片多频道多分辨率的分析,提取图片的特征向量,然后通过对数据库中图片之间特征向量相似度的比较,最终完成图片的分类检索。
2.根据权利要求1所述的一种有效的基于内容的人体皮肤图像分类检索方法,其特征在于:在步骤S1中,使用Fingerprint Sensor来采集图片,所述Fingerprint Sensor具备256×300个像素矩阵,每个像素的每空间分辨率为50微米;其总共测量范围区域为12.8×15微米;每一个像素本质上都是一个电容感应器,电容传感器主要生成一个皮肤表面的电容图像,在每一幅图像中,每一个像素都可以由0-255的8位灰度值表示,对于所有的测量来说它的测量持续时间都被限制在5s。
3.根据权利要求1所述的一种有效的基于内容的人体皮肤图像分类检索方法,其特征在于:步骤S2具体包括:首先把2D Gabor小波滤波器和数据库中所有的图像进行卷积得到每幅图的特征向量,然后把图像的特征向量作为向量空间,然后在图片库中选取一张作为目标图像,通过把目标图像用2D Gabor小波滤波器提取的特征向量与特征向量空间中所有的特征向量进行相似度比较,找到与目标图像最相似的前三位图像。
4.根据权利要求3所述的一种有效的基于内容的人体皮肤图像分类检索方法,其特征在于:在步骤S2中,相似度度量采用欧式距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610254688.5A CN105930459B (zh) | 2016-04-21 | 2016-04-21 | 一种有效的基于内容的人体皮肤图像分类检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610254688.5A CN105930459B (zh) | 2016-04-21 | 2016-04-21 | 一种有效的基于内容的人体皮肤图像分类检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105930459A true CN105930459A (zh) | 2016-09-07 |
CN105930459B CN105930459B (zh) | 2019-04-02 |
Family
ID=56838710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610254688.5A Expired - Fee Related CN105930459B (zh) | 2016-04-21 | 2016-04-21 | 一种有效的基于内容的人体皮肤图像分类检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105930459B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230413A (zh) * | 2018-01-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像描述方法和装置、电子设备、计算机存储介质、程序 |
CN109766471A (zh) * | 2019-01-23 | 2019-05-17 | 中国科学院苏州生物医学工程技术研究所 | 皮肤病图像检索方法及系统、存储介质、电子设备 |
CN109820490A (zh) * | 2018-09-04 | 2019-05-31 | 宓保宏 | 一种基于红外热成像技术的区域对称度客观评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231695A (zh) * | 2008-01-19 | 2008-07-30 | 电子科技大学中山学院 | 一种基于多分辨率分析的虹膜识别方法 |
CN101364263A (zh) * | 2008-09-28 | 2009-02-11 | 腾讯科技(深圳)有限公司 | 对图像进行皮肤纹理检测的方法及系统 |
US20130101212A1 (en) * | 2011-10-25 | 2013-04-25 | Microsoft Corporation | Automatic Sharpening of Images |
CN104881680A (zh) * | 2015-05-25 | 2015-09-02 | 电子科技大学 | 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法 |
-
2016
- 2016-04-21 CN CN201610254688.5A patent/CN105930459B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231695A (zh) * | 2008-01-19 | 2008-07-30 | 电子科技大学中山学院 | 一种基于多分辨率分析的虹膜识别方法 |
CN101364263A (zh) * | 2008-09-28 | 2009-02-11 | 腾讯科技(深圳)有限公司 | 对图像进行皮肤纹理检测的方法及系统 |
US20130101212A1 (en) * | 2011-10-25 | 2013-04-25 | Microsoft Corporation | Automatic Sharpening of Images |
CN104881680A (zh) * | 2015-05-25 | 2015-09-02 | 电子科技大学 | 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230413A (zh) * | 2018-01-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像描述方法和装置、电子设备、计算机存储介质、程序 |
CN108230413B (zh) * | 2018-01-23 | 2021-07-06 | 北京市商汤科技开发有限公司 | 图像描述方法和装置、电子设备、计算机存储介质 |
CN109820490A (zh) * | 2018-09-04 | 2019-05-31 | 宓保宏 | 一种基于红外热成像技术的区域对称度客观评价方法 |
CN109766471A (zh) * | 2019-01-23 | 2019-05-17 | 中国科学院苏州生物医学工程技术研究所 | 皮肤病图像检索方法及系统、存储介质、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105930459B (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yao et al. | Sparsity-enhanced convolutional decomposition: A novel tensor-based paradigm for blind hyperspectral unmixing | |
WO2018045626A1 (zh) | 基于超像素级信息融合的高光谱图像的分类方法及系统 | |
Feng et al. | Attention-driven salient edge (s) and region (s) extraction with application to CBIR | |
Kumar et al. | Comparative study on CBIR based by color histogram, Gabor and wavelet transform | |
Nam et al. | A similarity-based leaf image retrieval scheme: Joining shape and venation features | |
JP2002203246A (ja) | 画像オブジェクトのランク付け | |
Madugunki et al. | Comparison of different CBIR techniques | |
CN105740378B (zh) | 一种数字病理全切片图像检索方法 | |
EP3422217A1 (en) | Retrieving system, retrieving method, and security inspection device based on contents of fluoroscopic images | |
Wang et al. | Image retrieval based on exponent moments descriptor and localized angular phase histogram | |
CN109934258A (zh) | 特征加权和区域整合的图像检索方法 | |
CN105930459A (zh) | 一种有效的基于内容的人体皮肤图像分类检索方法 | |
CN103745223B (zh) | 一种人脸检测方法及装置 | |
Ma et al. | Multiscale 2-D singular spectrum analysis and principal component analysis for spatial–spectral noise-robust feature extraction and classification of hyperspectral images | |
Alnihoud | Content-based image retrieval system based on self organizing map, fuzzy color histogram and subtractive fuzzy clustering. | |
Devulapalli et al. | Remote sensing image retrieval by integrating automated deep feature extraction and handcrafted features using curvelet transform | |
CN109934852B (zh) | 一种基于对象属性关系图的视频描述方法 | |
Suresh et al. | Optimization and Deep Learning–Based Content Retrieval, Indexing, and Metric Learning Approach for Medical Images | |
Dumitru et al. | Selection of relevant features and TerraSAR-X products for classification of high resolution SAR images | |
Wadhai et al. | Techniques of content based image retrieval: a review | |
Gupta et al. | Combination of local, global and k-mean using wavelet transform for content base image retrieval | |
CN106952251B (zh) | 一种基于吸附模型的图像显著性检测方法 | |
Thepade et al. | Improvisation of content based image retrieval using color edge detection with various gradient filters and slope magnitude method | |
Vig et al. | Saliency-based selection of sparse descriptors for action recognition | |
Li et al. | A local potential-based clustering algorithm for unsupervised hyperspectral band selection |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190402 Termination date: 20200421 |