CN106815314A - 基于幅值相位混合建模的图像检索方法 - Google Patents
基于幅值相位混合建模的图像检索方法 Download PDFInfo
- Publication number
- CN106815314A CN106815314A CN201611199740.8A CN201611199740A CN106815314A CN 106815314 A CN106815314 A CN 106815314A CN 201611199740 A CN201611199740 A CN 201611199740A CN 106815314 A CN106815314 A CN 106815314A
- Authority
- CN
- China
- Prior art keywords
- image
- parameter
- retrieved
- amplitude
- carried out
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/14—Classification; Matching by matching peak patterns
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
本发明公开了一种基于幅值相位混合建模的图像检索方法,首先对纹理图像进行PDTDFB变换,对变换得到的高频子带的虚部和实部分别进行幅值计算、相对相位计算;其次,应用Weibull分布函数对幅值进行统计模型建模,得到形状参数和尺度参数;应用Vonn分布函数对相对相位进行统计模型建模,得到位置参数和尺度参数,最后,利用、、和作为图像特征,应用于图像检索。实验结果表明,本发明的方法由于以参数、、和作为每幅图像的特征,有效降低了特征的维度,缩减了相似度计算所分配的时间,具有较高的平均检索率和较低的时间复杂度。
Description
技术领域
本发明涉及基于内容的图像检索方法,特别涉及一种可有效降低特征的维度,缩减了相似度计算所分配的时间,具有较高的平均检索查准率和较低的时间复杂度的基于幅值相位混合建模的图像检索方法。
背景技术
在信息技术爆炸的今天,互联网文化已经渗透到人们日常生活中,图片信息及多媒体技术的应用促使人们急需优秀的算法与技术来筛选所需信息,因此,如何更加高效并且精准地检索和分类大量的数字图像源是大家共同关注的热点问题,而基于内容的图像检索技术(CBIR)是解决问题的有效技术之一。
CBIR相比较传统的基于文本的图像检索技术(TBIR),优势在于把图像的颜色信息、轮廓纹理信息等视觉感官特征以最优的算法对其进行抽离和变换,通过计算来表征图像,进而对同类图像进行特征匹配和查找,其中特征提取和匹配环节可由软件设备取代人工注释,因此排除了语义的歧义性并减少了工作量,真正意义上实现了人工智能技术在图像检索领域的应用。目前,虽然基于颜色和轮廓纹理信息的图像检索方法已有许多,但轮廓纹理特征分类尚存在诸多难点,使得平均检索率较低、时间复杂度较高,且仅采用单一方法难以实现对所有轮廓纹理特征进行分类。
发明内容
本发明是为了解决现有技术所存在的上述技术问题,提供一种可有效降低特征的维度,缩减了相似度计算所分配的时间,具有较高的平均检索查准率和较低的时间复杂度的基于幅值相位混合建模的图像检索方法。
本发明的技术解决方案是:一种基于幅值相位混合建模的图像检索方法,其特征在于按如下步骤进行:
约定:L指通过PDTDFB滤波器得到的低频子带、H代表高频子带;表示复子带系数;a为的实部子带、b为虚部子带;i为虚数单位;和为Weibull分布概率密度函数的形状参数和尺度参数;和为Vonn分布概率密度函数的位置参数和尺度参数;r表示幅值;P指概率密度函数;f为最大似然法超越方程函数;为相对相位;W为幅值纹理库;V为相对相位纹理库;I指待检索图像;J指图像库中图像;为I和J之间的欧式距离;为图像I的特征向量在第i个分量处的特征值;
a. 初始设置
获取检索图像库中的图像J并初始化变量;
b. 高频子带获取
对图像J进行PDTDFB变换,得到1个L和若干个H,设置分解参数为 [2 3],即H分解为两个尺度,分别为4个方向和8个方向,每幅图像共得到12个H,每个H包含2个矩阵大小相同的a和b,用表示;
c. 系数幅值Weibull建模
c.1 根据下式对每个H的a和b进行r计算,得到12个幅值子带系数:
c.2 对每幅图像H的12个幅值子带系数采用Weibulll分布概率密度函数进行统计建模,其概率密度函数P可定义为:
;
其中:;
c.3 根据下式计算Weibull分布的形状参数和尺度参数,设给定Weibull分布随机样本为,并假定样本是独立分布的,则有
;
c.4 将得到的Weibull分布的形状参数和尺度参数作为每一幅图像J的特征向量,存入图像幅值纹理库W以待检索使用;
d. 系数相对相位Vonn建模
d.1 根据下式对每个H的a和b进行计算,得到12个相对相位子带系数:
;
d.2 对每幅图像H的12个相对相位子带系数采用Vonn分布概率密度函数进行统计建模,其概率密度函数P可定义为:
;
d.3 应用最大似然法,根据下式估算Vonn分布的位置参数和尺度参数:
;
d.4 将得到的Vonn分布的位置参数和尺度参数作为每一幅图像J的特征向量,存入图像相位纹理库V以待检索使用;
e. 待检索图像处理操作
e.1 输入待检索图像I,对I进行PDTDFB分解,得到1个L和若干个H,设置分解参数为 [23],即H分解为两个尺度,分别为4个方向和8个方向,每幅图像共得到12个H,每个H包含2个矩阵大小相同的a和b;
e.2 重复步骤c,对待检索的图像I高频子带的12个幅值子带系数采用Weibulll分布进行建模,计算其形状参数和尺度参数,得到待检索的图像I的特征向量;
e.3 重复步骤d,对待检索的图像I高频子带的12个相对相位子带系数采用vonn分布进行建模,计算其位置参数和尺度参数,得到待检索的图像I的特征向量;
f. 相似度计算
定义为待检索图像I与图像库图像J之间的欧式距离,表示图像I的特征向量在第i个分量处的特征值,表示图像J的特征向量在第i个分量处的特征值:
g. 重复进行e~f步骤,直到将待检索图像I和图像库图像J全部匹配结束。
本发明首先对纹理图像进行PDTDFB变换,对变换得到的高频子带的虚部和实部分别进行幅值计算、相对相位计算;其次,应用Weibull分布函数对幅值进行统计模型建模,得到形状参数和尺度参数;应用Vonn分布函数对相对相位进行统计模型建模,得到位置参数和尺度参数,最后,利用、、 和作为图像特征,应用于图像检索。实验结果表明,本发明由于以参数、、 和作为每幅图像的特征,有效降低了特征的维度,缩减了相似度计算所分配的时间,具有较高的平均检索查准率和较低的时间复杂度。
与现有技术相比,本发明具有以下有益效果:
第一,提出一种结合滤波器选择幅值和相对相位的概率密度函数统计模型的纹理图像检索方法,通过把复方向子带幅值系数和Weibull分布结合、复方向子带相对相位系数和Vonn分布结合进行统计建模,有效地提高了纹理图像的平均检索查准率;
第二,所设计的滤波器能够较好地刻画Corel彩色图像库中图像的纹理特征,且平均检索率与抽样检索样本数成正比;
第三,以参数、、 和作为每幅图像的特征,能有效降低图像特征维度,减少相似度计算时间;
第四,采用多种统计模型混合建模的方式,可规避传统单一方法对图像纹理信息的遗漏,从而达到全面精准地刻画和表征图像特征。
附图说明
图1为本发明实施例幅值PDF拟合结果图。
图2为本发明实施例相对相位PDF拟合结果图。
图3为本发明实施例纹理图像库检索结果图。
图4为本发明实施例颜色图像库检索结果图。
图5为本发明实施例与对比文献检索方法的纹理图像库查准率比较分析图。
图6为本发明实施例与对比文献检索方法的彩色图像库查准率比较分析图。
图7为本发明实施例的流程图。
具体实施方式
如图7所示:本发明的方法共包括五个阶段:图像PDTDFB变换高频子带获取、系数幅值Weibull建模、系数相对相位Vonn建模、待检索图像处理操作和相似度计算。
约定:L指通过PDTDFB滤波器得到的低频子带、H代表高频子带;表示复子带系数;a为的实部子带、b为虚部子带;i为虚数单位;和为Weibull分布概率密度函数的形状参数和尺度参数;和为Vonn分布概率密度函数的位置参数和尺度参数;r表示幅值;P指概率密度函数;f为最大似然法超越方程函数;为相对相位;W为幅值纹理库;V为相对相位纹理库;I指待检索图像;J指图像库中图像;为I和J之间的欧式距离;为图像I的特征向量在第i个分量处的特征值;
a. 初始设置
获取检索图像库中的图像J并初始化变量;
b. 高频子带获取
对图像J进行PDTDFB变换,得到1个L和若干个H,设置分解参数为 [2 3],即H分解为两个尺度,分别为4个方向和8个方向,每幅图像共得到12个H,每个H包含2个矩阵大小相同的a和b,用表示;
c. 系数幅值Weibull建模
c.1 根据下式对每个H的a和b进行r计算,得到12个幅值子带系数:
c.2 对每幅图像H的12个幅值子带系数采用Weibulll分布概率密度函数进行统计建模,其概率密度函数P可定义为:
;
其中:;
c.3 根据下式计算Weibull分布的形状参数和尺度参数,设给定Weibull分布随机样本为,并假定样本是独立分布的,则有
;
c.4 将得到的Weibull分布的形状参数和尺度参数作为每一幅图像J的特征向量,存入图像幅值纹理库W以待检索使用;
d. 系数相对相位Vonn建模
d.1 根据下式对每个H的a和b进行计算,得到12个相对相位子带系数:
;
d.2 对每幅图像H的12个相对相位子带系数采用Vonn分布概率密度函数进行统计建模,其概率密度函数P可定义为:
;
d.3 应用最大似然法,根据下式估算Vonn分布的位置参数和尺度参数:
;
d.4 将得到的Vonn分布的位置参数和尺度参数作为每一幅图像J的特征向量,存入图像相位纹理库V以待检索使用;
e. 待检索图像处理操作
e.1 输入待检索图像I,对I进行PDTDFB分解,得到1个L和若干个H,设置分解参数为 [23],即H分解为两个尺度,分别为4个方向和8个方向,每幅图像共得到12个H,每个H包含2个矩阵大小相同的a和b;
e.2 重复步骤c,对待检索的图像I高频子带的12个幅值子带系数采用Weibulll分布进行建模,计算其形状参数和尺度参数,得到待检索的图像I的特征向量;
e.3 重复步骤d,对待检索的图像I高频子带的12个相对相位子带系数采用vonn分布进行建模,计算其位置参数和尺度参数,得到待检索的图像I的特征向量;
f. 相似度计算
定义为待检索图像I与图像库图像J之间的欧式距离,表示图像I的特征向量在第i个分量处的特征值,表示图像J的特征向量在第i个分量处的特征值:
g. 重复进行e~f步骤,直到将待检索图像I和图像库图像J全部匹配结束。
实验测试和参数设置:
实验是在Matlab R2011a环境下执行的,实验所涉及到的图像来自VisTex、Brodatz、Alotsplit、STex纹理图像库和Corel彩色图像库,图像尺寸不一,从、最小128×128像素,最大达到3000×2400像素,本发明设计使得程序可对任意尺寸的图像进行处理。本发明实施例幅值PDF拟合结果图如图2所示;为本发明实施例相对相位PDF拟合结果如图3所示;本发明实施例纹理图像库检索结果图如图4所示;本发明实施例颜色图像库检索结果图如图5所示;本发明实施例与对比文献检索方法的纹理图像库查准率比较分析图如图6所示;本发明实施例与对比文献检索方法的彩色图像库查准率比较分析图如图7所示。
实验结果表明,本发明的方法由于以参数、、和作为每幅图像的特征,有效降低了特征的维度,缩减了相似度计算所分配的时间,具有较高的平均检索率和较低的时间复杂度。
Claims (1)
1.一种基于幅值相位混合建模的图像检索方法,其特征在于按照如下步骤进行:
约定:L指通过PDTDFB滤波器得到的低频子带、H代表高频子带;表示复子带系数;a为的实部子带、b为虚部子带;i为虚数单位;和为Weibull分布概率密度函数的形状参数和尺度参数;和为Vonn分布概率密度函数的位置参数和尺度参数;r表示幅值;P指概率密度函数;f为最大似然法超越方程函数;为相对相位;W为幅值纹理库;V为相对相位纹理库;I指待检索图像;J指图像库中图像;为I和J之间的欧式距离;为图像I的特征向量在第i个分量处的特征值;
a. 初始设置
获取检索图像库中的图像J并初始化变量;
b. 高频子带获取
对图像J进行PDTDFB变换,得到1个L和若干个H,设置分解参数为 [2 3],即H分解为两个尺度,分别为4个方向和8个方向,每幅图像共得到12个H,每个H包含2个矩阵大小相同的a和b,用表示;
c. 系数幅值Weibull建模
c.1 根据下式对每个H的a和b进行r计算,得到12个幅值子带系数:
;
c.2 对每幅图像H的12个幅值子带系数采用Weibulll分布概率密度函数进行统计建模,其概率密度函数P可定义为:
;
其中:;
c.3 根据下式计算Weibull分布的形状参数和尺度参数,设给定Weibull分布随机样本为,并假定样本是独立分布的,则有
;
c.4 将得到的Weibull分布的形状参数和尺度参数作为每一幅图像J的特征向量,存入图像幅值纹理库W以待检索使用;
d. 系数相对相位Vonn建模
d.1 根据下式对每个H的a和b进行计算,得到12个相对相位子带系数:
;
d.2 对每幅图像H的12个相对相位子带系数采用Vonn分布概率密度函数进行统计建模,其概率密度函数P可定义为:
;
d.3 应用最大似然法,根据下式估算Vonn分布的位置参数和尺度参数:
;
d.4 将得到的Vonn分布的位置参数和尺度参数作为每一幅图像J的特征向量,存入图像相位纹理库V以待检索使用;
e. 待检索图像处理操作
e.1 输入待检索图像I,对I进行PDTDFB分解,得到1个L和若干个H,设置分解参数为 [23],即H分解为两个尺度,分别为4个方向和8个方向,每幅图像共得到12个H,每个H包含2个矩阵大小相同的a和b;
e.2 重复步骤c,对待检索的图像I高频子带的12个幅值子带系数采用Weibulll分布进行建模,计算其形状参数和尺度参数,得到待检索的图像I的特征向量;
e.3 重复步骤d,对待检索的图像I高频子带的12个相对相位子带系数采用vonn分布进行建模,计算其位置参数和尺度参数,得到待检索的图像I的特征向量;
f. 相似度计算
定义为待检索图像I与图像库图像J之间的欧式距离,表示图像I的特征向量在第i个分量处的特征值,表示图像J的特征向量在第i个分量处的特征值:
g. 重复进行e~f步骤,直到将待检索图像I和图像库图像J全部匹配结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611199740.8A CN106815314A (zh) | 2016-12-22 | 2016-12-22 | 基于幅值相位混合建模的图像检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611199740.8A CN106815314A (zh) | 2016-12-22 | 2016-12-22 | 基于幅值相位混合建模的图像检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106815314A true CN106815314A (zh) | 2017-06-09 |
Family
ID=59109618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611199740.8A Pending CN106815314A (zh) | 2016-12-22 | 2016-12-22 | 基于幅值相位混合建模的图像检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106815314A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945097A (zh) * | 2017-12-18 | 2018-04-20 | 辽宁师范大学 | 基于联合统计模型校正的鲁棒图像水印方法 |
CN108108427A (zh) * | 2017-12-18 | 2018-06-01 | 辽宁师范大学 | 基于混合统计建模的纹理图像检索方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1074953A3 (en) * | 1999-08-06 | 2003-12-03 | Canon Kabushiki Kaisha | Image retrieval apparatus and method |
CN105426543A (zh) * | 2015-12-28 | 2016-03-23 | 辽宁师范大学 | 基于贝塞尔统计模型的图像检索方法 |
CN105608470A (zh) * | 2015-12-28 | 2016-05-25 | 辽宁师范大学 | 基于韦伯分布统计模型的图像检索方法 |
-
2016
- 2016-12-22 CN CN201611199740.8A patent/CN106815314A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1074953A3 (en) * | 1999-08-06 | 2003-12-03 | Canon Kabushiki Kaisha | Image retrieval apparatus and method |
CN105426543A (zh) * | 2015-12-28 | 2016-03-23 | 辽宁师范大学 | 基于贝塞尔统计模型的图像检索方法 |
CN105608470A (zh) * | 2015-12-28 | 2016-05-25 | 辽宁师范大学 | 基于韦伯分布统计模型的图像检索方法 |
Non-Patent Citations (2)
Title |
---|
曲怀敬: "基于PDTDFB域混合建模的纹理图像检索", 《计算机辅助设计与图形学学报》 * |
李文龙: "光照不变性特征在图像检索与识别中的应用研究", 《万方数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945097A (zh) * | 2017-12-18 | 2018-04-20 | 辽宁师范大学 | 基于联合统计模型校正的鲁棒图像水印方法 |
CN108108427A (zh) * | 2017-12-18 | 2018-06-01 | 辽宁师范大学 | 基于混合统计建模的纹理图像检索方法 |
CN107945097B (zh) * | 2017-12-18 | 2021-02-19 | 辽宁师范大学 | 基于联合统计模型校正的鲁棒图像水印方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427990B (zh) | 一种基于卷积神经网络的艺术图像分类方法 | |
CN109872285B (zh) | 一种基于变分约束的Retinex低照度彩色图像增强方法 | |
CN107194937B (zh) | 一种开放环境下中医舌象图像分割方法 | |
CN102750385B (zh) | 基于标签检索的相关性—质量排序图像检索方法 | |
CN105912643A (zh) | 一种基于内容改进型均值哈希的图像检索方法 | |
CN106934418B (zh) | 一种基于卷积递归网络的绝缘子红外诊断方法 | |
CN108829711B (zh) | 一种基于多特征融合的图像检索方法 | |
CN109829924A (zh) | 一种基于主体特征分析的图像质量评价方法 | |
Das et al. | Comparison of content based image retrieval systems using wavelet and curvelet transform | |
CN105912739B (zh) | 一种相似图片检索系统及其方法 | |
Varughese et al. | Content Based Image Retrieval Technique on Texture and Shape Analysis using Wavelet Feature and Clustering Model | |
CN106815314A (zh) | 基于幅值相位混合建模的图像检索方法 | |
CN108090914B (zh) | 基于统计建模与像素分类的彩色图像分割方法 | |
Reddy et al. | Multiwavelet based texture features for content based image retrieval | |
JPH10124535A (ja) | データベースの画像中のサンプルの探索方法 | |
CN109299295B (zh) | 蓝印花布图像数据库搜索方法 | |
CN110264482B (zh) | 基于中智集变换矩阵因子分解的活动轮廓分割方法 | |
Mosleh et al. | Texture image retrieval using contourlet transform | |
CN105608470A (zh) | 基于韦伯分布统计模型的图像检索方法 | |
CN116029916A (zh) | 基于结合稠密小波的双分支网络的低照度图像增强方法 | |
CN116310466A (zh) | 基于局部无关区域筛选图神经网络的小样本图像分类方法 | |
CN111046745B (zh) | 基于软块对角的多视聚类方法 | |
CN108268533A (zh) | 一种用于图像检索的图像特征匹配方法 | |
CN108171678B (zh) | 一种基于方向权值经验模式分解的遥感图像融合方法 | |
CN111539894A (zh) | 一种新型图像增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20170609 |