CN107992612A - 基于截尾广义柯西建模的纹理图像检索方法 - Google Patents
基于截尾广义柯西建模的纹理图像检索方法 Download PDFInfo
- Publication number
- CN107992612A CN107992612A CN201711365717.6A CN201711365717A CN107992612A CN 107992612 A CN107992612 A CN 107992612A CN 201711365717 A CN201711365717 A CN 201711365717A CN 107992612 A CN107992612 A CN 107992612A
- Authority
- CN
- China
- Prior art keywords
- image
- cauchy distribution
- retrieved
- modeling
- hsb
- 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
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 5
- 238000013179 statistical model Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000011524 similarity measure Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000039077 Copula Species 0.000 description 1
- 101100043658 Schizosaccharomyces pombe (strain 972 / ATCC 24843) ste11 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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)
Abstract
本发明公开了一种基于截尾广义柯西建模的纹理图像检索算法，首先对纹理图像进行非下采样小波变换；其次，对变换得到的HSB系数采用截尾广义柯西分布概率密度函数进行统计建模；然后，对截尾广义柯西分布的位置参数以及尺度参数进行参数估计；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估计的截尾广义柯西分布的位置参数和尺度参数作为每幅图像的特征，有效地降低了图像特征维度，减少了相似度计算时间，提高了检索效率，增强了算法实用性。
Description
技术领域
本发明属于数字图像检索技术领域，涉及基于内容的图像检索方法，特别涉及一种基于截尾广义柯西建模的纹理图像检索方法。
背景技术
目前，智能手机、数码相机等电子设备的普及使得人们能够随时随地捕捉影像形成图像信息，并即时传播到互联网上，数字图像正以惊人的速度增长，当今问题是如何在巨大的图像库中进行高效且精准地检索问题。
早期传统的基于文本的图像检索方法（TBIR）是一个基于词语匹配的检索过程，将图像进行种种注释（譬如名称、编号、内容简述等）进行搜索。随着图像信息量的逐渐扩大，TBIR技术遇到严峻的问题：文本的标注难以全方位精准地描述越来越丰富的图像内容，基于内容的图像检索技术（CBIR）应运而生。CBIR相比较TBIR，其对图像的标注属于自动分析标注，不再是根据人主观的理解来对图像进行文字标注。人工标注会受到兴趣、知识储备、职业等各个方面的主观因素影响，并且一些图像的特殊特征难以用语言进行描述，而CBIR使用软件对图像进行自动分析，特征自行提取（例如纹理特征），并将其组成特征库。在对图像进行检索时，采用相似度计算的方法，计算待检索图像与图像库中图像特征向量的相似度，按从大到小排列选择优先进行输出。因此，CBIR可以较为客观的检索出结果，并且省去大量人力物力进行文本标注，大大提高了检索效率与检索准确率。近年来，CBIR技术已成为图像检索领域的研究热点，由于其客观、智能、自动等特点，被广泛研究和应用于遥感、公安、设计、医学等各个领域。
纹理图像的特征提取是决定一个CBIR算法好坏的关键，CBIR技术的首要任务是找到提取特征的更好方法，提取出独特精准的特征，为搜索到准确图像奠定基础，但现有提出的CBIR技术算法比较繁琐，实现难度较大，时间复杂度较高，因此，找到一种复杂度低、运行速度快、特征提取效果好的CBIR技术，是目前需要深入研究的课题。
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，提出一种基于截尾广义柯西建模的纹理图像检索方法。
本发明的技术解决方案是：一种基于截尾广义柯西建模的纹理图像检索方法，其特征在于按如下步骤进行：
约定：I指待检索图像；J指图像库中图像；表示截尾广义柯西分布PDF的位置参数，表示截尾广义柯西分布PDF的尺度参数；指待检索图像I的特征；为I和J之间的相似性距离；代表I的特征向量在第i个分量处的值；LSB代表分解得到的低频子带；HSB代表分解得到的高频子带；
a.初始设置
获取检索图像库中的图像J并初始化变量；
b. 图像UDWT分解
使用非下采样小波变换（UDWT）对检索图像库中的每幅图像J进行分解，设置分解参数，每一幅图像J分解成一个LSB和多尺度多方向的若干个HSB；
c. HSB系数截尾广义柯西分布建模
c.1 对每一幅图像J分解后得到的若干个HSB系数采用截尾广义柯西分布概率密度函数进行统计建模，定义截尾广义柯西分布统计模型为：
其中，，，是函数，表示位置参数，表示尺度参数；
c.2 对截尾广义柯西分布的位置参数以及尺度参数进行参数估计：
其中，，，取，并将进行微分并置零，通过最大似然函数的对数求出位置参数和尺度参数；
c.3 将得到的截尾广义柯西分布的位置参数以及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以待检索使用；
d. 待检索图像处理操作
d.1 输入待检索图像I，对I进行UDWT分解操作，设置分解参数，每幅图像得到1个LSB和若干个多尺度多方向的HSB；
d.2 重复步骤c，对待检索的图像I的HSB系数采用截尾广义柯西分布进行建模，计算其位置参数和尺度参数，得到待检索的图像I的特征；
e. 相似度计算
e.1 定义欧氏距离作为图像I和J之间相似度的计算方法：
e.2 将采取倒数运算，以此作为I和J之间的相似度；
e.3 将得到的相似度按从小到大顺序排列，输出较优的检索结果；
f. 重复步骤d~e，直到图像I和J全部匹配结束。
本发明首先对纹理图像进行非下采样小波变换；其次，对变换得到的HSB系数采用截尾广义柯西分布概率密度函数进行统计建模；然后，对截尾广义柯西分布的位置参数以及尺度参数进行参数估计；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估计的截尾广义柯西分布的位置参数和尺度参数作为每幅图像的特征，有效地降低了图像特征维度，减少了相似度计算时间，提高了检索效率，增强了算法实用性。
与现在已有技术对比，本发明具备以下优点：
第一，选择的UDWT变换具有多尺度多方向、平移不变性等特性，并且对图像细节特征的提取效果相对突出，能够更好地描述图像的纹理程度和刻画图像边缘的方向特征，有效地改善检索性能；
第二，由于截尾广义柯西分布任何阶数矩都是存在的，利用截尾广义柯西分布对每一幅图像HSB系数进行建模，相比柯西分布更适合作为各类数据的统计模型；
第三，以位置参数和尺度参数作为每幅图像的特征，能有效降低图像特征维度，提高数据的准确性，减少相似度计算时间。
附图说明
图1为本发明实例UDWT的分解结果。
图2为本发明实施例的流程图。
具体实施方式
本发明的方法一共包括四个阶段：图像UDWT分解、HSB系数截尾广义柯西分布建模、待检索图像处理操作和相似度计算。
约定：I指待检索图像；J指图像库中图像；表示截尾广义柯西分布PDF的位置参数，表示截尾广义柯西分布PDF的尺度参数；指待检索图像I的特征；为I和J之间的相似性距离；代表I的特征向量在第i个分量处的值；LSB代表分解得到的低频子带；HSB代表分解得到的高频子带；
具体步骤如图2所示：
a.初始设置
获取检索图像库中的图像J并初始化变量；
b. 图像UDWT分解
使用非下采样小波变换（UDWT）对检索图像库中的每幅图像J进行分解，设置分解参数，每一幅图像J分解成一个LSB和多尺度多方向的若干个HSB；
c. HSB系数截尾广义柯西分布建模
c.1 对每一幅图像J分解后得到的若干个HSB系数采用截尾广义柯西分布概率密度函数进行统计建模，定义截尾广义柯西分布统计模型为：
其中，，，是函数，表示位置参数，表示尺度参数；
c.2 对截尾广义柯西分布的位置参数以及尺度参数进行参数估计：
其中，，，取，并将进行微分并置零，通过最大似然函数的对数求出位置参数和尺度参数；
c.3 将得到的截尾广义柯西分布的位置参数以及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以待检索使用；
d. 待检索图像处理操作
d.1 输入待检索图像I，对I进行UDWT分解操作，设置分解参数，每幅图像得到1个LSB和若干个多尺度多方向的HSB；
d.2 重复步骤c，对待检索的图像I的HSB系数采用截尾广义柯西分布进行建模，计算其位置参数和尺度参数，得到待检索的图像I的特征；
e. 相似度计算
e.1 定义欧氏距离作为图像I和J之间相似度的计算方法：
e.2 将采取倒数运算，以此作为I和J之间的相似度；
e.3 将得到的相似度按从小到大顺序排列，输出较优的检索结果；
f. 重复步骤d~e，直到图像I和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分别来自ViSTeX、Brodatz、ALOT和STex纹理图像库，均以公开，可以在网上搜索下载。库内图像尺寸不同，本发明的设计可对多种不同尺寸图像进行处理，从而得到同样好的检索率。
图1为本发明实例UDWT的分解结果。
本发明实例与对比文献检索方法的特征提取时间比较见表1；本发明实施例与对比文献检索方法的相似度计算时间比较见表2；本发明实施例与对比文献检索方法的平均查准率比较见表3。
表1
表2
表3
对比文献：N. E. Lasmar, Y. Berthoumieu. Gaussian Copula MultivariateModeling for Texture Image Retrieval Using Wavelet Transforms. IEEE Trans. onImage Processing, 2014, 23(5): 2246-2261.
实验结果表明:本发明的方法由于以估计的截尾广义柯西分布的位置参数和尺度参数作为每幅图像的特征，有效地降低了图像特征维度，减少了相似度计算时间，提高了检索效率，增强了算法实用性。
Claims (1)
1.一种基于截尾广义柯西分布统计模型的图像检索方法，其特征在于按照如下步骤进行：
约定：I指待检索图像；J指图像库中图像；表示截尾广义柯西分布PDF的位置参数，表示截尾广义柯西分布PDF的尺度参数；指待检索图像I的特征；为I和J之间的相似性距离；代表I的特征向量在第i个分量处的值；LSB代表分解得到的低频子带；HSB代表分解得到的高频子带；
a. 初始设置
获取检索图像库中的图像J并初始化变量；
b. 图像UDWT分解
使用非下采样小波变换（UDWT）对检索图像库中的每幅图像J进行分解，设置分解参数，每一幅图像J分解成一个LSB和多尺度多方向的若干个HSB；
c. HSB系数截尾广义柯西分布建模
c.1 对每一幅图像J分解后得到的若干个HSB系数采用截尾广义柯西分布概率密度函数进行统计建模，定义截尾广义柯西分布统计模型为：
其中，，，是函数，表示位置参数，表示尺度参数；
c.2 对截尾广义柯西分布的位置参数以及尺度参数进行参数估计：
其中，，，取，并将进行微分并置零，通过最大似然函数的对数求出位置参数和尺度参数；
c.3 将得到的截尾广义柯西分布的位置参数以及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以待检索使用；
d. 待检索图像处理操作
d.1 输入待检索图像I，对I进行UDWT分解操作，设置分解参数，每幅图像得到1个LSB和若干个多尺度多方向的HSB；
d.2 重复步骤c，对待检索的图像I的HSB系数采用截尾广义柯西分布进行建模，计算其位置参数和尺度参数，得到待检索的图像I的特征；
e. 相似度计算
e.1 定义欧氏距离作为图像I和J之间相似度的计算方法：
e.2 将采取倒数运算，以此作为I和J之间的相似度；
e.3 将得到的相似度按从小到大顺序排列，输出较优的检索结果；
f. 重复步骤d~e，直到图像I和J全部匹配结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711365717.6A CN107992612A (zh) | 2017-12-18 | 2017-12-18 | 基于截尾广义柯西建模的纹理图像检索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711365717.6A CN107992612A (zh) | 2017-12-18 | 2017-12-18 | 基于截尾广义柯西建模的纹理图像检索方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107992612A true CN107992612A (zh) | 2018-05-04 |
Family
ID=62037813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711365717.6A Pending CN107992612A (zh) | 2017-12-18 | 2017-12-18 | 基于截尾广义柯西建模的纹理图像检索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107992612A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102800093A (zh) * | 2012-07-12 | 2012-11-28 | 西安电子科技大学 | 基于分解的多目标遥感图像分割方法 |
| CN106484782A (zh) * | 2016-09-18 | 2017-03-08 | 重庆邮电大学 | 一种基于多核哈希学习的大规模医学图像检索方法 |
| 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 |
-
2017
- 2017-12-18 CN CN201711365717.6A patent/CN107992612A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102800093A (zh) * | 2012-07-12 | 2012-11-28 | 西安电子科技大学 | 基于分解的多目标遥感图像分割方法 |
| CN106484782A (zh) * | 2016-09-18 | 2017-03-08 | 重庆邮电大学 | 一种基于多核哈希学习的大规模医学图像检索方法 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| ATEYA, S.F.ETC: "On multivariate truncated generalized Cauchy distribution", 《STATISTICAL PAPERS》 * |
| 李艺珠等: "非下采样小波域的四阶偏微分SAR图像去噪", 《遥感信息》 * |
| 王相海等: "基于Cauchy分布模型与NSST变换的图像去噪算法", 《辽宁师范大学学报(自然科学版)》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kumar et al. | [Retracted] Object‐Based Image Retrieval Using the U‐Net‐Based Neural Network | |
| CN108694225B (zh) | 一种图像搜索方法、特征向量的生成方法、装置及电子设备 | |
| Wang et al. | Texture analysis and classification with linear regression model based on wavelet transform | |
| CN106649490B (zh) | 一种基于深度特征的图像检索方法及装置 | |
| CN110472652B (zh) | 基于语义引导的少量样本分类方法 | |
| CN106649782B (zh) | 一种图片检索方法和系统 | |
| CN105205135A (zh) | 一种基于主题模型的3d模型检索方法及其检索装置 | |
| CN112860898B (zh) | 一种短文本框聚类方法、系统、设备及存储介质 | |
| CN107480471B (zh) | 基于小波变换为特征的序列相似性分析的方法 | |
| CN105426543A (zh) | 基于贝塞尔统计模型的图像检索方法 | |
| Manisha et al. | Content-based image retrieval through semantic image segmentation | |
| CN111368126A (zh) | 一种面向图像检索的生成方法 | |
| Yakin et al. | Application of content based image retrieval in digital image search system | |
| JP5463873B2 (ja) | マルチメディア分類システム及びマルチメディア検索システム | |
| CN107992612A (zh) | 基于截尾广义柯西建模的纹理图像检索方法 | |
| US10062187B1 (en) | Systems and methods for reducing computer resources consumption to reconstruct shape of multi-object image | |
| CN105608470A (zh) | 基于韦伯分布统计模型的图像检索方法 | |
| Kenchappa et al. | Dual phase cbir model using hybrid feature extraction and manhattan distance measure | |
| Varma et al. | Content retrieval using hybrid feature extraction from query image | |
| Kalaivani et al. | Medical image retrieval using convolution neural networks | |
| Podder et al. | Ihird: A data set for indian heritage image retrieval | |
| Olaode et al. | Unsupervised Image Region of Interest Detection using Discrete Cosine Transform | |
| CN109740008B (zh) | 基于非高斯多相关hmt模型的彩色纹理图像检索方法 | |
| Puranik et al. | Integration of Basic Descriptors for Image Retrieval | |
| Raveendra et al. | A novel automatic system for logo-based document image retrieval using hybrid SVDM-DLNN |
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 |
Application publication date: 20180504 |
|
| WD01 | Invention patent application deemed withdrawn after publication |