CN112561976A - 一种图像主颜色特征提取方法、图像检索方法、存储介质及设备 - Google Patents
一种图像主颜色特征提取方法、图像检索方法、存储介质及设备 Download PDFInfo
- Publication number
- CN112561976A CN112561976A CN202011451450.4A CN202011451450A CN112561976A CN 112561976 A CN112561976 A CN 112561976A CN 202011451450 A CN202011451450 A CN 202011451450A CN 112561976 A CN112561976 A CN 112561976A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- clustering
- algorithm
- feature extraction
- 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 title claims abstract description 68
- 238000000605 extraction Methods 0.000 title claims abstract description 44
- 239000003086 colorant Substances 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 238000011524 similarity measure Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 241000086550 Dinosauria Species 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
Abstract
本发明属于数据检索技术领域,尤其涉及一种图像主颜色特征提取方法、图像检索方法、存储介质及设备。本发明所述图像主颜色特征提取方法包括:获取待提取图像;计算待提取图像的三维RGB颜色直方图;设定初始邻域宽度;利用GTC聚类算法进行聚类,聚类结束后,存储颜色值的RGB坐标以及颜色值数目。本发明创造性的将GTC聚类算法应用到RGB的三维颜色空间中,对颜色特征的提取首先计算图像的三维颜色直方图,在此基础上利用GTC聚类算法提取图像的主颜色,该方法能够很好的反映出一幅图像的主要颜色,并且计算复杂度低。适合应用于图像检索之中;并结合纹理和形状特征综合对图像进行检索。
Description
技术领域
本发明属于数据检索技术领域,尤其涉及一种图像主颜色特征提取方法、图像检索方法、存储介质及设备。
背景技术
随着计算机和网络的发展,以及大容量存储的普及,出现了越来越多数字化图像,如何能够快速准确的检索出我们期望的数字图像是当今热门的研究课题。而在基于内容的图像检索中,颜色特征是最基本的特征之一,而且颜色特征的提取也相对容易,是最能够表达一幅图像的内容的特征,因此颜色特征一直是图像检索中的最重要研究方向。
最早利用颜色特征进行检索是Swain首先提出的颜色直方图,颜色直方图特征是对颜色分布的统计,一般维数较高(64-256维),而且没有反映颜色的空间分布特性。在此基础之上,Cinque和Ciocca提出了空间颜色直方图的方法,该方法不仅考虑了颜色的统计特性,并且对每个颜色值的空间总体位置也进行了统计。然而,上述的方法都是在颜色维数较高的前提下进行特征提取的,一般15-20维的颜色数就能够充分表达一幅图像的内容,因此,提出了主颜色的概念。主颜色就是在一幅图像之中占很少数量但是能够充分表示一幅图像内容的颜色。这也被后来的MPEG7标准采用,提出了主颜色描述符方案。但是现有技术中,在主颜色描述符方案中的主颜色提取的算法复杂度很高。
发明内容
为解决上述现有技术中存在的问题,本发明提供了一种图像主颜色特征提取方法,本发明对颜色特征的提取首先计算图像的三维颜色直方图,在此基础上利用GTC(Graph-theoretic clustering)聚类算法提取图像的主颜色,该方法能够很好的反映出一幅图像的主要颜色,并且计算复杂度低。适合应用于图像检索之中;并结合纹理和形状特征综合对图像进行检索。
为实现上述目的,本发明采用如下技术方案:
一种图像主颜色特征提取算法,包括:
获取待提取图像;
计算待提取图像的三维RGB颜色直方图;
邻域宽度为θ(R1G1B1,R2G2B2)=max{|R1-R2|,|G1-G2|,|B1-B2|},设定初始邻域宽度;
利用GTC聚类算法进行聚类,聚类结束后,存储颜色值的RGB坐标以及颜色值数目。
在MPEG7中主颜色的提取采用的是GLA(Generalized Lloyd Algorithm)算法,该算法是直接利用一幅图像中的每个像素值进行计算主颜色的,因此算法复杂度高。而本发明中的主颜色提取算法采用的是GTC聚类算法,首先计算图像的三维直方图,在此基础之上提取图像的主颜色,算法简单,适合图像检索。
GTC聚类算法:
GTC算法是Koon提出的一种基于有向树原理的聚类方法。该算法不用选择初始的聚类数目,算法的基本思想就是在有向图中识别对应X点的有向树,每个有向树对应一个聚类。要顺序处理X的所有向量。对每一个点xi,它的近邻定义为
ρi(θ)={xj∈X:d(xi,xj)≤θ,xj≠xi}
其中θ确定了近邻的大小,d(xi,xj)是对应的X向量间的距离。令ni|ρi(θ)|是邻域ρi(θ)中X的节点数;设gij=(nj-ni)/d(xi,xj)
该变量用来确定xi在有向树中的位置。有了上述定义,聚类算法可以描述如下:
首先将参数θ设定为特定值。并求出ni,i=1,…,N。计算gij,i,j=1,…,N,i≠j。
1、如果ni=0(i=1到N),那么xi是新的有向树的根
3、如果gir>0,那么xr是xi的父节点。
4、如果gir=0,那么
定义Ti={xj:xj∈ρi(θ),gij=0}。除去xj∈Ti,且存在从xj到xi的有向路径。
(1)如果得到的结果Ti为空,那么xi是一个新有向树的根节点。
颜色空间:
当前所使用的颜色模型有很多,如:RGB、CMY、YIQ、HSV、L*u*v、L*a*b*等。其中RGB颜色空间是机器显示的颜色空间,不如HSV或者L*u*v等颜色空间在人眼感知上直观,但RGB颜色空间是三维立方体的颜色空间,最适合GTC聚类算法在三维颜色空间上聚类,所以本发明的颜色空间采用RGB颜色模式。
上述算法,优选的,为了降低聚类复杂度,首先将RGB三个颜色分量由0-255转换为0-50,然后再计算待提取图像的三维RGB颜色直方图。
上述算法,优选的,利用GTC聚类算法进行聚类时,仅提取图像前15位的颜色值。本发明将GTC聚类算法应用到RGB的三维颜色空间中,其中,对搜索局部极大值的邻域宽度的选取十分关键,在现有技术中邻域的选择为固定值,然而由于不同图像之间的颜色千差万别,因此颜色的间隔值也不相同,利用GTC算法采用固定的邻域宽度提取主颜色,会产生很大的差异,因此,邻域宽度应该随着图像的不同颜色属性而调整,从而达到较好的量化效果。本发明通过实验分析比较,一幅图像提取出来的主颜色在15-20个左右,就能够很好的反应出一幅图像要表达的内容;因此本发明要提取一幅图像的前15位的颜色值。本发明只统计一幅图像中的90%左右的像素值,其余10%可以忽略不计。
下面是将GTC聚类算法应用到RGB的三维颜色空间对图像颜色聚类的具体算法:
获取待提取图像;
将RGB三个颜色分量由0-255转换为0-50,计算待提取图像的三维RGB颜色直方图;
邻域宽度为θ(R1G1B1,R2G2B2)=max{|R1-R2|,|G1-G2|,|B1-B2|},设定为初始邻域宽度为1;
利用GTC聚类算法进行聚类,提取聚类后颜色值占前15位的颜色值N15,如果N15/Ntotal>90%(Ntotal为图像的总像素数),聚类结束,存储前15位颜色值的RGB坐标以及颜色值数目;
如果N15/Ntotal<90%,将邻域宽度加1并重新聚类,直到N15/Ntotal>90%,存储前15位颜色值的RGB坐标以及颜色值数目。
一种基于主颜色的图像检索方法,所述方法包括:
获取待检索图像;
将所述待检索图像作为待处理图像,并利用权利要求1-4任一项所述的图像主颜色特征提取算法对所述待检索图像进行主颜色提取,得到所述待检索图像的主颜色特征;
对所述待检索图像进行纹理特征和形状特征提取,得到所述待检索图像的纹理特征和形状特征;
根据所述待检索图像的主颜色特征、纹理特征和形状特征与图像库中的各个候选图像的图像特征之间的相似度,分别确定图像库中的各个候选图像的匹配度;
根据所述图像库中的各个候选图像的匹配度和预定相似性度量,确定所述待检索图像的检索结果。
然而颜色特征只能反映出图像的部分属性,不能充分的反应出一幅图像要表达的内容,因此不能取得较好的检索效果。因此本发明所述的图像检索方法在颜色特征的基础上综合了图像的纹理和形状特征,利用三个特征综合对图像检索。
上述方法,优选的,所述纹理特征是提取YCrCb颜色空间中的Y(亮度)向量,构成灰度图像,用金字塔小波对其进行变换,得到20维的图像纹理特征。
上述方法,优选的,所述形状特征采用的是MPEG7中的边缘直方图(EDH),它表示了图像每个局部区域(子图像)的5种类型边缘的分布,将图像分成16个子图像,对每个子图像生成边缘分布的直方图,在子图像中求出5种类型的边缘,即垂直、水平、45°角、135°角和无方向边缘,从而每个子图像的直方图表示了子图像中5种类型边缘发生的频率,一幅图像有16个子图像,则边缘直方图的维数是80维。
提取出图像的特征后,相似性度量也是图像检索中关键的问题。传统的颜色相似性度量方式都是针对两种相同颜色之间的差进行评价的,如Minkowski距其中q代表查询例图,t为目标图像。hq代表查询直方图,ht代表目标直方图。其中m代表不同的颜色值,但要比较的是查询例图和目标图像之间相同颜色的差。
而GTC聚类算法提取的主颜色的个数为15,查询例图和目标图像之间的主颜色值不可能相同,因此就需要一种近似的度量方式。
下面是本发明根据主颜色特征的特点而提出的模糊度量方式:
(1)计算待检测图像q中的主颜色值与目标图像t中的主颜色值之间的距离
d(i,j)=argmin(dij=|Rqi-Rtj|+|Gqi-Gtj|+|Bqi-Btj|)
i=1,2,…15,j=1,2,…15
其中,最近的颜色距离为dmin,r,k分别是对应的查询图像与目标图像的颜色标号;
(2)如果dmin<dt(dt为视觉上认定两个颜色为相似的最大距离),查询图像q的第r个颜色值与目标图像t的第k个颜色值的颜色值度量为
其中,Pqi,Ptj分别是查询图像q和目标图像t的颜色值所占比例;
(3)如果dmin>dt,那么查询图像q的第r个颜色值与目标图像t的第k个颜色值之间的颜色值度量为
(4)去除步骤1中颜色值距离最近时的查询图像q和目标图像t中颜色值,并重复步骤1-3,求得D2,D3,…D15;
(5)最后查询图像q和目标图像t之间的相似度度量为D=D1+D2+…D15。
一种存储介质,所述存储介质上存储有程序代码,所述程序代码被处理器执行时,实现如上任一项所述的图像主颜色特征提取算法,和/或,实现如上任一项所述的图像检索方法。
一种电子设备,所述电子设备包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的程序代码,所述程序代码被所述处理器执行时,实现如上任一项所述的图像主颜色特征提取算法,和/或,实现如上任一项所述的图像检索方法。
有益效果
本发明公开了一种图像主颜色特征提取方法,针对直方图方法的颜色特征提取维数过多,计算和存储量大,本发明创造性的将GTC聚类算法应用到RGB的三维颜色空间中,首先计算图像的三维颜色直方图,在此基础上利用GTC(Graph-theoretic clustering)聚类算法提取图像的15个主颜色值,该方法能够很好的反映出一幅图像的主要颜色,并且计算复杂度低,适合应用于图像检索之中;并结合纹理和形状特征综合对图像进行检索。
本发明还公开了一种基于主颜色的图像检索方法,本发明所述的图像检索方法在颜色特征的基础上综合了图像的纹理和形状特征,利用三个特征综合对图像检索,并提出了一种适合主颜色方法的模糊相似性度量方式,将视觉感受上相近的主颜色进行度量。与颜色直方图法进行比较,实验表明,在一些类别的图像中检索性能优于颜色直方图法。
附图说明
图1是利用GTC聚类算法在一维直方图上的聚类过程图;
图2是采用GTC聚类算法对不同颜色属性的图像的量化效果图;
图3是采用GTC聚类算法对不同颜色属性的图像的量化效果图。
具体实施方式
以下,将详细地描述本发明。在进行描述之前,应当理解的是,在本说明书和所附的权利要求书中使用的术语不应解释为限制于一般含义和字典含义,而应当在允许发明人适当定义术语以进行最佳解释的原则的基础上,根据与本发明的技术方面相应的含义和概念进行解释。因此,这里提出的描述仅仅是出于举例说明目的的优选实例,并非意图限制本发明的范围,从而应当理解的是,在不偏离本发明的精神和范围的情况下,可以由其获得其他等价方式或改进方式。
以下实施例仅是作为本发明的实施方案的例子列举,并不对本发明构成任何限制,本领域技术人员可以理解在不偏离本发明的实质和构思的范围内的修改均落入本发明的保护范围。
实施例1
发明人在对图像检索的研究中发现:现有技术中的颜色特征提取方法都是在颜色维数较高的前提下进行特征提取的,而一般15-20维的颜色数就能够充分表达一幅图像的内容,然而在主颜色描述符方案中的主颜色提取的算法复杂度很高。
基于此,针对直方图方法的颜色特征提取维数过多,计算和存储量大的问题,本申请实施例1提供了一种图像主颜色特征提取算法,其具体为:
S1获取待提取图像;
S2为了降低聚类复杂度,将RGB三个颜色分量由0-255转换为0-50,计算待提取图像的三维RGB颜色直方图;
S3邻域宽度为θ(R1G1B1,R2G2B2)=max{|R1-R2|,|G1-G2|,|B1-B2|},设定为初始邻域宽度为1;
S4利用GTC聚类算法进行聚类,提取聚类后颜色值占前15位的颜色值N15,如果N15/Ntotal>90%(Ntotal为图像的总像素数),聚类结束,存储前15位颜色值的RGB坐标以及颜色值数目;
S5如果N15/Ntotal<90%,将邻域宽度加1并重新聚类,直到N15/Ntotal>90%,存储前15位颜色值的RGB坐标以及颜色值数目。
本发明中的主颜色提取算法采用的是GTC聚类算法,首先计算图像的三维直方图,在此基础之上提取图像的主颜色,算法简单,适合图像检索。图2、图3是采用GTC聚类算法对不同颜色属性的图像的量化效果图,图中,上方为原图,下方为处理后的效果图。从图中可以看出,量化后图像的主要颜色都没有改变,能够很好的反映出原图像要表达的内容。
GTC聚类算法:
GTC算法是Koon提出的一种基于有向树原理的聚类方法。该算法不用选择初始的聚类数目,算法的基本思想就是在有向图中识别对应X点的有向树,每个有向树对应一个聚类。要顺序处理X的所有向量。对每一个点xi,它的近邻定义为
ρi(θ)={xj∈X:d(xi,xj)≤θ,xj≠xi}
其中θ确定了近邻的大小,d(xi,xj)是对应的X向量间的距离。令ni|ρi(θ)|是邻域ρi(θ)中X的节点数;设gij=(nj-ni)/d(xi,xj)
该变量用来确定xi在有向树中的位置。有了上述定义,聚类算法可以描述如下:
首先将参数θ设定为特定值。并求出ni,i=1,…,N。计算gij,i,j=1,…,N,i≠j。
1、如果ni=0(i=1到N),那么xi是新的有向树的根
3、如果gir>0,那么xr是xi的父节点。
4、如果gir=0,那么
定义Ti={xj:xj∈ρi(θ),gij=0}。除去xj∈Ti,且存在从xj到xi的有向路径。
(1)如果得到的结果Ti为空,那么xi是一个新有向树的根节点。
图1是利用GTC聚类算法在一维直方图上的聚类过程。其中,如何选取搜索局部极大值的邻域宽度是算法的关键。
颜色空间:
当前所使用的颜色模型有很多,如:RGB、CMY、YIQ、HSV、L*u*v、L*a*b*等。其中RGB颜色空间是机器显示的颜色空间,不如HSV或者L*u*v等颜色空间在人眼感知上直观,但RGB颜色空间是三维立方体的颜色空间,最适合GTC聚类算法在三维颜色空间上聚类,所以本发明的颜色空间采用RGB颜色模式。
本发明将GTC聚类算法应用到RGB的三维颜色空间中,其中,对搜索局部极大值的邻域宽度的选取十分关键,在现有技术中邻域的选择为固定值,然而由于不同图像之间的颜色千差万别,因此颜色的间隔值也不相同,利用GTC算法采用固定的邻域宽度提取主颜色,会产生很大的差异,因此,邻域宽度应该随着图像的不同颜色属性而调整,从而达到较好的量化效果。本发明通过实验分析比较,一幅图像提取出来的主颜色在15-20个左右,就能够很好的反应出一幅图像要表达的内容;因此本发明要提取一幅图像的前15位的颜色值。本发明只统计一幅图像中的90%左右的像素值,其余10%可以忽略不计。
本实施例所述的一种图像主颜色特征提取方法,针对直方图方法的颜色特征提取维数过多,计算和存储量大,本发明创造性的将GTC聚类算法应用到RGB的三维颜色空间中,首先计算图像的三维颜色直方图,在此基础上利用GTC(Graph-theoretic clustering)聚类算法提取图像的15个主颜色值,该方法能够很好的反映出一幅图像的主要颜色,并且计算复杂度低,适合应用于图像检索之中;并结合纹理和形状特征综合对图像进行检索。
实施例2
在上述实施例的基础上,本发明的实施例2还可以提供一种基于主颜色的图像检索方法,所述方法包括:
S1获取待检索图像;
S2将所述待检索图像作为待处理图像,并利用权利要求1-4任一项所述的图像主颜色特征提取算法对所述待检索图像进行主颜色提取,得到所述待检索图像的主颜色特征;
S3对所述待检索图像进行纹理特征和形状特征提取,得到所述待检索图像的纹理特征和形状特征;
S4根据所述待检索图像的主颜色特征、纹理特征和形状特征与图像库中的各个候选图像的图像特征之间的相似度,分别确定图像库中的各个候选图像的匹配度;
S5根据所述图像库中的各个候选图像的匹配度和预定相似性度量,确定所述待检索图像的检索结果。
颜色特征只能反映出图像的部分属性,不能充分的反应出一幅图像要表达的内容,因此不能取得较好的检索效果。因此本发明所述的图像检索方法在颜色特征的基础上综合了图像的纹理和形状特征,利用三个特征综合对图像检索。
所述纹理特征是提取YCrCb颜色空间中的Y(亮度)向量,构成灰度图像,用金字塔小波对其进行变换,得到20维的图像纹理特征。
所述形状特征采用的是MPEG7中的边缘直方图(EDH),它表示了图像每个局部区域(子图像)的5种类型边缘的分布,将图像分成16个子图像,对每个子图像生成边缘分布的直方图,在子图像中求出5种类型的边缘,即垂直、水平、45°角、135°角和无方向边缘,从而每个子图像的直方图表示了子图像中5种类型边缘发生的频率,一幅图像有16个子图像,则边缘直方图的维数是80维。
提取出图像的特征后,相似性度量也是图像检索中关键的问题。传统的颜色相似性度量方式都是针对两种相同颜色之间的差进行评价的,如Minkowski距其中q代表查询例图,t为目标图像。hq代表查询直方图,ht代表目标直方图。其中m代表不同的颜色值,但要比较的是查询例图和目标图像之间相同颜色的差。
而GTC聚类算法提取的主颜色的个数为15,查询例图和目标图像之间的主颜色值不可能相同,因此就需要一种近似的度量方式。
下面是本发明根据主颜色特征的特点而提出的模糊度量方式:
(1)计算待检测图像q中的主颜色值与目标图像t中的主颜色值之间的距离
d(i,j)=argmin(dij=|Rqi-Rtj|+|Gqi-Gtj|+|Bqi-Btj|)
i=1,2,…15,j=1,2,…15
其中,最近的颜色距离为dmin,r,k分别是对应的查询图像与目标图像的颜色标号;
(2)如果dmin<dt(dt为视觉上认定两个颜色为相似的最大距离),查询图像q的第r个颜色值与目标图像t的第k个颜色值的颜色值度量为
其中,Pqi,Ptj分别是查询图像q和目标图像t的颜色值所占比例;
(3)如果dmin>dt,那么查询图像q的第r个颜色值与目标图像t的第k个颜色值之间的颜色值度量为
(4)去除步骤1中颜色值距离最近时的查询图像q和目标图像t中颜色值,并重复步骤1-3,求得D2,D3,…D15;
(6)最后查询图像q和目标图像t之间的相似度度量为D=D1+D2+…D15。
本实施例公开的基于主颜色的图像检索方法,所述的方法在颜色特征的基础上综合了图像的纹理和形状特征,利用三个特征综合对图像检索,并提出了一种适合主颜色方法的模糊相似性度量方式,将视觉感受上相近的主颜色进行度量。与颜色直方图法进行比较,实验表明,在一些类别的图像中检索性能优于颜色直方图法。
实施例3
根据本发明的实施例,还提供了一种存储介质,所述存储介质上存储有程序代码,所述程序代码被处理器执行时,实现如上述实施例任一项所述的图像主颜色特征提取算法,和/或,实现如上述实施例任一项所述的图像检索方法。
其中,该程序代码被处理器执行时,实现如实施例一所述的图像主颜色特征提取算法,和/或,实现如实施例二所述的图像检索方法的步骤。即该存储介质中既可以只存储有实施例一所述的图像主颜色特征提取算法的步骤的程序代码,或只存储有实现如实施例二所述的图像检索方法的步骤的程序代码,也可以同时存储着能够实现如实施例一所述的图像主颜色特征提取算法的程序代码以及存储着实现如实施例二所述的图像检索方法的步骤的程序代码。
实施例4
根据本发明的实施例,还提供了一种电子设备,所述电子设备包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的程序代码,所述程序代码被所述处理器执行时,实现如上述实施例任一项所述的图像主颜色特征提取算法,和/或,实现如上述实施例任一项所述的图像检索方法。
其中,该程序代码被处理器执行时,实现如实施例一所述的图像主颜色特征提取算法,和/或,实现如实施例二所述的图像检索方法的步骤。即该存储介质中既可以只存储有实施例一所述的图像主颜色特征提取算法的步骤的程序代码,或只存储有实现如实施例二所述的图像检索方法的步骤的程序代码,也可以同时存储着能够实现如实施例一所述的图像主颜色特征提取算法的程序代码以及存储着实现如实施例二所述的图像检索方法的步骤的程序代码。
实验例
为了验证本发明所述的主颜色算法的检索性能,本发明选取Corel图像库进行实验,选取了图像库中的10个语义类,其中每个语义类共包含100幅图像,一共1000幅图像进行测试,本发明使用查准率(Precision)、查全率(recall)来评价图像检索系统的检索性能。查全率和查准率的定义如下:
其中,a代表正确检索出的相关图像,b为检索出的非相关图像,c表示未检索出来的相关图像。
本发明比较了传统直方图法+纹理+形状特征和本文提出的主颜色方法+纹理+形状进行比较,表1是在Corel图像库中选取的10个类别,检索前50幅图像时的平均查全率和查准率。
表1.检索性能对照表
从表1中可以看出,本发明提出的方法综合纹理和形状的效果在类别海滩、建筑、恐龙、大象、雪山的检索性能都比直方图方法综合纹理和形状的性能要好,而其他类别的效果却没有直方图法好,从图像类别的属性分析,主颜色方法优于直方图方法检索性能的图像类别都是颜色比较突出的图像。如海滩的主色调为蓝色,而建筑的颜色也比较突出灰白色;而其他本发明方法不如直方图法的类别中,颜色比较分散。但本发明提出的方法在维数上远远小于直方图法,提高了检索速率。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种图像主颜色特征提取算法,其特征在于,包括:
获取待提取图像;
计算待提取图像的三维RGB颜色直方图;
邻域宽度为θ(R1G1B1,R2G2B2)=max{|R1-R2|,|G1-G2|,|B1-B2|},设定初始邻域宽度;
利用GTC聚类算法进行聚类,聚类结束后,存储颜色值的RGB坐标以及颜色值数目。
2.根据权利要求1所述的图像主颜色特征提取算法,其特征在于,首先将RGB三个颜色分量由0-255转换为0-50,然后再计算待提取图像的三维RGB颜色直方图。
3.根据权利要求2所述的图像主颜色特征提取算法,其特征在于,利用GTC聚类算法进行聚类时,仅提取图像前15位的颜色值。
4.根据权利要求3所述的图像主颜色特征提取算法,其特征在于,所述算法包括:
获取待提取图像;
将RGB三个颜色分量由0-255转换为0-50,计算待提取图像的三维RGB颜色直方图;
邻域宽度为θ(R1G1B1,R2G2B2)=max{|R1-R2|,|G1-G2|,|B1-B2|},设定为初始邻域宽度为1;
利用GTC聚类算法进行聚类,提取聚类后颜色值占前15位的颜色值N15,如果N15/Ntotal>90%(Ntotal为图像的总像素数),聚类结束,存储前15位颜色值的RGB坐标以及颜色值数目;
如果N15/Ntotal<90%,将邻域宽度加1并重新聚类,直到N15/Ntotal>90%,存储前15位颜色值的RGB坐标以及颜色值数目。
5.一种基于主颜色的图像检索方法,其特征在于,所述方法包括:
获取待检索图像;
将所述待检索图像作为待处理图像,并利用权利要求1-4任一项所述的图像主颜色特征提取算法对所述待检索图像进行主颜色提取,得到所述待检索图像的主颜色特征;
对所述待检索图像进行纹理特征和形状特征提取,得到所述待检索图像的纹理特征和形状特征;
根据所述待检索图像的主颜色特征、纹理特征和形状特征与图像库中的各个候选图像的图像特征之间的相似度,分别确定图像库中的各个候选图像的匹配度;
根据所述图像库中的各个候选图像的匹配度和预定相似性度量,确定所述待检索图像的检索结果。
6.根据权利要求5所述的基于主颜色的图像检索方法,其特征在于,所述纹理特征是提取YCrCb颜色空间中的Y(亮度)向量,构成灰度图像,用金字塔小波对其进行变换,得到20维的图像纹理特征。
7.根据权利要求5所述的基于主颜色的图像检索方法,其特征在于,所述形状特征采用的是MPEG7中的边缘直方图(EDH)。
8.根据权利要求5所述的基于主颜色的图像检索方法,其特征在于,所述相似性度量由以下方法计算:
(1)计算待检测图像q中的主颜色值与目标图像t中的主颜色值之间的距离
d(i,j)=argmin(dij=|Rqi-Rtj|+|Gqi-Gtj|+|Bqi-Btj|)i=1,2,…15,j=1,2,…15
其中,最近的颜色距离为dmin,r,k分别是对应的查询图像与目标图像的颜色标号;
(2)如果dmin<dt(dt为视觉上认定两个颜色为相似的最大距离),查询图像q的第r个颜色值与目标图像t的第k个颜色值的颜色值度量为
其中,Pqi,Ptj分别是查询图像q和目标图像t的颜色值所占比例;
(3)如果dmin>dt,那么查询图像q的第r个颜色值与目标图像t的第k个颜色值之间的颜色值度量为
(4)去除步骤1中颜色值距离最近时的查询图像q和目标图像t中颜色值,并重复步骤1-3,求得D2,D3,…D15;
(5)最后查询图像q和目标图像t之间的相似度度量为D=D1+D2+…D15。
9.一种存储介质,所述存储介质上存储有程序代码,其特征在于,所述程序代码被处理器执行时,实现如权利要求1-4中任一项所述的图像主颜色特征提取算法,和/或,实现如权利要求5-8中任一项所述的图像检索方法。
10.一种电子设备,其特征在于,所述电子设备包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的程序代码,所述程序代码被所述处理器执行时,实现如权利要求1-4中任一项所述的图像主颜色特征提取算法,和/或,实现如权利要求5-8中任一项所述的图像检索方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011451450.4A CN112561976A (zh) | 2020-12-09 | 2020-12-09 | 一种图像主颜色特征提取方法、图像检索方法、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011451450.4A CN112561976A (zh) | 2020-12-09 | 2020-12-09 | 一种图像主颜色特征提取方法、图像检索方法、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112561976A true CN112561976A (zh) | 2021-03-26 |
Family
ID=75061672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011451450.4A Pending CN112561976A (zh) | 2020-12-09 | 2020-12-09 | 一种图像主颜色特征提取方法、图像检索方法、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561976A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012156A (zh) * | 2021-05-10 | 2021-06-22 | 南京林业大学 | 实木板材颜色智能分类方法 |
CN113505813A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于云计算的高压断路器分布式大数据存储方法 |
CN117171384A (zh) * | 2023-11-02 | 2023-12-05 | 广州翼拍联盟网络技术有限公司 | 高精度纹理路径检索方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440348A (zh) * | 2013-09-16 | 2013-12-11 | 重庆邮电大学 | 一种基于矢量量化的全局和局部颜色图像检索方法 |
CN106250431A (zh) * | 2016-07-25 | 2016-12-21 | 华南师范大学 | 一种基于分类服装的颜色特征提取方法及服装检索系统 |
CN107194348A (zh) * | 2017-05-19 | 2017-09-22 | 北京云识图信息技术有限公司 | 一种图像中目标物体的主颜色识别方法 |
CN107908630A (zh) * | 2017-06-28 | 2018-04-13 | 重庆完美空间科技有限公司 | 物料图片色彩分类检索方法 |
-
2020
- 2020-12-09 CN CN202011451450.4A patent/CN112561976A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440348A (zh) * | 2013-09-16 | 2013-12-11 | 重庆邮电大学 | 一种基于矢量量化的全局和局部颜色图像检索方法 |
CN106250431A (zh) * | 2016-07-25 | 2016-12-21 | 华南师范大学 | 一种基于分类服装的颜色特征提取方法及服装检索系统 |
CN107194348A (zh) * | 2017-05-19 | 2017-09-22 | 北京云识图信息技术有限公司 | 一种图像中目标物体的主颜色识别方法 |
CN107908630A (zh) * | 2017-06-28 | 2018-04-13 | 重庆完美空间科技有限公司 | 物料图片色彩分类检索方法 |
Non-Patent Citations (1)
Title |
---|
张珍军: "基于内容的图像检索技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012156A (zh) * | 2021-05-10 | 2021-06-22 | 南京林业大学 | 实木板材颜色智能分类方法 |
CN113505813A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于云计算的高压断路器分布式大数据存储方法 |
CN117171384A (zh) * | 2023-11-02 | 2023-12-05 | 广州翼拍联盟网络技术有限公司 | 高精度纹理路径检索方法、装置、计算机设备及存储介质 |
CN117171384B (zh) * | 2023-11-02 | 2024-02-23 | 广州翼拍联盟网络技术有限公司 | 高精度纹理路径检索方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zeng et al. | Image retrieval using spatiograms of colors quantized by gaussian mixture models | |
CN112561976A (zh) | 一种图像主颜色特征提取方法、图像检索方法、存储介质及设备 | |
JP2000222581A (ja) | 形状情報を用いるマルチメディアデ―タの検索方法及び装置 | |
CN101763429A (zh) | 一种基于颜色和形状特征的图像检索方法 | |
JP4098021B2 (ja) | シーン識別方法および装置ならびにプログラム | |
Murshed et al. | Cuboid segmentation for effective image retrieval | |
Chen et al. | Image retrieval based on quadtree classified vector quantization | |
Sebe et al. | Salient Points for Content-Based Retrieval. | |
Helala et al. | A content based image retrieval approach based on principal regions detection | |
Varish et al. | A novel similarity measure for content based image retrieval in discrete cosine transform domain | |
CN116415210A (zh) | 图像侵权检测方法、装置及存储介质 | |
Wei | Image segmentation based on situational DCT descriptors | |
Kothyari et al. | Content based image retrieval using statistical feature and shape extraction | |
Shabbir et al. | Tetragonal Local Octa-Pattern (T-LOP) based image retrieval using genetically optimized support vector machines | |
Varish et al. | A content based image retrieval using color and texture features | |
Ngo et al. | Exploiting image indexing techniques in DCT domain | |
Jena et al. | Content based image retrieval using adaptive semantic signature | |
Abdulkadhem et al. | Proposed a content-based image retrieval system based on the shape and texture features | |
Islam et al. | Texture feature based image retrieval algorithms | |
Wu et al. | Image retrieval based on color and texture | |
Mary et al. | Content based image retrieval using colour, multi-dimensional texture and edge orientation | |
KR20030009674A (ko) | 내용 기반 영상 검색 장치 및 방법 | |
Tai et al. | Image retrieval based on color and texture | |
Chen et al. | Fast image segmentation and texture feature extraction for image retrieval | |
Ni et al. | Research on image segmentation algorithm based on fuzzy clustering and spatial pyramid |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |