CN1227612C - 颜色量化方法和使用该方法的多媒体搜索方法 - Google Patents

颜色量化方法和使用该方法的多媒体搜索方法 Download PDF

Info

Publication number
CN1227612C
CN1227612C CNB011183888A CN01118388A CN1227612C CN 1227612 C CN1227612 C CN 1227612C CN B011183888 A CNB011183888 A CN B011183888A CN 01118388 A CN01118388 A CN 01118388A CN 1227612 C CN1227612 C CN 1227612C
Authority
CN
China
Prior art keywords
divided
benchmark
axle
same sections
hue
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.)
Expired - Fee Related
Application number
CNB011183888A
Other languages
English (en)
Other versions
CN1326160A (zh
Inventor
李镇洙
金贤俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
LG Electronics Inc
Original Assignee
LG Electronics Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from KR10-2000-0063163A external-priority patent/KR100374063B1/ko
Application filed by LG Electronics Inc filed Critical LG Electronics Inc
Publication of CN1326160A publication Critical patent/CN1326160A/zh
Application granted granted Critical
Publication of CN1227612C publication Critical patent/CN1227612C/zh
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/64—Systems for the transmission or the storage of the colour picture signal; Details therefor, e.g. coding or decoding means therefor
    • H04N1/644—Systems for the transmission or the storage of the colour picture signal; Details therefor, e.g. coding or decoding means therefor using a reduced set of representative colours, e.g. each representing a particular range in a colour space
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Color Image Communication Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

揭示了基于HMMD色空间的颜色量化方法和使用该方法的多媒体搜索方法。对量化方法进行优化以适用于各种量化级别，从而提高HMMD色空间中的搜索性能。而且提供了被量化到不同量化级别的两个颜色特征之间的互操作性，以便搜索从不同应用程序产生的多媒体，并且定义了量化规则以便保持高搜索性能。而且，本发明提供一种多媒体搜索方法，能够测量被量化到不同级别的特征之间的相似性。

Description

颜色量化方法和使用该方法的多媒体搜索方法
本发明涉及基于HMMD色空间的颜色量化方法和使用该方法的多媒体搜索方法，用于提取颜色特征以搜索多媒体，从而能够搜索在不同级别量化的多媒体数据。
已经有用于搜索基于信息的多媒体的新技术。投入了大量努力来研究搜索性能所主要依赖的那些多媒体特征。
搜索引擎通常使用全局和局部颜色信息和纹理信息来进行图像搜索。而且，已经知道颜色信息在图像搜索中起到重要作用。
最终，发展了更有效的颜色特征，并且进行了大量努力来开发用于高效搜索的色空间。
颜色信息包括各种特征信息，例如颜色直方图，局部代表性颜色等等。因此，搜索性能很大程度上取决于如何量化颜色。
当在一个色空间上表示颜色分布时，很难显示多个颜色种类。因此，需要进行颜色量化，以便通过将相似的色群组合成单个色表来利用有限数量的颜色表示颜色信息。
例如，对于RGB色空间中的颜色直方图，RGB元素由范围在0到255的数字字符表示。因此，颜色类达到2563，要由2563个单元条(bin)构成的颜色直方图来表示是不理想的。
因此，给出单个颜色标记(color label)，通过把类似的颜色归组来将它们认为是一种颜色。
为了进行颜色标记，将色空间划分为其数量等于所要表示的颜色数量的多个局部空间，该划分方法被称为颜色量化方法。
有很多因素影响使用颜色进行多媒体搜索的搜索性能。首先，重要的是，色空间要能够很好地表示颜色。其次，重要的是，如何划分给定的色空间，因为数据的颜色特征会根据颜色量化方法被良好地或错误地表示。
因此，颜色量化方法应该适于提供高搜索性能。
颜色量化所考虑的一个事实是，无法对得自不同量化方法的颜色信息进行比较。
由于搜索是在本地数据库上进行的，所有的现有技术都无法考虑上述事实。
即，尽管已经报告有对由相同量化方法提取的颜色信息进行比较性搜索的研究，但其假设前提是，量化是由相同量化方法获得的。
由于近来因特网技术的快速发展，希望在不考虑不同数据管理服务器的情况下搜索数据。因此，重要的是，能够具有不考虑数据的位置和服务器而相互地比较和搜索多媒体数据的功能。
为了满足这种需求，应该考虑适当的量化方法，并且提供用于相互比较的搜索算法。这种性质被称为互操作性。
首先，在以下概括用于解释本发明的术语。
(a)颜色量化级别
由任意色空间表示的颜色数量是无限的。
在一个计算机中利用256维的RGB色空间表示的颜色数量达到2563(16777216)。
为了减小用于搜索基于颜色的多媒体时所表示的颜色数量，通过将所表示的颜色归组成自然数N来分配颜色标记。在此情况下，色群的数量被称为颜色量化数。
(b)互操作性
信息是根据量化方法改变的，即便是使用相同的色空间提取多媒体的颜色特征。
尤其是，很难使用被量化为不同量化级别的图像特征来测量两个图像之间的相似性，这是因为特征中表示的颜色标记的意义是不同的，并且它们的关系难以描述。
例如，通过将一个数据量化为32个级别来由32个单元条构成一个颜色直方图，而通过将另一个数据量化为64个级别来由64个单元条构成另一个直方图。为了使用颜色直方图测量相似性，首先要知道的是第一直方图的哪些相应单元条对应于第二直方图的预定单元条。而且，如果是利用任意方法进行量化，很难定义单元条的关系。
另一方面，如果在某些规则下进行量化，就能够描述由两个特征表示的颜色标记的关系，而不管所应用的不同量化级别。因此，相似性的比较是可能的。
例如，如果将量化为32个级别的色空间划分为一对分离的空间以便提供64个级别，那么由64个级别表示的相应单元条就能够轻松计算相容关系，以便映射到32个级别中的一个。
这种能够处理比较而不管不同的量化方法的性质就是互操作性。
(c)HMMD色空间
本发明的发明人发明的在1998年4月29日提交的韩国专利申请No.98-15326中揭示了HMMD色空间(发明名称：颜色协调空间结构和使用颜色协调的颜色量化方法)。
如图1所示，形状为一对双锥体(double corn)的HMMD色空间包含5个参数，其中该对锥体的底部面对面重叠。
这5个参数包括：hue，max，min，diff(差分值)(differential value)，和sum，分别表示色彩(hue)，色泽(shade)，色度(tint)，色调(chroma)和亮度(brightness)。
图2显示图1中显示的HMMD色空间的结构的内部横断面图。
连接对称锥体的两个相对顶点A和B的垂直轴是”sum”。沿着圆周到垂直轴的垂直方向旋转0°到360°的变化值是“hue”。从中心O到最大圆周C的最短直线段是“diff”。从下锥体的顶点到最大圆周C的另一个最短直线段是“max”。而且，从最小圆周到上锥体的顶点A的另一个最短直线段是“min”。
如下所示从RGB色空间的3个参数r，g和b获得5个参数hue，max，min，diff和sum。在此情况下，hue从0到360变化。
max＝max(r，g，b)
min＝min(r，g，b)
diff＝max(r，g，b)-min(r，g，b)
sum＝(max(r，g，b)-min(r，g，b))/2
if max(r，g，b)＝min(r，g，b)
hue＝UNDEFINED；
else if r＝max(r，g，b)&(g-b≥0)hue＝(g-b)*60/(max(r，g，b)-min(r，g，b))；
else if r＝max(r，g，b)&(g-b＜0)hue＝360+(g-b)*60/(max(r，g，b)-min(r，g，b))；
else if g＝max    hue＝120+(b-r)*60/(max(r，g，b)-min(r，g，b))；
else              hue＝240+(r-g)*60/(max(r，g，b) min(r，g，b))；
因此，本发明致力于一种基于HMMD色空间的颜色量化方法和使用该方法的多媒体搜索方法，能够实质性消除由于现有技术的局限和缺点造成的一个或多个问题。
在下面的说明中将提出本发明的其它特征和优点，其部分地可以从该说明中获得，或者可以通过本发明的实践掌握。可以通过说明书、权利要求以及附图中特别指出的结构实现和获得本发明的目的和其它优点。
为了实现这些和其它优点，并根据所体现和广义描述的本发明的目的，根据本发明在使用HMMD色空间中的颜色信息的搜索系统中，一种基于HMMD色空间的颜色量化方法包括以下步骤：首先利用差分值(diff)作为一个轴，使用至少一个任意指定的diff值划分色空间；通过用sum作为基准而不考虑hue，将色空间的所划分区域中的最低diff区域划分为N个相同部分，其中最低diff区域是灰色区域，并且N是自然数；通过分别用sum轴和hue轴作为基准，利用给定的相应常数将剩余的所划分区域划分为多个相同部分。
优选地，用于首先划分以diff轴为中心的色空间的diff值被如下确定，使得将小宽度指定给低色调(低diff区域)，反之亦然。
而且，在通过用sum轴作为基准利用给定的相应常数将由预定的diff值划分的局部部分划分为多个相同部分时，从两个端部sum宽度(a，b)中选择的较长sum宽度(a)被用作一个基准。
而且，通过用hue轴作为基准，从红色(即0°)开始将各个区域划分为N个相同部分。
在另一个方面，根据本发明在使用HMMD色空间中的颜色信息的图像搜索系统中，一种基于HMMD色空间的颜色量化方法包括以下步骤：首先通过用至少一个指定的diff值作为基准划分色空间；通过用sum轴作为基准将各个划分的区域划分为2x个相同部分，并通过用hue轴作为基准将其划分为2y个相同部分，其中x和y是整数。
在另一个方面，根据本发明在使用HMMD色空间中的颜色信息以便保持不同级别颜色量化产生的特征之间的互操作性的图像搜索系统中，一种基于HMMD色空间的颜色量化方法包括以下步骤：步骤(a)，通过使用diff，sum和hue进行基准级别的颜色量化，将色空间划分为基准级别；和步骤(b)，通过用diff，sum hue，min和max的至少一个组合作为基准对由步骤(a)的颜色量化划分的各个局部区域中的至少一个进行细分，从而进行更大级别的另一个颜色量化。
在另一个方面，根据本发明在使用HMMD色空间中的颜色信息的图像搜索系统中，一种基于HMMD色空间的颜色量化方法包括以下步骤：步骤(a)，通过使用diff，sum和hue进行基准级别的颜色量化，将色空间划分为基准级别；和步骤(b)，通过合并由步骤(a)的颜色量化划分的各个区域中的至少一个，进行更小级别的另一个颜色量化。
在另一个方面，一种使用由不同级别颜色量化方法量化的颜色特征的多媒体搜索方法包括以下步骤：步骤(a)，通过将由大级别的量化方法产生的特征的颜色标记映射到由小级别的量化方法产生的颜色标记中的一个，映射由不同量化方法产生的两个特征的颜色标记的意义；步骤(b)，使用映射的颜色标记测量相似性；步骤(c)，通过用所测量的相似性作为基准来输出多媒体数据。
优选地，在以下假设下确定步骤(a)中的映射颜色标记：对应于所要映射的由小级别的量化方法产生的颜色标记的各个区域中的一个区域中包含由大级别的量化方法产生的颜色标记的对应局部区域处的任意点。
而且，步骤(a)中的颜色标记映射在开始比较两个初始数据的相似性的时间点执行，其中将根据两个量化方法的颜色标记的映射关系存储为一个表或类似物，并且其中所存储的关系表信息被用于后续数据而无需进一步执行另一个颜色标记映射。
本发明的一个优点是提供一种基于HMMD色空间的颜色量化方法和使用该方法的多媒体搜索方法，其中优化一量化方法以适合于各种量化级别，从而提高HMMD色空间中的搜索性能。
本发明的一个优点是提供一种基于HMMD色空间的颜色量化方法和使用该方法的多媒体搜索方法，其中提供了量化到不同量化级别的颜色特征之间的互操作性，以便搜索从不同的应用程序产生的多媒体，并且其中定义一量化规则以便保持高搜索性能。
即，本发明提供一种用于各种级别的颜色量化方法，从而能够在保持互操作性方面获得高搜索性能。而且，本发明提供一种多媒体搜索方法，能够测量被量化为不同级别的特征之间的相似性。
应理解，上述一般性说明和以下的详细说明都是示例性和解释性的，用于提供对本发明权利要求的进一步解释。
被包括用来提供对本发明进一步理解的附图构成了说明书的一部分，显示了本发明的实施例，并与说明书一起解释本发明的原理。
在附图中：
图1显示根据本发明的HMMD色空间的结构；
图2显示图1所示HMMD色空间的结构的横断面图；
图3显示HMMD色空间中的灰色区域的划分状态；
图4显示根据本发明的32级别量化方法中HMMD色空间的MMD横断面图；
图5显示根据本发明的64级别量化方法中HMMD色空间的MMD横断面图；
图6显示根据本发明的120级别量化方法中HMMD色空间的MMD横断面图；
图7显示根据本发明的184级别量化方法中HMMD色空间的MMD横断面图；
图8显示用于表示184和64级别之间的颜色标记映射关系的HMMD色空间中的MMD横断面图；
图9是颜色映射方法的执行顺序的流程图；
图10A显示用hue作为基准的HMMD色空间的横断面图；
图10B显示用hue作为基准的量化过程；
图11显示根据本发明的利用各个量化级别的搜索性能；
图12显示根据本发明的互操作性搜索性能；
图13显示根据本发明另一个实施例的256级别量化方法中HMMD色空间的MMD横断面图；
图14显示根据本发明另一个实施例的128级别量化方法中HMMD色空间的MMD横断面图；
图15显示根据本发明另一个实施例的64级别量化方法中HMMD色空间的MMD横断面图；
图16显示根据本发明另一个实施例的32级别量化方法中HMMD色空间的MMD横断面图；
图17显示根据本发明另一个实施例的利用各个量化级别的搜索性能；
图18显示根据本发明另一个实施例的互操作性搜索性能。
现在将详细介绍本发明的优选实施例，附图给出其实例。整个说明书中于可能之处，用相同的参考数字表示同样的单元。
在本发明中，意图是量化一种HMMD色空间以适于最有效地进行图像搜索，上述HMMD色空间具有优秀的互操作性能非常适于图像搜索。
图3显示了一种在HMMD色空间中划分灰色区域的状态。
在本发明中，HMMD色空间首先由diff进行划分。如图3所示，一个diff值低于预定临界值Thres Chrom的区域是一个灰色区，该区域的颜色不能通过色彩来识别。
由于只有亮度可用于识别属于灰色区的颜色，因此通过把与亮度相对应的sum作为基准来划分该区域。
实施例1
图4显示了根据本发明在基本的32级别的量化方法中HMMD色空间的一个MMD横断面图。
当diff值在0至255之间时，取diff值为9，29和75作为基准把色空间划分为四个局部区域。我们假定这四个局部区域分别表示为S41，S42，S43和S44。
在这种情况下，如图3所示，“S41”是具有最低diff值的区域，也就是说，该区域是具有最低色调的灰色区。因此，利用亮度即sum而不是hue作为基准就可以把该局部区域S41划分为8个相同的部分。
利用hue作为基准把“S42”划分为4个相同的部分，然后再利用sum作为基准把这4个相同的部分中每一个划分为2个相同的部分。利用hue作为基准把“S43”划分为3个相同的部分，然后再利用sum作为基准把这3个相同的部分中每一个划分为4个相同的部分。分别利用hue和sum作为基准把“S44”重复划分为2个相同的部分。
在局部区域S42和S43中，利用hue作为基准把HMMD色空间划分为相同的部分，然后利用sum作为基准把以上相同部分中的每一个再划分为相同的部分，反之亦然。也就是说，在局部区域S42和S43中，可以任意顺序进行上述划分。利用sum和hue作为基准，这种关系可应用于任意区域的所有划分。
当把sum作为基准时，是把被划分的区域中两个端部的sum宽度中较宽的sum宽度a而不是较窄的sum宽度b作为基准，这一点也适用于当把sum作为基准时，在利用diff值划分的区域中用给定的常数划分成相同的部分。
当对一个具有较小色调即较低diff值的区域用diff进行划分时，如图中所示，由diff所作出的划分造成了狭窄的区域。因此，利用颜色所进行的识别能力得到了有效的加强，因为根据数据特性，组成数据的大部分像素颜色都集中在一个具有中间值的色调区域上。
对于相同的效果，当用小数目如32级别执行量化时，用hue对低色调区进行的划分与对高色调区进行的划分相比执行的更精细，这样就可以把低色调区划分为更小的局部区域。因此，利用更小级别的颜色可以有效地表示这些区域。
图5显示了根据本发明在64级别的量化方法中HMMD色空间的一个MMD横断面图。
取diff轴上diff值为9，29和75作为基准把色空间划分为四个局部区域。我们假定这四个局部区域分别表示为S51，S52，S53和S54。
在这种情况下，如图3所示，“S51”是具有最低diff值的区域，也就是说，该区域是具有最低色调的灰色区。因此，利用亮度即sum而不是hue作为基准把该局部区域S51划分为8个相同的部分。
利用hue作为基准把“S52”划分为4个相同的部分，并且利用sum作为基准把这4个相同的部分中每一个划分为4个相同的部分。利用hue作为基准把“S53”划分为6个相同的部分，并且利用sum作为基准把这6个相同的部分中每一个划分为4个相同的部分。分别利用hue和sum作为基准把“S54”重复划分为4个相同的部分。
因此，划分成的这64个区域可完全包含在图4中所划分成的32个区域中的一个区域中。
也就是说，上述32个划分区域的分区边界与上述64个划分区域的分区边界正好重合。当对图4中所划分的32级别颜色所代表的数据和图5中所划分的64级别颜色所代表的其它数据之间的相似性进行测量时，尽管使用了不同的颜色标记，但是使用小级别的颜色标记用于一致性。
因此，能够把量化为64级别的颜色信息转换为量化为32级别的其它颜色形式。
对数据相似性的测量随颜色信息特性的不同而不同，在本发明的实施例中这一点也可以应用于利用颜色直方图作为颜色信息对图像进行的搜索。
颜色直方图是一种信息，它意味着遍及全部图像像素的颜色分布。
为了得到颜色直方图，首先要计算的是：当一个HMMD色空间用给定的量化方法进行划分时，一幅图像中各个像素的颜色值属于某个被划分的空间。然后，把这种分布在直方图的单元条中记录下来，这些单元条具有与各个被划分空间相对应的颜色标记。
利用这种颜色直方图来搜索图像的方法是通过测量基准图像的颜色直方图和目标图像的另一个颜色直方图之间的相似性来执行的。在这种情况下，相似性是通过下面的公式1来获得的。
【公式1】
Σ i = 0 i = n | ( Hγ [ i ] - Ht [ i ] |
n：直方图的单元条的数目
Hr[i]：基准图像直方图的第i个单元条的值
Ht[i]：目标图像直方图的第i个单元条的值
代表总体分布的直方图的各个单元条的值是分数。
当把理论付诸实施时，为了减小存储直方图的空间，对分数值要进行量化以用一个字节的空间就可以代表，而不是使用通常用于代表分数所要用的所有四个字节。
在本发明的实施例中，各个分数值是用8个比特即1个字节来代表的，一个分数值被量化成0至255个值。
图8显示了HMMD色空间的MMD横断面图，以阐明184和64级别之间的颜色标记映射关系，其中精细划分的区域能够直接映射为粗略划分的区域。
映射方法是把一种颜色信息的颜色标记转换为另一种颜色信息的另一种颜色标记，第一种颜色信息在利用不同的量化方法进行量化的颜色信息中被量化为更大的级别，另一种颜色信息则被量化为小级别。为了进行这种转换，要寻找在利用对应的小级别的量化方法被量化为大级别的颜色信息的各个划分区域中包括的任意点的一个新的颜色标记。然后，再根据这个新的颜色标记执行转换。
另一种用于颜色映射的方法是通过把量化的颜色标记从大级别映射到小级别来执行的。在各个被量化为大级别的区域中的任意点必须包括在被量化为小级别的其它区域中。因此，映射是以以下方式完成的：把任意点转换为该对应包含区域的级别。
这种映射过程在图9的流程图中进行了阐明。
由于具有颜色标记的快速映射和转换的优点，因此当已知两种不同的量化公式时，使用首先描述的那种方法。
另一方面，当不知道量化公式但知道用各个颜色标记所表示的色空间中所划分的区域的信息时，可以使用所描述的第二种方法。
没有必要在每次对两个数据进行比较时都执行颜色映射。当通过参照特定数据在特定数据库中搜索相似的数据时，可以利用在一个数据库中相同的量化方法提取颜色信息。因此，如果用于基准数据的颜色信息量化方法与数据库中的数据的颜色信息量化方法不同，那么使用上述的颜色映射一次。
当在第一次映射过程中把两种颜色标记之间的关系存储在表格中之后，利用存储在表格中的这种关系直接执行映射。
这样就能够减小用于颜色映射的时间。
图6显示了根据本发明在120级别的量化方法中HMMD色空间的一个MMD横断面图。
取diff轴上diff值为9，29和75作为基准把色空间划分为四个局部区域。我们假定这四个局部区域分别表示为S61，S62，S63和S64。
如图3所示，“S61”是具有最低diff值的区域，也就是说，该区域是具有最低色调值的灰色区。因此，利用亮度即sum而不是hue作为基准把该局部区域S61划分为8个相同的部分。
利用hue作为基准把“S62”划分为4个相同的部分，然后再利用sum作为基准把这4个相同的部分中每一个划分为4个相同的部分。
利用hue作为基准把“S63”划分为12个相同的部分，然后再利用sum作为基准把这12个相同的部分中每一个划分为4个相同的部分。
利用hue作为基准把“S64”划分为12个相同的部分，然后再利用sum作为基准把这12个相同的部分中每一个划分为4个相同的部分。
因此，划分成的这120个区域可完全包含在图5中所划分成的64个区域中的每个区域中。
也就是说，色空间是通过以下方式构成的：利用hue作为基准把所划分的区域中与“S53”相对应的所有划分的区域分别划分为2个相同的部分，并且利用hue作为基准把与“S54”相对应的所有划分的区域分别划分为3个相同的部分。
图7显示了根据本发明在184级别的量化方法中HMMD色空间的一个MMD横断面图。
取diff轴上diff值为9，29，75和200作为基准把色空间划分为五个局部区域。我们假定这五个局部区域分别表示为S71，S72，S73，S74和S75。
如图3所示，“S71”是具有最低diff值的区域，也就是说，该区域是具有最低色调的灰色区。因此，利用亮度即sum而不是hue作为基准把该局部区域S71划分为8个相同的部分。
利用hue作为基准把“S72”划分为8个相同的部分，然后再利用sum作为基准把这8个相同的部分中每一个划分为4个相同的部分。
利用hue作为基准把“S73”划分为12个相同的部分，然后再利用sum作为基准把这12个相同的部分中每一个划分为4个相同的部分。
利用hue作为基准把“S74”划分为12个相同的部分，然后再利用sum作为基准把这12个相同的部分中每一个划分为4个相同的部分。
利用hue作为基准把“S75”划分为24个相同的部分，然后再利用sum作为基准把这24个相同的部分中每一个划分为2个相同的部分。
因此，划分成的这184个区域完全包含在图6中所划分成的120个区域中的一个区域中。
图10A显示了利用hue作为基准的HMMD色空间的一个横断面图，图10B显示了利用hue作为基准的一个量化过程，其中划分是利用0°作为基准在hue平面上进行的。
参考图10A和图10B，看起来在-45°和+45°之间由虚线所界定的区间可以认为是特有的红色区域。但是，当进行搜索时，将0°和90°之间由实线所界定的区间划分为一个区域更有利一些。
在数据特性中，红色系列的深色被广泛用于代表一个目标区的阴影区域(shade region)。在这种情况下，红颜色被均匀应用于数据中红色/绿色成分的组合或红色/蓝色成分的组合。
也就是说，在数据中由红色和绿色成分的组合以及红色和蓝色成分的组合两者来代表深色是非常罕见的，这种情况通常是由多媒体数据编码或图像获取装置的特性所造成的。
图11显示根据本发明的第一个实施例利用各个量化方法搜索图像所得到的结果的表。
图中的数目越小(接近于“0”)，搜索结果就越高。这与错误大小成比例。
如表中所示，与传统的线性量化方法相比，本发明提供了优秀的搜索性能，并且该性能随级别数的增加而变得更高。
图12显示了根据本发明的第一个实施例利用各种量化方法通过计算用不同的量化级别提取的特征之间的相似性而得到的搜索结果的表。
参考图12，高的搜索性能是从不同的量化级别之间的互操作性试验而得到的。
当对量化为不同级别的数据进行搜索时，最低级别量化的搜索性能至少可由互操作性保证。
尽管搜索性能对基准图像级别和目标图像级别中的低级别搜索结果而言必须相同，但是由于操作过程中的硬件及类似因素的影响，实际上会出现小的差异。
例如，当通过量化为120和64级别而分别得到基准图像级别和目标图像级别时，搜索性能理应是如图11所示的理想的64级别。但是，搜索性能的结果实际上显示出图12中的结果。
在本发明的第一个实施例中，用于颜色量化的diff值和划分各个区域的附加的预定常数是从用于提供最佳搜索性能的实验中获得的值。当搜索用不同的量化方法进行了颜色量化的图像时，利用以上实验的结果值就可以获得基准颜色量化级别以及后面用于进行更细致划分的另一种颜色量化级别。
本发明的结果保证了在所有时间都有高的搜索性能，因此便能够搜索所有现有的多媒体数据，而不必考虑时间和地点。
实施例2
在本发明的第二个实施例中，引入值diff值以用2x来代表颜色量化级别，如256，128，64，和32。然后，利用这些级别作为基准划分局部区域以便能够分别用不同的量化级别进行搜索。
在使用HMMD色空间中的颜色信息的图像搜索系统中，根据本发明的第二个实施例基于HMMD色空间的颜色量化方法包括以下步骤：首先，当差分值diff在0至255之间时，利用至少一个预定的diff值作为基准划分色空间，并且利用sum作为基准把diff区域划分为2x个相同的部分，利用hue作为基准将其划分为2y个相同的部分，此处x和y为整数。
在本发明的第二个实施例中，当diff由0至255之间的数来表示时，确定diff的值分别为6，20，60和110来沿diff轴划分色空间。然后利用diff值作为基准把色空间划分为5个局部区域。我们假定所划分的局部区域分别为S1，S2，S3，S4和S5。然后利用sum作为基准把划分的各个区域S1，S2，S3，S4和S5划分为2x个相同的部分，利用hue作为基准再划分为2y个相同的部分，这样就把色空间区域划分成了各种包含了不同级别的区域。
在这种情况下，如果沿diff轴划分的区域S1，S2，S3，S4，和S5是相同的，并且它们进一步被划分为预定数目的相同部分，这一预定数目要满足以2为底的正指数即2x和2y，那么总是有可能通过把该区域转换为256/128/64/32级别量化中的一个来进行搜索。
下面将详细介绍本发明的第二个实施例，附图给出其实例。
图13显示了根据本发明的第二个实施例在256级别的量化方法中HMMD色空间的一个MMD横断面图。
当要划分的颜色量化级别为256时，首先利用6，20，60，110这几个diff值作为基准把色空间划分为五个局部区域。我们假定这些局部区域分别表示为S101，S102，S103，S104和S105。然后利用sum和hue轴作为基准把局部区域S101至S105划分为相同的部分，划分的数目要满足分别为以2为底的正指数。
也就是说，利用sum轴作为基准把区域101划分为32个相同的部分，这样就提供了32个局部区域。
利用sum轴作为基准把“S102”划分为8个相同的部分，然后再利用hue轴作为基准把这8个相同的部分中每一个划分为4个相同的部分，这样便划分成了32个局部区域。
利用sum轴作为基准把“S103”划分为4个相同的部分，然后再利用hue轴作为基准把这4个相同的部分中每一个划分为16个相同的部分，这样便划分成了64个局部区域。
利用sum轴作为基准把“S104”划分为4个相同的部分，然后再利用hue轴作为基准把这4个相同的部分中每一个划分为16个相同的部分，这样便划分成了64个局部区域。
利用sum轴作为基准把“S105”划分为4个相同的部分，然后再利用hue轴作为基准把这4个相同的部分中每一个划分为16个相同的部分，这样便划分成了64个局部区域。
因此，色空间就被划分为256个局部区域，即256个级别。
图14显示了根据本发明的第二个实施例在128级别的量化方法中HMMD色空间的一个MMD横断面图。
当要划分的颜色量化级别为128时，首先利用6，20，60，和110这几个diff值作为基准把色空间划分为五个局部区域。我们假定这些局部区域分别表示为S111，S112，S113，S114和S115。然后利用sum和hue轴作为基准把局部区域S111至S115划分为相同的部分，划分的数目要满足分别为以2为底的正指数。
也就是说，利用sum轴作为基准把区域S111划分为16个相同的部分，这样就提供了16个局部区域。
利用sum轴作为基准把“S112”划分为4个相同的部分，然后再利用hue轴作为基准把这4个相同的部分中每一个划分为4个相同的部分，这样便划分成了16个局部区域。
利用sum轴作为基准把“S113”划分为4个相同的部分，然后再利用hue轴作为基准把这4个相同的部分中每一个划分为8个相同的部分，这样便划分成了32个局部区域。
利用sum轴作为基准把“S114”划分为4个相同的部分，然后再利用hue轴作为基准把这4个相同的部分中每一个划分为8个相同的部分，这样便划分成了32个局部区域。
利用sum轴作为基准把“S115”划分为4个相同的部分，然后再利用hue轴作为基准把这4个相同的部分中每一个划分为8个相同的部分，这样便划分成了32个局部区域。
因此，色空间就被划分为128个局部区域。
图15显示了根据本发明的第二个实施例在64级别的量化方法中HMMD色空间的一个MMD横断面图。
当要划分的颜色量化级别为64时，首先利用6，20，60，和110这几个diff值作为基准把色空间划分为五个局部区域。我们假定这些局部区域分别表示为S121，S122，S123，S124和S125。然后利用sum和hue轴作为基准把局部区域S 121至S125划分为相同的部分，划分的数目要满足分别为以2为底的正指数。
也就是说，利用sum轴作为基准把区域121划分为8个相同的部分，这样就提供了8个局部区域。
利用sum轴作为基准把“S122”划分为4个相同的部分，然后再利用hue轴作为基准把这4个相同的部分中每一个划分为4个相同的部分，这样便划分成了16个局部区域。
利用sum轴作为基准把“S123”划分为4个相同的部分，然后再利用hue轴作为基准把这4个相同的部分中每一个划分为4个相同的部分，这样便划分成了16个局部区域。
利用sum轴作为基准把“S124”划分为2个相同的部分，然后再利用hue轴作为基准把这2个相同的部分中每一个划分为8个相同的部分，这样便划分成了16个局部区域。
利用hue轴作为基准把“S115”划分为8个相同的部分，这样便划分成了8个局部区域。
因此，色空间就被划分为64个局部区域。
图16显示了根据本发明的第二个实施例在32级别的量化方法中HMMD色空间的一个MMD横断面图。
当要划分的颜色量化级别为32时，首先利用6，60，和110这几个diff值作为基准把色空间划分为四个局部区域。我们假定这些局部区域分别表示为S131，S132，S133，和S134。然后利用sum和hue轴作为基准把局部区域S131至S134划分为相同的部分，划分的数目要满足分别为以2为底的正指数。
也就是说，利用sum轴作为基准把区域131划分为8个相同的部分，这样就提供了8个局部区域。
利用sum轴作为基准把“S132”划分为4个相同的部分，然后再利用hue轴作为基准把这4个相同的部分中每一个划分为4个相同的部分，这样便划分成了16个局部区域。
利用hue轴作为基准把“S133”划分为4个相同的部分，这样便划分成了4个局部区域。
利用hue轴作为基准把“S134”划分为4个相同的部分，这样便划分成了4个局部区域。
因此，色空间便被划分为32个局部区域，即32个级别。
如前面的解释所述，具有最低diff值的区域，也就是说，具有最低色调值的灰色区不被划分。只利用亮度即sum作为基准来执行划分。
图17为根据本发明的第二个实施例利用各个量化方法搜索图像所得到的结果的表。
图18显示了根据本发明的第二个实施例利用各种量化方法通过计算用不同的量化级别提取的特征之间的相似性而得到的搜索结果的表。
在本发明的第二个实施例中，用于颜色量化的diff值和用于划分各个区域的附加的预定为以2为底的指数的常数是从用于提供最佳搜索性能的实验中获得的。
在本发明中，首先是执行一基准级别的颜色量化。然后，再通过把进行了颜色量化的局部区域细分为更微小的区域执行另一个更大级别的颜色量化，或者通过合并进行了颜色量化的局部区域而执行另一个更小级别的颜色量化。
例如，采用32作为基准量化级别，在根据量化级别64，128和256的顺序依次进行量化产生的划分区域上执行细分。另一方面，采用256作为基准量化级别，在根据量化级别128，64和32的顺序依次进行更微小量化而产生的划分区域上执行划分。
前一种把用基准级别进行量化的局部区域通过细分而量化为更大的级别的情况包括：第一步，利用diff，sum和hue通过执行基准级别的颜色量化把色空间划分为一基准级别；第二步，利用diff，sum，hue，min和max的至少一个组合作为基准通过把第一步颜色量化所划分的局部区域中的至少一个细分执行另一个更大级别的颜色量化。
在这种情况下，进行颜色量化的基准级别为32，当差分值diff的范围在0至255之间时，指定用于把色空间划分为基准级别的diff值分别为6，60和110，色空间首先利用这些diff值被划分为4个局部区域。我们假定这些局部区域为S131，S132，S133和S134。然后，利用sum和hue轴作为基准把区域S131至S134划分为底数为2的正指数个相同的部分，这样就把色空间划分为32的基准级别。
把局部区域S131至S134划分为32级别的过程与用于32级别量化方法的第二个实施例是相同的。
在执行更大级别的颜色量化以从32级别到64级别的过程中，在利用diff值20作为基准把区域S132再划分为两个局部区域S132-1和S132-2后，利用sum轴作为基准把局部区域S132-1和S132-2划分为4个相同的部分，同时保持四重划分的hue轴不变。这样，区域S132就被划分为32个局部区域。
利用sum轴作为基准而被划分为32级别的8个相同部分的区域S131保持不变。
利用sum轴作为基准把区域S133划分为2个相同部分，然后再利用hue轴作为基准把上面所划分的各个区域细分为8个相同的部分，这样就划分成了16个局部区域。也就是说，区域S133被划分为32级别中的4个相同部分，但是被划分为64级别中的8个相同部分。
被利用hue轴作为基准划分为32级别中的4个相同部分的区域S134划分为8个相同的部分，这样就划分成了8个局部区域。因此，色空间就从32级别被划分为64级别。
在执行更大级别的颜色量化以从64级别到128级别的过程中，利用sum轴作为基准把已被划分为64级别中的8个相同部分的区域S131划分为16个相同部分，这样，区域S131就被细分为16个局部区域。
在64级别中利用sum轴作为基准划分为4个相同部分，利用hue轴作为基准划分为4个相同部分的区域S132-1保持不变。
区域S132-2保持这样一种状态：利用sum轴作为基准划分为64级别中的4个相同部分，利用hue轴作为基准划分为8个而不是64级别中的4个相同部分，这样区域S132-2就被细分为32个局部区域。
区域S133保持这样一种状态：利用hue轴作为基准划分为8个相同部分，利用sum轴作为基准划分为4个而不是64级别中的2个相同部分，这样区域S133就被细分为32个局部区域。
区域S134保持这样一种状态：划分为8个相同部分，并且利用sum轴作为基准划分为4个相同部分，这样区域S134就被细分为32个局部区域。
因此，色空间就从64级别被划分为128级别。
在执行更大级别的颜色量化以从128级别到256级别的过程中，利用sum轴作为基准把已被划分为128级别中的16个相同部分的区域S131划分为32个相同部分，这样，区域S131就被细分为32个局部区域。
区域S132-1保持这样一种状态：利用hue轴作为基准划分为4个相同部分，并且利用sum轴作为基准划分为8个而不是128级别中的4个相同部分，这样区域S132-1就被细分为32个局部区域。
区域S132-2保持这样一种状态：利用sum轴作为基准划分为4个相同部分，并且利用hue轴作为基准划分为16个而不是128级别中的8个相同部分，这样区域S 132-2就被细分为64个局部区域。
区域S133保持这样一种状态：利用sum轴作为基准划分为4个相同部分，并且利用hue轴作为基准划分为16个而不是128级别中的8个相同部分，这样区域S133就被细分为64个局部区域。
区域S134保持这样一种状态：利用sum轴作为基准划分为4个相同部分，并且利用hue轴作为基准划分为16个而不是128级别中的8个相同部分，这样区域S134就被细分为64个局部区域。
这样，色空间就从128级别划分为256级别。
另一方面，后一种把用基准级别量化的局部区域通过合并而量化为更小级别的情况包括：第一步，利用diff，sum和hue通过执行基准级别的颜色量化把色空间划分为基准级别；第二步，把第一步颜色量化所划分的局部区域中的至少一个合并，执行另一个更小级别的颜色量化。
在这种情况下，颜色量化的基准级别为256，当差分值diff的范围在0至255之间时，指定用于把色空间划分为基准级别的diff值分别为6，20，60和110，并且色空间首先利用这些diff值被划分为5个局部区域。我们假定这些局部区域为S101，S102，S103，S104和S105。然后，利用sum和hue轴作为基准把区域S101至S105划分为底数为2的正指数个相同的部分，这样就把色空间划分为256的基准级别。
把局部区域S101至S105划分为256级别的过程与本发明的第二个实施例中描述的256级别的量化方法是相同的。
在执行更小级别的颜色量化以从256级别到128级别的过程中，利用sum轴作为基准把区域S101划分为16个而不是256级别中的32个相同的部分，这样，区域S101的量化级别就被减小到16级别。
区域S102保持这样一种状态：利用hue轴作为基准划分为256级别中的4个相同部分，并且利用sum轴作为基准划分为4个而不是256级别中的8个相同部分，这样区域S102的量化级别就被减小到16级别。
区域S103保持这样一种状态：利用sum轴作为基准划分为256级别中的4个相同部分，并且利用hue轴作为基准划分为8个而不是256级别中的16个相同部分，这样区域S103的量化级别就被减小到32级别。
区域S104保持这样一种状态：利用sum轴作为基准划分为256级别中的4个相同部分，并且利用hue轴作为基准划分为8个而不是256级别中的16个相同部分，这样区域S104的量化级别就被减小到32级别。
区域S105保持这样一种状态：利用sum轴作为基准划分为256级别中的4个相同部分，并且利用hue轴作为基准划分为8个而不是256级别中的16个相同部分，这样区域S105的量化级别就被减小到32级别。
这样，色空间就从256级别划分为128级别。
在执行更小级别的颜色量化以从128级别到64级别的过程中，利用sum轴作为基准把区域S101划分为8个而不是128级别中的16个相同的部分，这样，区域S101的量化级别就被减小到8级别。
区域S102保持这样一种状态：利用sum轴作为基准划分为4个相同部分，并且利用hue轴作为基准划分为4个相同部分。
区域S103保持这样一种状态：利用sum轴作为基准划分为4个相同部分，并且利用hue轴作为基准划分为4个而不是128级别中的8个相同部分，这样区域S103的量化级别就被减小到16级别。
区域S104保持这样一种状态：利用hue轴作为基准划分为8个相同部分，并且利用sum轴作为基准划分为2个而不是128级别中的4个相同部分，这样区域S104的量化级别就被减小到16级别。
区域S105保持这样一种状态：利用hue轴作为基准划分为8个相同部分，并且利用sum轴作为基准划分为1个而不是128级别中的4个相同部分，这样区域S105的量化级别就被减小到8级别。
因此，色空间就从128级别划分为64级别。
在执行更小级别的颜色量化以从64级别到32级别的过程中，区域101保持这样一种状态：利用sum轴作为基准把区域S101划分为64级别中的8个相同的部分。
区域S102和区域S103被合并在一个合并区域中。并且，合并的区域保持这样一种状态：利用hue轴作为基准划分为4个相同部分，并且利用sum轴作为基准划分为2个相同部分，这样合并区域的量化级别就被减小到8级别。
区域S104保持这样一种状态：利用sum轴作为基准划分为1个而不是64级别中的2个相同部分，并且利用hue轴作为基准划分为4个而不是64级别中的8个相同部分，这样区域S104的量化级别就被减小到4级别。
区域S105保持这样一种状态：利用sum轴作为基准划分为1个相同部分，并且利用hue轴作为基准划分为4个而不是64级别中的8个相同部分，这样区域S105的量化级别就被减小到4级别。
因此，色空间就从64级别划分为32级别。
在本发明的第二个实施例中，可扩充性和搜索性能都比第一个实施例改良了许多，这是因为搜索中使用了HMMD色空间区域，该区域被量化为以2x表达的量化级别。
如上面的说明所述，用于多媒体搜索如图像搜索和类似搜索的本发明使用适合于进行搜索的HMMD色空间以有效利用最重要的颜色信息，而且本发明还特别能够保证高的搜索性能，尽管是使用小数目的颜色级别进行量化。
因此，通过对最佳的颜色量化方法标准化使其通过与搜索相关的标准如MPEG-7，并且使用搜索所要求的较小的特征空间，本发明能够提供很高的搜索性能。
而且，通过提供一种可以保证能够进行相互比较和搜索的互操作性的量化方法，本发明能够提供一种以与正确的标准化相一致的颜色为基础的多媒体搜索方法和解决特征结构的解决方式，这一切都不用考虑用于各种用途的不同的量化方法。
上述实施例仅仅是示例性的，并不是用来限制本发明的。本发明很容易就可以应用于其他类型的设备。本发明的说明书的意图也只是说明性的，不用于限制权利要求的范围。对于本领域的技术人员而言，很多选择，修改和变化都是显而易见的。

Claims (24)

1.一种使用图像颜色直方图的多媒体搜索方法，包括：
输入图像；
通过量化方法量化每个输入图象的转换的HMMD颜色值；
为每个输入图象建立颜色直方图；
测量每个输入的图像的颜色直方图和基准图象的颜色直方图之间的相似性；以及
根据测量的相似性安排输入图像，其中颜色量化方法包括：
首先利用差分值diff作为一个轴，使用至少一个任意指定的diff值划分色空间；
通过用sum作为基准而不考虑hue，将色空间的所划分区域中的最低diff区域划分为N个相同部分，其中最低diff区域是灰色区域，并且N是自然数；
通过分别用sum轴和hue轴作为基准，利用给定的相应常数将剩余的所划分区域划分为多个相同部分。
2.根据权利要求1的方法，其中用于首先划分以diff轴为中心的色空间的diff值被如下确定，使得将小宽度指定给低色调，即低diff区域，反之亦然。
3.根据权利要求1的方法，其中在通过用sum轴作为基准利用给定的相应常数将由预定的diff值划分的局部部分划分为多个相同部分时，从两个端部sum宽度(a，b)中选择的较长sum宽度(a)被用作一个基准。
4.根据权利要求1的方法，其中通过用hue轴作为基准，从红色，即0°，开始将各个区域划分为N个相同部分。
5.根据权利要求1的方法，其中通过用sum轴作为基准和用hue轴作为基准，将通过用diff轴作为基准划分的各个区域再次划分为2x个相同部分和2y个相同部分，其中x和y是正整数。
6.根据权利要求1的方法，其中色空间具有范围是0到255的diff值，diff值被建立为6，20，60和110以沿着diff轴划分色空间，并且通过用这些diff值作为基准将色空间划分为5个区域，S101到S105，并且
其中如下将色空间划分为256个局部区域
通过用sum轴作为基准将区域S101划分为32个相同部分，以便提供32个局部区域，
通过用sum轴作为基准将区域S102划分为8个相同部分，并且通过用hue轴作为基准将其再次划分为4个相同部分，以便提供32个局部区域，
通过用sum轴作为基准将区域S103划分为4个相同部分，并且通过用hue轴作为基准将其再次划分为16个相同部分，以便提供64个局部区域，
通过用sum轴作为基准将区域S104划分为4个相同部分，并且通过用hue轴作为基准将其再次划分为16个相同部分，以便提供64个局部区域，
通过用sum轴作为基准将区域S105划分为4个相同区域，并且通过用hue轴作为基准将其再次划分为16个相同部分，以便提供64个局部区域。
7.根据权利要求1的方法，其中色空间具有范围是0到255的diff值，diff值被建立为6，20，60和110以便沿着diff轴划分色空间，并且通过用这些diff值作为基准将色空间划分为5个区域，S111到S115，并且
其中如下将色空间划分为128个局部区域
通过用sum轴作为基准将区域S111划分为16个相同部分，以便提供16个局部区域，
通过用sum轴作为基准将区域S112划分为4个相同部分，并且通过用hue轴作为基准将其再次划分为4个相同部分，以便提供16个局部区域，
通过用sum轴作为基准将区域S113划分为4个相同部分，并且通过用hue轴作为基准将其再次划分为8个相同部分，以便提供32个局部区域，
通过用sum轴作为基准将区域S114划分为4个相同部分，并且通过用hue轴作为基准将其再次划分为8个相同部分，以便提供32个局部区域，
通过用sum轴作为基准将区域S115划分为4个相同部分，并且通过用hue轴作为基准将其再次划分为8个相同部分，以便提供32个局部区域。
8.根据权利要求1的方法，其中色空间具有范围是0到255的diff值，diff值被建立为6，20，60和110以便沿着diff轴划分色空间，并且通过用这些diff值作为基准将色空间划分为5个区域，S121到S125，并且
其中如下将色空间划分为64个局部区域
通过用sum轴作为基准将区域S121划分为8个相同部分，以便提供8个局部区域，
通过用sum轴作为基准将区域S122划分为4个相同部分，并且通过用hue轴作为基准将其再次划分为4个相同部分，以便提供16个局部区域，
通过用sum轴作为基准将区域S123划分为4个相同部分，并且通过用hue轴作为基准将其再次划分为4个相同部分，以便提供16个局部区域，
通过用sum轴作为基准将区域S124划分为2个相同部分，并且通过用hue轴作为基准将其再次划分为8个相同部分，以便提供16个局部区域，
通过用hue轴作为基准将区域S125划分为8个相同部分，以便提供8个局部区域。
9.根据权利要求1的方法，其中色空间具有范围是0到255的diff值，diff值被建立为6，60和110以便沿着diff轴划分色空间，并且通过用这些diff值作为基准将色空间划分为4个区域，S131到S134，并且
其中如下将色空间划分为32个局部区域
通过用sum轴作为基准将区域S131划分为8个相同部分，以便提供8个局部区域，
通过用sum轴作为基准将区域S132划分为4个相同部分，并且通过用hue轴作为基准将其再次划分为4个相同部分，以便提供16个局部区域，
通过用hue轴作为基准将区域S133划分为4个相同部分，以便提供4个局部区域，
通过用hue轴作为基准将区域S134划分为4个相同部分，以便提供4个局部区域。
10.根据权利要求1的方法，其中色空间具有范围是0到255的diff值，diff值被建立为9，29和75以便沿着diff轴划分色空间，并且通过用这些diff值作为基准将色空间划分为4个区域，S41到S44，并且
其中如下将色空间划分为32个局部区域
通过用sum轴作为基准将区域S41划分为8个相同部分，以便提供8个局部区域，
通过用sum轴作为基准将区域S42划分为2个相同部分，并且通过用hue轴作为基准将其再次划分为4个相同部分，以便提供8个局部区域，
通过用sum轴作为基准将区域S43划分为4个相同部分，并且通过用hue轴作为基准将其划分为3个相同部分，以便提供12个局部区域，
通过用sum轴作为基准将区域S44划分为2个相同部分，并且通过用hue轴作为基准将其划分为2个相同部分，以便提供4个局部区域。
11.根据权利要求1的方法，其中色空间具有范围是0到255的diff值，diff值被建立为9，29和75以便沿着diff轴划分色空间，并且通过用这些diff值作为基准将色空间划分为4个区域，S51到S54，并且
其中如下将色空间划分为64个局部区域
通过用sum轴作为基准将区域S51划分为8个相同部分，以便提供8个局部区域，
通过用sum轴作为基准将区域S52划分为4个相同部分，并且通过用hue轴作为基准将其划分为4个相同部分，以便提供16个局部区域，
通过用sum轴作为基准将区域S53划分为4个相同部分，并且通过用hue轴作为基准将其划分为6个相同部分，以便提供24个局部区域，
通过用sum轴作为基准将区域S54划分为4个相同部分，并且通过用hue轴作为基准将其划分为4个相同部分，以便提供16个局部区域。
12.根据权利要求1的方法，其中色空间具有范围是0到255的diff值，diff值被建立为9，29和75以便沿着diff轴划分色空间，并且通过用这些diff值作为基准将色空间划分为4个区域，S61到S64，并且
其中如下将色空间划分为120个局部区域，
通过用sum轴作为基准将区域S61划分为8个相同部分，以便提供8个局部区域，
通过用sum轴作为基准将区域S62划分为4个相同部分，并且通过用hue轴作为基准将其划分为4个相同部分，以便提供16个局部区域，
通过用sum轴作为基准将区域S63划分为4个相同部分，并且通过用hue轴作为基准将其划分为12个相同部分，以便提供48个局部区域，
通过用sum轴作为基准将区域S64划分为4个相同部分，并且通过用hue轴作为基准将其划分为12个相同部分，以便提供48个局部区域。
13.根据权利要求1的方法，其中色空间具有范围是0到255的diff值，diff值被建立为9，29，75和200以便沿着diff轴划分色空间，并且通过用这些diff值作为基准将色空间划分为5个区域，S71到S75，并且
其中如下将色空间划分为184个局部区域
通过用sum轴作为基准将区域S71划分为8个相同部分，以便提供8个局部区域，
通过用sum轴作为基准将区域S72划分为4个相同部分，并且通过用hue轴作为基准将其划分为8个相同部分，以便提供32个局部区域，
通过用sum轴作为基准将区域S73划分为4个相同部分，并且通过用hue轴作为基准将其划分为12个相同部分，以便提供48个局部区域，
通过用sum轴作为基准将区域S74划分为4个相同部分，并且通过用hue轴作为基准将其划分为12个相同部分，以便提供48个局部区域，
通过用sum轴作为基准将区域S75划分为2个相同部分，并且通过用hue轴作为基准将其划分为24个相同部分，以便提供48个局部区域。
14.一种使用图像颜色直方图的多媒体搜索方法，包括：
输入图像；
通过量化方法量化每个输入图象的转换的HMMD颜色值；
为每个输入图象建立颜色直方图；
测量每个输入的图像的颜色直方图和基准图象的颜色直方图之间的相似性；以及
根据测量的相似性安排输入图像，其中颜色量化方法包括：
首先通过用至少一个指定的diff值作为基准划分色空间；
通过用sum轴作为基准将各个划分的区域划分为2x个相同部分，并通过用hue轴作为基准将其划分为2y个相同部分，其中x和y是整数。
15.根据权利要求14的方法，其中色空间具有范围是0到255的diff值用于划分后的256颜色量化级别，指定的diff值是6，20，60和110以便划分色空间，并且将色空间划分为5个区域，S101到S105，并且
其中如下将色空间划分为256个局部区域
通过用sum轴作为基准将区域S101划分为32个相同部分，以便提供32个局部区域，
通过用sum轴作为基准将区域S102划分为8个相同部分，并且通过用hue轴作为基准将其划分为4个相同部分，以便提供32个局部区域，
通过用sum轴作为基准将区域S103划分为4个相同部分，并且通过用hue轴作为基准将其划分为16个相同部分，以便提供64个局部区域，
通过用sum轴作为基准将区域S104划分为4个相同部分，并且通过用hue轴作为基准将其划分为16个相同部分，以便提供64个局部区域，
通过用sum轴作为基准将区域S105划分为4个相同部分，并且通过用hue轴作为基准将其划分为16个相同部分，以便提供64个局部区域。
16.根据权利要求14的方法，其中色空间具有范围是0到255的diff值用于划分后的128颜色量化级别，指定的diff值是6，20，60和110以便划分色空间，并且将色空间划分为5个区域，S111到S115，并且
其中如下将色空间划分为128个局部区域
通过用sum轴作为基准将区域S111划分为16个相同部分，以便提供16个局部区域，
通过用sum轴作为基准将区域S112划分为4个相同部分，并且通过用hue轴作为基准将其划分为4个相同部分，以便提供16个局部区域，
通过用sum轴作为基准将区域S113划分为4个相同部分，并且通过用hue轴作为基准将其划分为8个相同部分，以便提供32个局部区域，
通过用sum轴作为基准将区域S114划分为4个相同部分，并且通过用hue轴作为基准将其划分为8个相同部分，以便提供32个局部区域，
通过用sum轴作为基准将区域S115划分为4个相同部分，并且通过用hue轴作为基准将其划分为8个相同部分，以便提供32个局部区域。
17.根据权利要求14的方法，其中色空间具有范围是0到255的diff值用于划分后的64颜色量化级别，指定的diff值是6，20，60和110以便划分色空间，并且将色空间划分为5个区域，S121到S125，并且
其中如下将色空间划分为64个局部区域
通过用sum轴作为基准将区域S121划分为8个相同部分，以便提供8个局部区域，
通过用sum轴作为基准将区域S122划分为4个相同部分，并且通过用hue轴作为基准将其划分为4个相同部分，以便提供16个局部区域，
通过用sum轴作为基准将区域S123划分为4个相同部分，并且通过用hue轴作为基准将其划分为4个相同部分，以便提供16个局部区域，
通过用sum轴作为基准将区域S124划分为2个相同部分，并且通过用hue轴作为基准将其划分为8个相同部分，以便提供16个局部区域，
通过用hue轴作为基准将区域S125划分为8个相同部分，以便提供8个局部区域。
18.根据权利要求14的方法，其中色空间具有范围是0到255的diff值用于划分后的32颜色量化级别，指定的diff值是6，60和110以便划分色空间，并且将色空间划分为5个区域，S131到S135，并且
其中如下将色空间划分为32个局部区域
通过用sum轴作为基准将区域S131划分为8个相同部分，以便提供8个局部区域，
通过用sum轴作为基准将区域S132划分为4个相同部分，并且通过用hue轴作为基准将其划分为4个相同部分，以便提供16个局部区域，
通过用hue轴作为基准将区域S133划分为4个相同部分，以便提供4个局部区域，
通过用hue轴作为基准将区域S134划分为4个相同部分，以便提供4个局部区域。
19.在使用HMMD色空间中的颜色信息的图像搜索系统中的一种基于HMMD色空间的颜色量化方法，包括：
步骤(a)，通过使用diff，sum和hue进行基准级别的颜色量化，将色空间划分为基准级别；和
步骤(b)，通过用diff，sum hue，min和max的至少一个组合作为基准对由步骤(a)的颜色量化划分的各个局部区域中的至少一个进行细分，从而进行更大级别的另一个颜色量化。
20.根据权利要求19的方法，其中步骤(a)中的颜色量化级别的基准是32，当差分值diff的范围是0到255时，被指定用于将色空间划分为基准级别的diff值分别是6，60和110，并且首先利用这些diff值将色空间划分为4个局部区域，S131，S132，S133和S134，并且
如下将色空间划分为32个局部区域
通过用sum轴作为基准将区域S131划分为8个相同部分，以便提供8个局部区域，
通过用sum轴作为基准将区域S132划分为4个相同部分，并且通过用hue轴作为基准将其划分为4个相同部分，以便提供16个局部区域，
通过用hue轴作为基准将区域S133划分为4个相同部分，以便提供4个局部区域，
通过用hue轴作为基准将区域S134划分为4个相同部分，以便提供4个局部区域。
21.根据权利要求20的方法，其中在进行更大级别颜色量化的步骤(b)中如下将色空间划分为62个局部区域
通过用diff值20作为基准将区域S132划分为两个局部区域S132-1和S132-2，
通过用sum轴作为基准分别将局部区域S132-1和S132-2划分为4个相同部分，同时步骤(a)中被四分的hue轴保持不变，以便提供32个局部区域，
保持在步骤(a)中通过用sum轴作为基准被划分为8个相同部分的区域S131，
通过用sum轴作为基准将区域S133划分为2个相同部分，并且通过用hue轴作为基准将其划分为8个相同部分，以便提供16个局部区域，
通过将区域S134划分为8个相同部分，以便提供8个局部区域。
22.根据权利要求21的方法，其中在进行更大级别颜色量化的步骤(b)中如下将色空间划分为128个局部区域
通过用sum轴作为基准将区域S131划分为16个相同部分，以便提供16个局部区域，
保持在64级别中通过用sum轴作为基准被划分为4个相同部分并且通过用hue轴作为基准被划分为4个相同部分的区域S132-1，
通过用hue轴作为基准将区域S132-2划分为8个相同部分而不是划分为64级别中的4个相同部分，同时保持通过用sum轴作为基准被划分为4个相同部分的状态，以便提供32个局部区域，
通过用sum轴作为基准将区域S133划分为4个相同部分，同时保持通过用hue轴作为基准被划分为8个相同部分的状态，以便提供32个局部区域，
通过用sum轴作为基准将区域S134划分为4个相同部分，同时保持通过用hue轴作为基准被划分为8个相同部分的状态，以便提供32个局部区域。
23.根据权利要求21的方法，其中在进行更大级别颜色量化的步骤(b)中如下将色空间划分为256个局部区域
通过用sum轴作为基准将区域S131划分为32个相同部分，以便提供32个局部区域，
通过用sum轴作为基准将区域S132-1划分为8个相同部分，同时保持通过用hue轴作为基准被划分为4个相同部分的状态，以便提供32个局部区域，
通过用hue轴作为基准将区域S132-2划分为16个相同部分，同时保持通过用sum轴作为基准被划分为4个相同部分的状态，以便提供64个局部区域，
通过用hue轴作为基准将区域S133划分为16个相同部分，同时保持通过用sum轴作为基准被划分为4个相同部分的状态，以便提供64个局部区域，
通过用hue轴作为基准将区域S134划分为16个相同部分，同时保持通过用sum轴作为基准被划分为4个相同部分的状态，以便提供64个局部区域。
24.根据权利要求19的方法，其中进行更大级别的另一个颜色量化的步骤(b)通过用diff，sum，hue，min和max的至少一个组合作为基准，将已经由步骤(a)的颜色量化划分过的各个区域中的至少一个区域细分为更小的局部区域。
CNB011183888A 2000-05-26 2001-05-28 颜色量化方法和使用该方法的多媒体搜索方法 Expired - Fee Related CN1227612C (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20000028759 2000-05-26
KR28759/2000 2000-05-26
KR63163/2000 2000-10-26
KR10-2000-0063163A KR100374063B1 (ko) 2000-05-26 2000-10-26 에이취엠엠디（ｈｍｍｄ）칼라 스페이스 기반의칼라양자화 방법과 멀티미디어 특징소 추출 및 검색 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CNB2004100950513A Division CN100454297C (zh) 2000-05-26 2001-05-28 颜色量化方法和使用该方法的多媒体搜索方法

Publications (2)

Publication Number Publication Date
CN1326160A CN1326160A (zh) 2001-12-12
CN1227612C true CN1227612C (zh) 2005-11-16

Family

ID=26638030

Family Applications (2)

Application Number Title Priority Date Filing Date
CNB2004100950513A Expired - Fee Related CN100454297C (zh) 2000-05-26 2001-05-28 颜色量化方法和使用该方法的多媒体搜索方法
CNB011183888A Expired - Fee Related CN1227612C (zh) 2000-05-26 2001-05-28 颜色量化方法和使用该方法的多媒体搜索方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CNB2004100950513A Expired - Fee Related CN100454297C (zh) 2000-05-26 2001-05-28 颜色量化方法和使用该方法的多媒体搜索方法

Country Status (5)

Country Link
US (4) US6919971B2 (zh)
EP (1) EP1176804A3 (zh)
JP (3) JP3676259B2 (zh)
CN (2) CN100454297C (zh)
BR (1) BR0103093C1 (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3676259B2 (ja) * 2000-05-26 2005-07-27 エルジー電子株式会社 Ｈｍｍｄカラースペースに基づいたカラー量子化方法とマルチメディア
JP2002027272A (ja) * 2000-07-11 2002-01-25 Fuji Photo Film Co Ltd カラーチャートおよび色変換定義作成方法
KR100439371B1 (ko) * 2000-09-08 2004-07-09 엘지전자 주식회사 히스토그램을 이용한 멀티미디어 검색방법
KR100488011B1 (ko) * 2002-10-07 2005-05-06 엘지전자 주식회사 칼라 히스토그램의 빈값 양자화 방법
US8208731B2 (en) * 2008-04-07 2012-06-26 Microsoft Corporation Image descriptor quantization
CN101799929B (zh) * 2009-02-11 2013-01-23 富士通株式会社 指定颜色层提取设备和方法
US8775424B2 (en) 2010-01-26 2014-07-08 Xerox Corporation System for creative image navigation and exploration
US8553154B2 (en) * 2010-02-16 2013-10-08 Vixs Systems, Inc Method and/or apparatus for implementing a color management module
US8553045B2 (en) 2010-09-24 2013-10-08 Xerox Corporation System and method for image color transfer based on target concepts
US8369616B2 (en) 2010-10-20 2013-02-05 Xerox Corporation Chromatic matching game
US20120109993A1 (en) * 2010-10-28 2012-05-03 Qualcomm Incorporated Performing Visual Search in a Network
US8532377B2 (en) 2010-12-22 2013-09-10 Xerox Corporation Image ranking based on abstract concepts
US10169803B2 (en) 2014-06-26 2019-01-01 Amazon Technologies, Inc. Color based social networking recommendations
US9996579B2 (en) * 2014-06-26 2018-06-12 Amazon Technologies, Inc. Fast color searching
US9785649B1 (en) 2014-09-02 2017-10-10 Amazon Technologies, Inc. Hue-based color naming for an image
US9454713B2 (en) * 2014-12-30 2016-09-27 Ebay Inc. Similar item detection
CN105574900B (zh) * 2015-12-16 2018-12-25 上海华力创通半导体有限公司 基于hmmd颜色空间的颜色量化系统及颜色量化方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3452212B2 (ja) * 1994-07-07 2003-09-29 富士ゼロックス株式会社 減色処理を行なうカラー画像処理装置
US5825917A (en) * 1994-09-30 1998-10-20 Sanyo Electric Co., Ltd. Region-based image processing method, image processing apparatus and image communication apparatus
JPH0927966A (ja) * 1995-07-12 1997-01-28 Sanyo Electric Co Ltd 画像符号化方法および画像符号化装置
JPH10160573A (ja) * 1996-11-29 1998-06-19 Shimadzu Corp 色彩測定装置
JPH10276337A (ja) * 1997-03-28 1998-10-13 Sharp Corp カラー画像処理装置
US6633407B1 (en) * 1998-04-29 2003-10-14 Lg Electronics, Inc. HMMD color space and method for quantizing color using HMMD space and color spreading
US6310969B1 (en) * 1998-05-28 2001-10-30 Lg Electronics Inc. Color coordinate space structure and color quantizing and variable gray area designating method therein
US6721449B1 (en) 1998-07-06 2004-04-13 Koninklijke Philips Electronics N.V. Color quantization and similarity measure for content based image retrieval
KR100512118B1 (ko) * 1999-06-10 2005-09-02 엘지전자 주식회사 칼라스페이스의 최적 양자화 방법
KR100364753B1 (ko) * 1999-11-19 2002-12-16 엘지전자 주식회사 칼라 히스토그램의 빈값 양자화 방법
KR100422697B1 (ko) * 1999-12-27 2004-03-12 엘지전자 주식회사 색공간 양자화 묘사자
WO2001063229A1 (fr) * 2000-02-23 2001-08-30 Dainichiseika Color & Chemicals Mfg. Co., Ltd. Procede d'evaluation de la reproductibilite d'echantillon de virage par memoire a transfert de charges
JP3676259B2 (ja) * 2000-05-26 2005-07-27 エルジー電子株式会社 Ｈｍｍｄカラースペースに基づいたカラー量子化方法とマルチメディア
KR100374063B1 (ko) * 2000-05-26 2003-03-03 엘지전자 주식회사 에이취엠엠디（ｈｍｍｄ）칼라 스페이스 기반의칼라양자화 방법과 멀티미디어 특징소 추출 및 검색 방법
JP3492293B2 (ja) 2000-07-07 2004-02-03 キヤノン株式会社 ファクシミリ装置、およびファクシミリ装置の制御方法
KR100375222B1 (ko) * 2000-07-19 2003-03-08 엘지전자 주식회사 스케일러블 칼라 히스토그램 엔코딩 방법
EP1174804A3 (en) * 2000-07-21 2005-07-20 Lg Electronics Inc. Method for searching multimedia using progressive histogram

Also Published As

Publication number Publication date
US20050094876A1 (en) 2005-05-05
CN1326160A (zh) 2001-12-12
US20010055128A1 (en) 2001-12-27
US20050094873A1 (en) 2005-05-05
JP3676259B2 (ja) 2005-07-27
JP2002027277A (ja) 2002-01-25
EP1176804A3 (en) 2004-08-04
JP2005216296A (ja) 2005-08-11
US7197183B2 (en) 2007-03-27
US7180634B2 (en) 2007-02-20
BR0103093C1 (pt) 2005-10-11
JP2005216295A (ja) 2005-08-11
EP1176804A2 (en) 2002-01-30
US20060164664A1 (en) 2006-07-27
US7126720B2 (en) 2006-10-24
BR0103093A (pt) 2002-02-13
US6919971B2 (en) 2005-07-19
CN1619543A (zh) 2005-05-25
CN100454297C (zh) 2009-01-21

Similar Documents

Publication Publication Date Title
CN1227612C (zh) 颜色量化方法和使用该方法的多媒体搜索方法
CN1253010C (zh) 图像压缩方法及装置、图像编码装置及图像编码方法
CN1260978C (zh) 图像处理装置
CN1194319C (zh) 对表格式数据进行查找、列表及分类的方法和装置
CN1184796C (zh) 图象处理方法和设备以及图象处理系统
CN1592915A (zh) 用户可定义的图像基准点
CN1310521C (zh) 图象信号处理设备和方法、学习设备和方法以及记录介质
CN1114888C (zh) 图像处理方法、设备和系统
CN1909671A (zh) 产生用户偏爱数据的方法和装置
CN101060629A (zh) 图像压缩/解压方法及图像编/解码器和解码电路
CN1430420A (zh) 控制图像亮度的装置和方法
CN1311394C (zh) 用于二进制化图像的设备和方法
CN1595958A (zh) 图象质量补正装置和图象质量补正方法
CN1685364A (zh) 在图像中分割像素的方法
CN1716315A (zh) 复杂度测量方法、处理选择方法、图像处理方法及系统
CN1151465C (zh) 利用候选表进行分类的模式识别设备及其方法
CN1510656A (zh) 显示装置、显示方法和显示程序
CN1874410A (zh) 成像装置和成像装置中的成像结果处理方法
CN1684492A (zh) 图像词典作成装置、编码装置、图像词典作成方法
CN101061704A (zh) 色彩调整装置及方法
CN1890987A (zh) 投影仪颜色校正方法
CN1396775A (zh) 分割像素图像的方法和装置
CN1630886A (zh) 三维图象的比较程序、比较方法及比较装置
CN1551017A (zh) 图像检索装置、方法、程序及存储有该程序的存储介质
CN101060583A (zh) 图像的处理装置、方法和程序、图像形成装置和记录介质

Legal Events

Date Code Title Description
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C06 Publication
PB01 Publication
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20051116

Termination date: 20180528

CF01 Termination of patent right due to non-payment of annual fee