CN1664820A - 图像层次分类法 - Google Patents
图像层次分类法 Download PDFInfo
- Publication number
- CN1664820A CN1664820A CN 200510064759 CN200510064759A CN1664820A CN 1664820 A CN1664820 A CN 1664820A CN 200510064759 CN200510064759 CN 200510064759 CN 200510064759 A CN200510064759 A CN 200510064759A CN 1664820 A CN1664820 A CN 1664820A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- classification method
- equalization distribution
- color
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
图像层次分类法,属于图像处理与分析的技术领域。本发明主要针对互联网上涌现的大规模图像,基于颜色(灰度)分布相似度量的图像检索和分类方法无法克服分布相似但类别不同的图像交叠的现象,提出了一种图像层次分类法,它通过给出数字图像颜色或亮度(灰度)均衡化分布属性FtUD的计算来描述图像特性,将图像按层次丰富程度及均匀性属性进行刻画,为图像检索结果分类表示提供一种解决途径。
Description
技术领域
本发明属于图像处理与分析技术领域,是通过给出图像颜色或亮度(灰度)均衡化分布因子的计算方法,来描述图像这一特性,从而用此特性对图像进行分类。
背景技术
互联网上图像的大规模涌现,使得图像的整理、索引、检索技术为大家所关注。但是,目前图像分类与检索主要采用关键字匹配(图像名匹配,如Google的图像检索引擎;或图像网页周边文字抽取出的关键字)来进行分类;或以图像颜色的分布来检索和分类图像。前者没有将图像内容进行理解,是基于网页制作者或图片的拍摄、制作者对图片的理解来进行定义和分类的;后者企图通过对图像内容的分析来进行分类,但目前这类技术的分析方法很有限,只能按颜色或亮度(灰度)的多少、位置分布的相似程度分出某类和非某类,这样做会出现颜色、亮度(灰度)分布近似但不同类图像被误分成一类的情况,使互联网的检索工具(搜索引擎)检索出的结果表示显得多且杂,很难一下锁定到要检索的目标。为了使图像的检索结果表示得更加有序,分类显示结果是很必要的。但是仍然用这种传统的所谓基于图像内容的检索方法去分类显示图像,必然还出现那种混杂图像类的结果,同时也只能出现两类,不助于按图像的另外一些自然特性自动地分成若干类。
发明内容
本发明提出了一种解决图像分类的新思路,即将图像按颜色或亮度(灰度)均匀分布程度的自然特性,对图像特点进行刻画,根据该刻画值的不同来表达图像的不同类型,达到对图像进行层次丰富度聚类的目的。该方法可用于各类图像搜索工具或搜索引擎对图像检索结果进行初级分类,有助于将关注的目标锁定在相应的一类图像中,有效地缩小搜索范围。如果与以图像名或图像网页相关主题词的关键字类检索方法相结合,可产生更好的聚类结果,即每一个专门主题下的图像层次性的聚类结果,对图像检索结果分类表示提供一种有效的解决途径。
本发明的技术方案如下:
图像层次分类法,其特征在于:所述图像层次分类法被开发成软件程序,并存储在计算机中,当需要对待处理图像进行分类时,所述程序依次执行以下步骤:
1)分别读取每幅待处理图像中每一个像素的颜色值或灰度值,然后统计每幅图像中颜色值或灰度值为k的像素个数nk,其中k=0,1,...,L-1,L是图像颜色值或灰度值的等级;
2)按下述公式,分别计算出每幅待处理图像的均衡化分布因子FtUD,
3)根据得到每幅图像的均衡化分布值FtUD进行图像分类。
在公式(1)中,分子表示一幅图像所有颜色或亮度(灰度)分布的乘积,分母表示所有像素最平均分布情形下的乘积,此比值反映了图像颜色或亮度(灰度)的均匀程度。其原始形式如公式(2)所示。为了使计算简便,且把比值对数放大,将比值从趋于零的小数映射成分布更趋近1附近的区域,即进行合理放大,使计算得FtUD值更直观,因此,对公式(2)比值中分子和分母分别取以10为底的对数运算,这样就将对数中乘积运算转化成了加法运算。同时为避免对0求对数,所以将原公式(2)中每一项乘积项+1,如公式(3)所示,然后取对数运算,如公式(4)所示。公式(1)即是公式(4)所示的另一种表现形式。因此,此公式(1),(4)是完全等价的,公式(2),(3)是变形公式。
因为
于是,FtUD是一个间于0与1之间的值。
因为从信息论的角度看,图像的颜色或亮度(灰度)分布越均匀图像所含的信息熵就越大。所以,FtUD值的大小表征了图像颜色或亮度(灰度)均衡化程度,也表示了图像信息量的状况,可用于图像排序,分类,检索,图像信息量评价和质量评价。
本发明具有以下突出的技术效果:
一方面,本发明解决了以往图像检索时检索结果无序且不能分类表示的问题,方便归类显示检索结果。将本发明用于图像搜索引擎中,通过对搜索结果自动聚类,提供若干类别,以分类显示结果,使结果可呈现出有序的状态,以方便用户使用。另一方面,本发明也为图像排序,图像信息量(质量)评价提供了新手段。
附图说明
图1是按照本发明所述方法进行图像分类的程序流程图。
图2a至图2f显示了利用本发明所述方法,根据FtUD值分类的情况。
图3a至图3c显示了利用本发明所述方法,根据FtUD值排序后的情况。
具体实施方式
下面结合附图实例来进一步说明本发明。
待处理的图像可以是任意图像格式的图像文件,如bmp,jpg,gif,tiff等。图像资源的来源可以是互联网上提供的图像资源,专门的图片库,或个人收集的图片资料。
本发明所述的图像层次分类法被开发成软件程序,并存储在计算机中,这里所述的计算机也可以用PDA等具有类似数字计算能力的数据处理装置来替代。
当需要对待处理图像进行分类时,所述程序依次执行以下步骤,程序流程如图1所示。
1)分别读取每幅待处理图像中每一个像素的颜色值(彩色图像有R,G,B三个值)或灰度值(黑白图像只一个灰度值),然后统计每幅图像中颜色值或灰度值为k的像素个数nk,k=0,1,...,L-1,L是图像颜色值或灰度值的等级;如果是彩色图像,可将每一个像素的对应的R,G,B三个值映射成一个亮度值,其映射方式可按国际NTSC制式计算Y=0.299R+0.587G+0.114B,也可以按照PAL制式计算,Y=0.222R+0.707G+0.071B。
2)按下述公式,分别计算出每幅待处理图像的均衡化分布因子FtUD,
其中L是图像颜色值或灰度值的等级,nk表示图像中颜色值(可以是转换后的亮度值)或灰度值为k的像素个数。
3)根据得到每幅图像的均衡化分布值FtUD进行图像的分类。
其中,利用每幅图像的均衡化分布值对图像进行分类的方法可根据需要具体确定,下文将举几个具体分类方式,但本发明并不限于所述的分类方式。
对上述计算得到的均衡化分布FtUD值划分区间,分成若干段,根据每幅图像的均衡化分布值所处区间不同,相应地对图像进行分类。图2a至图2f显示了本发明此种分类情景。取一“airplanes”图像子库中的图片,图片大小不等,共57张,均为jpg格式。读取每张图片的像素值,经公式(1)FtUD值的计算,图片的FtUD值范围在0.52~0.98之间。在图2a至图2f显示的几张样例图片中,各图片的FtUD值分别为0.96,0.90,0.86,0.64,0.62,0.57。然后根据问题领域的经验值,将区间分成[0,0.70)[0.70,1),则图2a、图2b和图2c显示的图片归为一类,图2d、图2e和图2f显示的图片为另一类。
上述的区间划分,除了经验值的情况,更多的时候可采用K-均值聚类(K-meansclustering)、自组织映射SOM(Self-Organizing Map)和支持向量机SVM(Support VectorMachine)的方法进行自动聚类,从而实现对图像的分类。上面的“airplanes”图片例子,采用K-均值聚类法,事先设定6类,对所有57张图片的FtUD值(范围在0.52~0.98之间)进行自动聚类,聚类结果为[0.52,0.57],[0.61,0.65],[0.71,0.74],[0.77,0.82],[0.86,0.91],[0.94,0.98],每个区间类分别有样本6,7,6,7,20,11个。其中图2a显示的图片属于一类,图2b和图2c显示的图片属于一类,图2d和图2e显示的图片属于一类,图2f显示的图片属于一类。
如果K-均值聚类事先设定为3类,则聚类结果为[0.52,0.65],[0.71,0.82],[0.86,0.98],图2a、图2b和图2c显示的图片聚为一类,图2d、图2e和图2f显示的图片聚为另一类。
类似地,聚类方法可用基于神经网络的自组织映射SOM方法或统计学习理论的支持向量机SVM方法替换K-均值聚类,可得到相似的分类结果。
当分类的划分区间缩小到每个区间只容纳一个均衡化分布值时,相当于每幅图像自为一类。当对这样的分类结果按照升序或降序排列时,就得到了用均衡化分布值进行图像排序的结果。图3显示了依据FtUD值的大小直接给出降序结果一个例子。该结果具体所得是经过从Internet网上抓取的主题词为”Cougar”所有图片,获取每张图片上每个像素的彩色R,G,B值或灰度值G,若是彩色R,G,B值,可按照公式Y=0.299R+0.587G+0.114B线性变换成一个亮度值Y,然后统计每幅图像的Y值或G值为k的像素个数nk;再经过公式(1)FtUD值的计算,图片的FtUD值范围均落在0.1~0.99之间,图3a至图3c显示的几张样例图片的FtUD值是降序排列的,分别为图3a的0.91,图3b的0.68和图3c的0.18。从这种降幂排序中可充分表现出图像层次感和均匀性的衰减变化。
从另一个角度说,图像分类或排序,其实在一定意义上就是在评价图像。因此,依据均衡化分布FtUD值的大小,作为图像所含信息量多少的分值直接对图像进行信息量评价。如图3a至图3c显示的图片对应的信息量因子分别为0.91,0.68和0.18。这是用均衡化分布值FtUD从图像分类到图像信息量评价的引申应用,对构成图像质量评价(包括清晰度、信息量、主题意义,信息量是其中之一)也有贡献。
Claims (5)
1.图像层次分类法,其特征在于:所述图像层次分类法被开发成软件程序,并存储在计算机中,当需要对待处理图像进行分类时,所述程序依次执行以下步骤:
1)分别读取每幅待处理图像中每一个像素的颜色值或灰度值,然后统计每幅图像中颜色值或灰度值为k的像素个数nk,其中k=0,1,...,L-1,L是图像颜色值或灰度值的等级;
2)按下述公式,分别计算出每幅待处理图像的均衡化分布因子FtUD,
3)根据得到每幅图像的均衡化分布值FtUD进行图像分类。
2.根据权利要求1所述的图像层次分类法,其特征在于:对计算得到的均衡化分布值划分区间,分成若干段,根据每幅图像的均衡化分布值所处区间不同,相应地对图像进行分类。
3.根据权利要求1所述的图像层次分类法,其特征在于:根据计算得到的均衡化分布值,用k-均值聚类、自组织映射或支持向量机算法进行自动聚类,从而实现对图像的分类。
4.根据权利要求1所述的图像层次分类法,其特征在于:对计算得到的均衡化分布值采用划分区间的方式进行分类,且每个区间只容纳一个均衡化分布值,然后对这样的分类结果按照升序或降序排列,从而实现图像的排序。
5.根据权利要求1所述的图像层次分类法,其特征在于:将计算得到的均衡化分布值FtUD作为图像所含信息量多少的分值,对图像进行信息量评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2005100647597A CN100476811C (zh) | 2005-04-21 | 2005-04-21 | 图像层次分类法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2005100647597A CN100476811C (zh) | 2005-04-21 | 2005-04-21 | 图像层次分类法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1664820A true CN1664820A (zh) | 2005-09-07 |
CN100476811C CN100476811C (zh) | 2009-04-08 |
Family
ID=35035911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2005100647597A Expired - Fee Related CN100476811C (zh) | 2005-04-21 | 2005-04-21 | 图像层次分类法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100476811C (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100446001C (zh) * | 2007-04-20 | 2008-12-24 | 大连理工大学 | 一种范例推理与Fuzzy ARTMAP网络相结合的遥感影像分类方法 |
CN102262731A (zh) * | 2011-07-11 | 2011-11-30 | 哈尔滨工业大学 | 一种基于稀疏编码的字体识别方法 |
CN103778900A (zh) * | 2012-10-23 | 2014-05-07 | 浙江大华技术股份有限公司 | 一种图像处理方法及系统 |
CN106294490A (zh) * | 2015-06-08 | 2017-01-04 | 富士通株式会社 | 数据样本的特征增强方法和装置及分类器训练方法和装置 |
CN104050507B (zh) * | 2014-06-30 | 2018-03-09 | 南京理工大学 | 基于多层神经网络的超光谱图像分类方法 |
CN113270169A (zh) * | 2021-05-26 | 2021-08-17 | 青岛海信医疗设备股份有限公司 | 一种图像显示方法、装置、处理设备及介质 |
-
2005
- 2005-04-21 CN CNB2005100647597A patent/CN100476811C/zh not_active Expired - Fee Related
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100446001C (zh) * | 2007-04-20 | 2008-12-24 | 大连理工大学 | 一种范例推理与Fuzzy ARTMAP网络相结合的遥感影像分类方法 |
CN102262731A (zh) * | 2011-07-11 | 2011-11-30 | 哈尔滨工业大学 | 一种基于稀疏编码的字体识别方法 |
CN102262731B (zh) * | 2011-07-11 | 2012-10-10 | 哈尔滨工业大学 | 一种基于稀疏编码的字体识别方法 |
CN103778900A (zh) * | 2012-10-23 | 2014-05-07 | 浙江大华技术股份有限公司 | 一种图像处理方法及系统 |
CN103778900B (zh) * | 2012-10-23 | 2016-04-20 | 浙江大华技术股份有限公司 | 一种图像处理方法及系统 |
CN104050507B (zh) * | 2014-06-30 | 2018-03-09 | 南京理工大学 | 基于多层神经网络的超光谱图像分类方法 |
CN106294490A (zh) * | 2015-06-08 | 2017-01-04 | 富士通株式会社 | 数据样本的特征增强方法和装置及分类器训练方法和装置 |
CN106294490B (zh) * | 2015-06-08 | 2019-12-24 | 富士通株式会社 | 数据样本的特征增强方法和装置及分类器训练方法和装置 |
CN113270169A (zh) * | 2021-05-26 | 2021-08-17 | 青岛海信医疗设备股份有限公司 | 一种图像显示方法、装置、处理设备及介质 |
CN113270169B (zh) * | 2021-05-26 | 2023-03-14 | 青岛海信医疗设备股份有限公司 | 一种图像显示方法、装置、处理设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN100476811C (zh) | 2009-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101866352B (zh) | 一种基于图像内容分析的外观设计专利检索方法 | |
CN103870516B (zh) | 检索图像的方法、实时绘画提示方法及其装置 | |
JP4486780B2 (ja) | 画像情報検索のための非線形量子化及び類似度マッチング方法 | |
CN109740603A (zh) | 基于cnn卷积神经网络下的车辆字符识别方法 | |
CN105912643A (zh) | 一种基于内容改进型均值哈希的图像检索方法 | |
CN100476811C (zh) | 图像层次分类法 | |
CN102640146B (zh) | 数据库搜索方法、系统和控制器 | |
CN114092389A (zh) | 一种基于小样本学习的玻璃面板表面缺陷检测方法 | |
CN109886147A (zh) | 一种基于单网络多任务学习的车辆多属性检测方法 | |
CN112307232A (zh) | 一种大数据内容智能分类存储处理方法 | |
CN108563793B (zh) | 一种多显示级别地图的制图方法 | |
CN101038668A (zh) | 基于重要位平面的图像检索新方法 | |
CN108875828A (zh) | 一种相似图像的快速匹配方法和系统 | |
CN110490250A (zh) | 一种人工智能训练集的获取方法及装置 | |
CN107945164B (zh) | 基于峰值阈值、旋转校准和混合特征的纺织品瑕疵检测方法 | |
Alvarez et al. | Colour and texture features for image retrieval in granite industry | |
CN1321953A (zh) | 周期的交互图象分析方法及其计算机系统与实施该方法的计算机程序 | |
CN103049570B (zh) | 基于相关保持映射和一分类器的图像视频搜索排序方法 | |
CN1472634A (zh) | 高光谱遥感图像联合加权随机分类方法 | |
CN115497006B (zh) | 基于动态混合策略的城区遥感图像变化深度监测方法及系统 | |
CN114066861B (zh) | 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法 | |
Sreedevi et al. | Fast image retrieval with feature levels | |
CN114238772A (zh) | 内容自适应感知的网络地图智能推荐系统 | |
CN1779710A (zh) | 服务质量评价援助装置 | |
CN1828579A (zh) | 专利分析系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090408 Termination date: 20110421 |