图像特征、检索

目录

一，基于内容的图像检索

1，图像特征、检索

2，QBIC(Query By Image Content)

3，Virage的VIR Image Engine

4，Photobook

二，颜色特征

1，颜色空间

2，颜色特征表示

（1）统计直方图

（2）累积直方图

（3）颜色布局

（4）颜色分块

3，颜色相似度匹配算法

（1）直方图相交法（直方图一维距离）

​（2）欧式距离（直方图二维距离）

​（3）距离法

（4）中心矩法

（5）参考颜色表法

三，纹理特征

1，纹理

2，纹理表示

（1）Tamura纹理表示法

（2）联合概率矩阵表示

（3）小波表示

四，形状特征

五，相关反馈

一，基于内容的图像检索

1，图像特征、检索

基于图像的特征进行检索，常见的系统有QBIC、Virage、Photobook等。

特征有颜色特征、纹理特征、形状特征、空间关系特征等

2，QBIC(Query By Image Content)

基于聚类的索引技术，使用纹理、形状特征（目标面积、各阶矩、离心率和主轴方向等）、草图特征等。

3，Virage的VIR Image Engine

将特征进行归类，用户查询时可以 对特征进行任意组合

4，Photobook

根据目标类别划分数据库，3个基本目 标是：脸、形状和纹理

二，颜色特征

1，颜色空间

https://blog.csdn.net/nameofcsdn/article/details/118462392

2，颜色特征表示

（1）统计直方图

统计颜色值的分布：

（2）累积直方图

（3）颜色布局

以一种紧凑的形式，有效的表达了颜色的空间分布。

如各种颜色空间的转换，其实就是颜色布局算法。

（4）颜色分块

将整副图像平均分成64块，计算每一块中所有 像素各颜色分量的平均值，以此作为该块的代表颜色（主颜色）。将各块的平均值数据进行DCT变换，通过之字形扫描和量化，取出3组颜色DCT变换后的低频分量，构成该图像的颜色分块描述符。

3，颜色相似度匹配算法

（1）直方图相交法（直方图一维距离）

分别为查询图像Q和数据库图像D 的（某一）特征的统计直方图，则两图像之间的相似值为

距离为：

（2）欧式距离（直方图二维距离）

欧式距离：

加权的欧式距离：

（3）距离法

为减少计算量，可借助直方图的均值来粗略地表达颜色信息。如果图像用R，G，B三个分量表示，则图像的特征向量由这三个分量的均值组成

 此时图像Q和D的相似值为

（4）中心矩法

中心矩 统计特征_nameofcsdn的博客-CSDN博客

对彩色图像，用 

表示图像Q和D的3个分量R,G,B的直方图的i (i≤3)阶中心矩，则它们之间的匹配值为 

（5）参考颜色表法

 距离法太粗糙，直方图相交法计算量太大。

折衷的方法：将图像颜色用一组参考色表示, 这组参考色应能覆盖视觉上可感受到的各种颜色。

参考色的数量要比原图的少，可得简化的直方图，其实差不多就相当于把直方图的每一段合并为一个元素，减少数据量。

三，纹理特征

1，纹理

纹理可认为是灰度(颜色)在空间以一定的形式 变化而产生的图案（模式）。

类似于布纹、草地、砖墙等重复性结构 的图像称为纹理图像。

一般来说，纹理图像中灰度分布具有某种周期性，即便灰度变化是随机的，它也具有一定的统计特性。

纹理通常和图像频谱中的高频分量是密切联系的。

2，纹理表示

（1）Tamura纹理表示法

对比度、粗细度和方向性是描述纹理的3个量。

利用这3个量可组合成一个3-D空间，一幅图像就是空间中的一个点。

在这个3-D空间中，两点间的欧式距离与人对纹理感知的差距很接近。

（2）联合概率矩阵表示

首先基于像素间的距离和方向建立联合概率矩阵，然后从联合概率矩阵中提取出有意义的统计量作为纹理描述

（3）小波表示

用小波子带的统计量（均值和方差）作为纹理表示。

子带即图像的某个频率的分量。

四，形状特征

形状表示方法可分为两类，一类是基于边缘的形状表示，另一类是基于区域的形状表示。

描述方法：

• 傅里叶描述子:利用傅里叶变换的边界作为形状特征
• 不变矩描述子:利用基于区域的矩作为形状特征
• 有限元素法、旋转函数、小波描述子等

五，相关反馈

用户进行一次初步查询，系统返回检索结果

用户判断结果，标记满意的结果为正例，标记 不满意的结果为反例

系统根据用户标记结果进行自我调整（如调整 搜索策略、算法参数、不同特征的权重等），进行新一轮检索

根据用户要求，反复进行。