基于重要位平面的真彩色图像检索算法

合集下载

基于颜色分布的图像检索技术的算法描述

基于颜色分布的图像检索技术的算法描述摘要计算机图像数码技术与互联网技术飞速发展的结合,使人们越来越多的接触到大量的图像信息。

如何从浩瀚的图像数据库中快速、准确的找出自己所需要的图像,已经成为一个受到广泛关注的研究课题,并成为数字化图书馆等重大研究项目中的关键。

从20世纪70年代开始,有关图像检索的研究就已开始,当时主要是基于文本的图像检索技术,利用文本描述的方式描述图像的特征,如绘画作品的作者、年代、流派、尺寸等。

到90年代以后,出现了对图像的内容语义。

本文对基于内容的图像检索作了相关探讨。

关键词图像检索技术;数据库;计算机图像数码技术计算机图像数码技术与互联网技术飞速发展的结合,使人们越来越多的接触到大量的图像信息。

如何从浩瀚的图像数据库中快速、准确的找出自己所需要的图像,已经成为一个受到广泛关注的研究课题,并成为数字化图书馆等重大研究项目中的关键。

目前,已经有不少的搜索引擎提供网络图像的检索服务,如Google、Ditto、Ixquick、Mamma、百度等。

从20世纪70年代开始,有关图像检索的研究就已开始,当时主要是基于文本的图像检索技术(Text-based Image Retrieval,简称TBIR),利用文本描述的方式描述图像的特征,如绘画作品的作者、年代、流派、尺寸等。

到90年代以后,出现了对图像的内容语义,如图像的颜色、纹理、布局等进行分析和检索的图像检索技术,即基于内容的图像检索技术(Content-based Image Retrieval,简称CBIR)。

CBIR属于基于内容检索(Content-based Retrieval,简称CBR)的一种,CBR中还包括对动态视频、音频等其它形式多媒体信息的检索技术。

在检索原理上,无论是基于文本的图像检索还是基于内容的图像检索,主要包括3三方面:一方面对用户需求的分析和转化,形成可以检索索引数据库的提问;另一方面,收集和加工图像资源,提取特征,分析并进行标引,建立图像的索引数据库;还有一方面是根据相似度算法,计算用户提问与索引数据库中记录的相似度大小,提取出满足阈值的记录作为结果,按照相似度降序的方式输出。

计算机视觉的图像检索方法

计算机视觉的图像检索方法随着计算机技术的飞速发展，计算机视觉技术逐渐成为研究和应用的热点之一。

图像检索作为计算机视觉的重要应用之一，是指根据用户输入的查询信息，在大规模图像库中快速准确地检索出与查询图像相似的图像。

图像检索方法在各个领域都有着广泛的应用，如医疗影像诊断、智能交通、智能监控等。

本文将介绍几种常见的图像检索方法，并进行比较分析。

特征提取与描述图像检索的第一步是对图像进行特征提取和描述。

特征提取是指从图像中抽取出能够代表图像内容的一些特征，常用的特征包括颜色、纹理、形状等。

特征描述是指对提取出的特征进行描述和编码，以便于后续的匹配和检索。

常用的特征提取和描述方法包括SIFT、SURF、HOG等。

基于内容的图像检索基于内容的图像检索是指通过图像的内容特征进行检索，而不考虑图像的语义信息。

基于内容的检索方法主要包括基于特征的检索和基于相似度的检索。

基于特征的检索通过提取图像的特征，然后计算特征之间的相似度来进行检索。

基于相似度的检索则是通过计算图像之间的相似度来进行检索，常用的相似度计算方法包括余弦相似度、欧氏距离等。

基于语义的图像检索基于语义的图像检索是指通过对图像的语义信息进行分析和理解，来进行检索。

基于语义的检索方法主要包括基于标注的检索和基于自然语言的检索。

基于标注的检索是指通过对图像进行标注，然后根据标注信息进行检索。

基于自然语言的检索则是指通过对自然语言查询进行理解，然后将查询转化为图像特征进行检索。

深度学习在图像检索中的应用近年来，深度学习技术在图像检索领域取得了巨大的进展。

深度学习技术能够学习到图像的高层次特征表示，从而提高了图像检索的准确性和效率。

常用的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）等。

这些模型在图像检索中能够提取出更加抽象和语义丰富的特征表示，从而提高了检索的准确性。

图像检索的挑战与未来发展虽然图像检索技术取得了很大的进展，但仍然面临着许多挑战。

彩色图像检索方法

征相当于文本检索中的关键词，征提取相当于让计算机自特
变性，一般的与空域信息相关的算法都没有这种好的性质，而
因而在引入空域信息的时候要兼顾不变性的问题。献［】文２中
引入空域信息的方法是先用图像分割技术获得图像的主要区
ｃｎｅｔｂｓｄｓｉｒｔｉｈｃｍｂｎｓｈｏｏｆｒｔｎａｄｔｅｓａｅｉｆｒａｉｎｉｐｅｅｔｄＴｈｅｈｄｉｍｏｅｆｘｂｅａｄｏｔｎ－ａｅｉｌｉｗｈｃｏｉｅｅｃｌｒｎｏｍａｉｎｐｃｏｍａｙｔｉｏｈｎｍｔｒｓｎｅ．ｏｓｅｍｔｏｒｅｉｌｎｓｌａｃｒｔｅｃｂｅｃｌｒｅｔｒｆｎｉｇｎｒｖｓｔｅｉｇｔｅａｒｃｓｏ．ｃｕａｅｔｄｓｒｅｔｏｏａｕｅｏｏｉｈｆａｍａｅａｄｉｍｐｏｅｍａｅｒｒｖｌｅｉｉｎｈｅｉｐ
ｃｕｔｒｄｉｇｓｕｅｏａｈｅｅｔｅｃｌｒｓｍｉｒｔ，ｔｅｈｉｏｏｒａｓｄｔｃｉｖｈｐｔｌｓｉｒｔ，ｆａｌｈｌｓｅｅｍａｅｉｓｄｔｃｉｖｏｏｉｌｉｙｈｎｔｅｍａｎｃｌｒａｒｙｉｕｅａｈｅｅｔｅｓａｉｉｌｉｙｉｌｔｅｈａｓｏａｍａｎｙ
ＸＵｉｒｎ，ＬＵｅ — ｕ，ＺＨａ —ｏｇＷｎｈａＨＡＮＧｎ — ｕｎＨＵｈｎ — ｉＸｉｇｙａ，Ｓｅｇｂｎ

基于重要位平面的真彩色图像检索算法

ＴｉｎＨｏｎｄＹａｕｇｎｇａｎｇａｎｇＳｈａ
（ｏｔａｅＩｓｉｔ，ＤａｉｎＪａｔｎｎｖｒｉＳｆｗｒｎｔｕｅｔｌｉｏｏｇＵｉｅｓｙ，Ｄａｉｎ１６２）ａｔｌ１０８ａ
Ａｂｓｒｃ：Ａｏｏｍａｅｒｔｉｖａｌｏｉｈｍａｅｎｔｅｔｏｙｏｉ－ｌｎｓｐｏｐｓｄ，ｗｈｃａｅｔａｔｃｌｒｉｇｅｒｅｌａｇｒｔｂｓｄｏｈｈｅｒｆｂｔｐａｅｉｒｏｅｉｈｔｋｓｉｏａｃｎｔｔｏｏｅｔｒｓａｄｔｅｐｒｐｒｉｓｏｐａｉｌｄｉｔｉｔｏｎｏｆｔｏｌ．Ｉｒｒｔｅｔｒｎｔｃｏｕｈｅｃｌｒｆａｕｅｎｈｏｅｔｅｆｓｔａｓｒｂｕｉｈｅｃｏｒｎｏｄｅｏｂｔｅ
基于重要位平面的真彩色图像检索算法
田宏，杨树刚
（连交通大学软件学院大
（ｉｎｗ＠２３ｎｔｔｈａ６．ｅ）
ห้องสมุดไป่ตู้大连
１６２）１０８
摘要：研究利用图像颜色特征和颜色的空间分布特征进行图像检索的基础上，出一种基于位平面理论的真彩在提色图像检索算法．了更好地描述图像的检索特征、为优化检索性能，义了位平面一阶矩、平面平坦度和位平面的定位
关键词：于内容的图像检索；基位平面理论；平面粗糙度；度码位灰

基于代表色的图像检索方法研究

基于代表色的图像检索方法研究
近年来，随着网络技术的不断发展，网络中面向大众的图像数据量不断增加，因此，有效的图像检索方法越来越受到人们的重视。

其中以基于代表色的图像检索方法为主要研究对象。

基于代表色的图像检索方法的原理就是通过计算图像的代表色，并根据代表色的色彩特征和尺寸特征来检索相似图像。

代表色是指提取图像中明显的面部特征、背景和特殊模式，并将其综合起来形成一种特征颜色，以便于描述图像的性质。

基于代表色的图像检索方法的优点是速度快、准确性高、能够有效的提取图像的主要信息。

基于代表色的图像检索方法的实现，主要包括图像代表色的提取和图像检索过程两个步骤。

首先，根据图像的空间属性，提取其代表色信息，并将其映射到空间坐标中，以便于之后的检索。

其次，根据图像的色彩特征和尺寸特征，来进行图像检索，检索出与查询图像相似度较高的图像。

基于代表色的图像检索方法在计算机视觉领域有着重要的应用，可以有效的提高图像的检索准确性，实现更加快捷的图像检索过程。

而且，其技术也是一种可以迁移至多种不同应用场景的技术，例如机器学习、图像分割、图像分类等。

综上所述，于代表色的图像检索方法是一种高效且准确的图像检索方法，在多种应用场景中都有很好的应用，有助于实现更加高效的图像检索过程，提高图像检索的准确性。

在未来，基于代表色的图像检索方法仍将继续受到人们的高度关注，并在计算机视觉领域发挥着
重要作用。

计算机视觉中的图像检索技术

计算机视觉中的图像检索技术计算机视觉是指让计算机通过学习和处理图像或视频等视觉信息，实现像人类一样理解环境和事物。

图像检索技术是其中一个重要的应用方向，可以通过输入一张图片，输出最相似的一些图片或信息。

本篇文章将探讨计算机视觉中的图像检索技术。

一、图像检索技术的应用图像检索技术应用广泛，例如我们在网上搜索一张图片时，搜索引擎可以根据图片的内容，找到最相似的图片。

这种技术还可以用于安防监控、医学图像分析、智能驾驶、视频内容管理等领域。

二、图像检索技术的实现方法图像检索技术的实现有两种方法：基于内容和基于特征。

基于内容的图像检索技术是通过分析图片的内容，例如颜色、形状、纹理、物体等特征，来实现图像检索的。

这种技术的优点是对于大部分图片都有较高的识别准确度，但是对于变形、遮挡的图片或者图片背景复杂的情况下会产生较大的误差。

另外，这种技术需要依赖大量的特征提取和匹配算法，导致计算量大、效率低下。

基于特征的图像检索技术是通过将图片转化为一组特征向量，例如SIFT、SURF、HOG等，再将这些特征向量存储在索引系统中，当查询图片时，通过比较查询图片的特征向量和已有图片的特征向量，找到相似度最高的图片。

这种技术的优点是对于大部分图片具有高准确率和可扩展性，同时减少了算法复杂度，提高了检索速度。

但是对于变形、遮挡或唯一性不强的图片，也会出现误差。

三、图像检索技术的关键技术1. 特征提取与描述特征提取是图像检索技术中的关键步骤，它是将原始图像转化为可存储和比较的特征，提取的特征要具有唯一性、稳定性、鲁棒性和可重复性。

目前常用的特征描述算法有SIFT（尺度不变特征变换）、SURF（加速鲁棒特征）、ORB（Oriented FAST andRotated BRIEF）等。

这些算法从不同角度提取图像的局部特征，以描述图像中不同方向、不同尺寸的角点、边缘、颜色等特征。

2. 特征匹配特征匹配是将查询图片的特征与目标图片库中的特征进行比较，找到最相似的图片。

基于内容的图像检索

LL HL3 HL2 LH3 HH3 HL1
LH2
HH2
LH1
HH1
图1
图2
计算LL低频子带所有像素点的感兴趣值:如图2所示的空间方向树上所有对应点的像素值组成的向量的模
特征计算:小波变换
计算感兴趣值的均值MEAN和标准差SD，设定阈值T=MEAN+SD。
对感兴趣值进行排序，选取大于阈值T的点为感兴趣点。分别在感兴趣点的8个位平面进行求和，得到每层位平面的“面积”。归一化后即得到8个特征值。另外，对于初始的灰度图较高的的4层位平面，分别求“面积”，形成4个整体特征值。
2
− 3 ��21 + ��03
2
2 2
− ��30 − 3��12 ��21 + ��03 3 ��30 + ��12
− ��21 + ��03
特征计算:灰度共生矩阵
灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法
特征计算:HSV颜色特征
首先按下列公式将RGB图像转化为HSV图像：
然后分别计算H,S,V三个通道的一阶矩（均值）、二阶矩（方差）和三阶矩（斜度） 1 �� = ��
��
��
��=1
1 �� = ��
�� =1
��, �� log(��(��, ��))
特征计算:小波变换
将RGB图像按下面公式转化为灰度图像： �� = 0.299 ∗ �� + 0.587 ∗ �� + 0.114 ∗ �� 对灰度图像进行3层小波变换得到如图1所示图像:

基于位平面理论的图像检索算法的研究

ｆｌｒｌｒｓ提取图像的颜色信息和空间分ｃｏｃｒｏａ）ｏｒｏｅｇｍ … 布信息：文献］分别提出采用环形颜色直方图、空间颜色直方图来提取图像颜色的空间分布特征．
ｔｅａ，ＣＩ）术研究正是为了解决如何有效地ｒｖｌ即ＢＲ技ｉ
目前基于内容的图像检索不再依赖于对图像内容的文字描述，是通过一系列的特征来帮助用而户找到与示例图像在视觉上相似的图像．然．过显通
一
个位平面均由ＲＧ、、Ｂ三个分量的位平面复合而成．
收稿Ｅ期：０００ — ０ｌ２１— ７２
作者简介：银珊（９６）女，蔡１７一，广东揭阳人，阳职业技术学院数学与计算机科学学院讲师。研究方向：算机信息处理。揭计黄英铭（９９）男，１６一，广东揭阳人，阳职业技术学院数学与计算机科学学院副教授。研究方向：揭数据库和多媒体技术。
１８和１７写成二进制形式为１０００和２２．００００
Ｏ１１１．分解出的所有位平面中，两个像素对１１１１在这应的二值像素都不相同，即图像的每个位平面上在
直方图算法 … 有特征提取和相似度计算简便的优具
题．基于内容的图像检索ｆｏｔｎ— ａｅｍｇｅＣｎｅｔｂｓｄＩａｅＲ．

基于视觉显著图的彩色图像检索

ｂｃｇｏｎｎｏｍａｉｎｕｒｌｔｄｔｅｒｅａａｋｉｒｇｎｌｉａｅｉｅａｋｒｕｄｉｆｒｔｏｎｅａｅｏｒｔｉｖｌｔｓｎｏｉｉａｍｇｓｒｍｏｖｄａｃｒｎｏｔｅｖｓａａｉｎｙｍａ，ａｄｒｍａｎｈｅｉｎｏｅｃｏｄｉｇｔｈｉｕｌｓｌｃｐｎｅｉｓｔｅｒｇｏｆｅ
兴趣目标提供了指导信息。目前，基于视觉显著图的图像检
索可分为２类：
（）１基于图像低层视觉特征的方法。文献［］１基于显著图建立了一个多层感知器对图像进行预分类，并根据依据显著区数量和平均区域大小作为特征用于图像检索；文献［］用小２采波与滑动窗口结合提取图像的显著区域，并提取显著区域颜色聚合向量和不变边界矩作为特征用于检索。
算方法，该方法较Ｉｉ方法更符合人的视觉感知特性。由显ｔｔ著图定位出图片中用户感兴趣的关键区域，去除不相关的背景区域，然后针对显著目标图提取ＢＰＢＣ特征。在相ＤＩ—ＶＬ似性计算阶段，本文采用二次查询策略，先根据第１次查询的前ｋ图像特征，个计算其加权平均向量作为新的查询向量，进行第２次查询，其查询结果作为本次检索的结果。本文检索方法的具体过程如图１所示。
ｉｔｒｓ．ｅＢＤＩ — ｎｅｅｔＴｈＰＢＶＬＣｏｎｓｉｈｖｌｔｏａｎｉｕｅｏｅｔａｔｔｅｉｇｅｔｒｓｈｅｏｄｒｎｕｒｓｍｅｓｒｔａｅｙｉａｏｔｄｍｍｅｔｔｅｗａｅｅｍｉｓｓｄｔｘｒｃｍａｅｆａｕｅ．Ｔｅｓｃｎａｙｉｑｉｅａｕｅｓｒｔｇｓｄｐｅｎｄｈ

基于视觉关注的彩色图像检索技术研究的开题报告

基于视觉关注的彩色图像检索技术研究的开题报告一、选题背景及意义随着数字化时代的到来，图像数据量不断增加，而如何高效地从海量的图像中检索到所需的信息成为了研究的热点问题。

目前，基于视觉关注的彩色图像检索技术成为了图像检索领域的重要研究方向。

该技术通过模拟人类视觉系统的注意机制，将用户的关注点自然地融合在图像检索的过程中，大大提高了检索的准确性和效率，能够在海量图像库中快速地检索到所需的图片，具有很广泛的实际应用价值。

因此，本文拟研究基于视觉关注的彩色图像检索技术，以期提高图像检索的质量和效率。

二、研究内容与方法研究内容：本文主要研究基于视觉关注的彩色图像检索技术，从视觉注意机制出发，提出一种基于视觉关注的检索算法，使检索结果更符合人类的视觉感知，提高检索精度。

具体研究内容包括以下几个方面：1. 对图像进行预处理和特征提取，得到特征向量。

2. 建立视觉关注模型，获取视觉关注点。

3. 计算特征向量与视觉关注点之间的相似度，排序输出检索结果。

研究方法：1. 综合现有研究成果，分析彩色图像检索的关键技术和发展趋势。

2. 借鉴视觉认知和心理学方面的思路，构建视觉关注模型。

3. 实现基于视觉关注的彩色图像检索算法，并进行实验验证。

三、预期研究成果及意义预期研究成果：本文预计通过对基于视觉关注的彩色图像检索技术进行深入研究和实验验证，实现以下成果：1. 提出一种基于视觉关注的彩色图像检索算法，能够有效地提高检索精度和效率。

2. 根据实验结果，分析算法的优势和不足，进一步完善算法。

3. 在此基础上，可以开发出更加优化的图像检索系统，提高用户的使用体验。

研究意义：1. 对于图像检索领域，本文提出的基于视觉关注的彩色图像检索技术能够有效提高检索精度和效率，有很大的应用价值。

2. 本文的研究成果可以为相关领域的研究提供借鉴，推动图像检索技术的发展。

3. 本文的研究有助于深入了解人类视觉注意机制的作用和特点，有助于推进视觉认知研究的发展。

基于区域的彩色图像检索技术的开题报告

基于区域的彩色图像检索技术的开题报告一、选题背景随着数字图像技术的不断发展和广泛应用，图像检索技术已经成为解决海量图像数据快速查询和获取的重要手段。

基于区域的彩色图像检索技术是图像检索技术的热点之一。

由于彩色图像具有更丰富的信息，因此在实际应用中更受欢迎。

而基于区域的检索方法可以针对用户感兴趣的区域进行检索，相对于全局特征检索方法更具优势。

因此，开展基于区域的彩色图像检索技术研究对于提高图像检索效率和准确率具有十分重要的意义。

二、选题意义1.应用价值基于区域的图像检索技术可以广泛应用于图像检索领域，如文化遗产保护、自然资源保护与管理、图像管理和检索、计算机视觉和机器人等领域。

2.研究价值通过基于区域的彩色图像检索技术研究，可以深入了解图像检索技术的基本原理与方法，对于提高图像检索技术的准确性和效率具有重要意义。

同时，还可以为图像识别、图像分类等相关研究提供基础方法。

三、研究内容本论文主要研究基于区域的彩色图像检索技术，研究内容包括以下几个方面：1.分析彩色图像的特点，探索彩色图像在检索中的应用价值。

2.调研当前基于区域的彩色图像检索技术的研究现状，分析各种方法的优缺点，并总结其发展趋势。

3.研究彩色图像的特征提取和描述方法，包括颜色特征、纹理特征和形状特征等。

4.探讨基于区域的彩色图像索引和检索算法，包括视觉词汇(vocabulary)、海量图像检索(database of local descriptors)、基于学习的方法等。

5.设计实验，在公开图像库上进行实验验证，评估基于区域的彩色图像检索技术的效果和性能，并进行比较与分析。

四、研究方法本论文采用实验方法和理论分析相结合的方式。

主要方法包括：1.收集和整理与本研究相关的文献资料，了解基于区域的彩色图像检索技术的发展历程和研究现状，分析其应用前景和主要问题。

2.分析彩色图像的特点和各种特征提取和描述方法的优缺点，提出基于区域的彩色图像检索技术研究思路和方法，并设计实验进行验证。

基于重要位平面的真彩色图像检索算法

以后 ,真彩色图像 I 就被分解为
Gp, c = { Gp, c ( i , j) , 0 ≤ i < W , 0 ≤ j < H , p = 3 , 4 , 5 , 6 , 7 , c = 0 , 1 , 2} ,
共 5 ×3 = 15 个用灰度码表示的位平面 ,并且这些位
平面都是二值的 (0 或 1) .
2. 3 位平面上颜色特征的提取
当真彩色图像被分解成 15 个位平面并转换成相
应的用灰度码表示的位平面 (简称为位平面) 后 ,我们
就要在这 15 个位平面上提取图像的颜色特征.
定义 1. 位平面一阶矩. 在一幅大小为 W ×H
的图像中 ,设像素点 I ( i , j) 在位平面 p 上的比特值
为 Gp ( i , j) ,则在此位平面 p 上所有比特值 (0 或 1) 的均值被定义为该位平面的位平面一阶矩 , 记作
Key words : co ntent2based image ret rieval ; bit2plane t heory ; bit2plane ro ughness ; gray code
基于内容的图像检索不再依赖于对图像内容的文字描述 ,而是通过一系列的特征来帮助用户找到与示例图像在视觉上相似的图像. 为了满足不同的使用要求 ,需要对图像做出不同的特征描述和提取 , 特征提取是基于内容的图像检索系统的基础 ,其在很大程度上决定检索系统的成败. 目前 ,有关特征提取已经取得了许多研究成果 ,并用于提取图像特征 , 这些特征可以划分为不同的组别 ,如颜色特征、纹理特征和形状特征等.
第2期
田宏 ,等 :基于重要位平面的真彩色图像检索算法
281
面复杂度的影响 , 本文算法采用了位平面的灰度码

一种基于目标区域的彩色图像检索算法

一种基于目标区域的彩色图像检索算法
郭丽;孙兴华;王正群;杨静宇
【期刊名称】《计算机工程》
【年(卷),期】2002(028)004
【摘要】提出了一种基于目标区域的彩色图像检索算法.首先,获取彩色图像HSV 颜色空间中各个分量图像,然后计算各分量图像的二值边缘图像.根据边缘图像的连通性提取彩色图像的目标区域.在图像检索时,抽取彩色图像目标区域所对应的子图像特征,代替全局图像特征进行图像相似性匹配.实验表明,基于目标区域的彩色图像检索算法优于基于全局图像的检索算法.
【总页数】3页(P116-117,150)
【作者】郭丽;孙兴华;王正群;杨静宇
【作者单位】南京理工大学计算机系603教研室,南京,210094;南京理工大学计算机系603教研室,南京,210094;南京理工大学计算机系603教研室,南京,210094;南京理工大学计算机系603教研室,南京,210094
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.图像检索中一种新的目标区域提取算法 [J], 张敏霞;陈丽
2.一种基于目标区域的图像检索方法 [J], 丁玉霞;程义民;李杰;王以孝
3.一种基于目标区域的图像检索方法 [J], 刘涛;张艳宁;孙瑾秋
4.基于目标区域的彩色图像检索研究 [J], 孙兴华;郭丽;郭跃飞;杨静宇
5.一种基于目标区域综合特征的图像检索方法 [J], 罗小燕
因版权原因，仅展示原文概要，查看原文内容请购买。

基于位平面颜色直方图的图像检索新方法

基于位平面颜色直方图的图像检索新方法
王向阳;胡峰丽
【期刊名称】《小型微型计算机系统》
【年(卷),期】2007(28)4
【摘要】为了解决现有颜色直方图检索技术所存在的鲁棒性较差、特征维数过高等问题,本文提出了一种基于位平面颜色直方图的图像检索新方法.该方法首先结合噪声攻击特点(对高位影响较小)提取出重要的位平面图像其视觉权值;然后构造出位平面图像颜色直方图;最后以位平面图像颜色直方图为特征,计算图像间内容的相似度并进行检索.仿真实验表明,本文方法不仅能够准确检索出用户所需图像,而且对光照、锐化、模糊等噪声攻击均具有较好的鲁棒性.
【总页数】5页(P715-719)
【作者】王向阳;胡峰丽
【作者单位】辽宁师范大学,计算机与信息技术学院,辽宁,大连,116029;苏州大学,江苏省计算机信息处理技术重点实验室,江苏,苏州,215006;辽宁师范大学,计算机与信息技术学院,辽宁,大连,116029
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于改进颜色直方图和灰度共生矩阵的图像检索 [J], 吴庆涛;曹再辉;施进发;;;;
2.基于改进颜色直方图和灰度共生矩阵的图像检索 [J], 吴庆涛;曹再辉;施进发
3.基于HSV颜色直方图的图像检索算法性能分析 [J], 康朝红;刘鑫淼;黄静
4.基于分块颜色直方图的快速图像检索 [J], 陈迪凯;陈鹏
5.基于分块颜色直方图和GWLBP的图像检索算法 [J], 陈璐宇;周春艳
因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于基元的彩色图像检索方法

一种基于基元的彩色图像检索方法王华;戴芳【期刊名称】《计算机系统应用》【年(卷),期】2011(020)001【摘要】结合基元与颜色特征,提出一种基于基元的彩色图像检索算法,该算法首先将彩色图像从RGB颜色空间转换到HSV空间上,并将图像量化为256种颜色,然后定义五种基元类型对图像进行基元分析得到基元图,利用颜色直方图描述基元图的颜色特征,利用改进的直方图相交算法进行相似度度量.实验结果表明:提出的算法能有效地去除背景颜色对图像目标的检索影响,而且较之用灰度边缘检测的边缘代替彩色图像边缘而进行的检索,能更好地反映彩色图像的纹理和边缘特征,具有较高的查准率和查全率.%In this paper, a content-based image retrieval algorithm using texton and color is proposed. Firstly, it converts color image from RGB color space to HSV color space and quantizes the color image into 256 colors. Then texton-images can be extracted based on the five texton types which are defined for image analysis. Finally, color features of texton-images are represented by color histogram whose similarity can be measured by the improved cross color histogram. Experimental results indicate that the proposed algorithm can effectively remove the effects of the background color and can make a better description on the color image texture and edge features possessing higher rates of precision and recall compared with the edge detection method.【总页数】5页(P95-99)【作者】王华;戴芳【作者单位】西安理工大学理学院,西安,710054;西安理工大学理学院,西安,710054【正文语种】中文【相关文献】1.一种基于DCT系数的彩色图像检索方法 [J], 张水利;冀小平2.一种基于多特征融合的彩色图像检索方法 [J], 戴雯惠3.一种基于颜色基元共生矩阵的图像检索方法 [J], 张恒博;欧宗瑛4.一种基于颜色矩和多尺度纹理特征的彩色图像检索方法 [J], 杨红菊;张艳;曹付元5.一种基于区域综合特征的彩色图像检索方法 [J], 王向阳;胡峰丽;杨红颖因版权原因，仅展示原文概要，查看原文内容请购买。

基于FSIM的彩色图像检索

基于FSIM的彩色图像检索马自萍;康宝生;马金林【摘要】为了得到一种简单而有效的图像特征,提出了一种频域结构相似度的图像检索方法.该方法利用彩色图像的高斯变换下相位不变、梯度的结构特征和局部二值模式描述图像特征,既弥补了相位不变性对图像对比度不变的影响,又能充分利用LBP纹理特征的旋转不变性,对彩色图像有很好的检索效果.为了验证该算法的效率,在3个彩色图像库中进行了对比实验.结果表明:该方法明星优于其他算法,比GCD_HSV,HSV,LBP算法的平均检索率分别提高了27.24％,29.86％,33.48％.%In order to obtain an effective and compound feature in image retrieval, a new algorithm is proposed based on frequency structural similarity (FSIM). This method aims to extract phase congruent (PC), gradient magnitude of an image smoothed with Gaussian transform, and local binary pattern feature (LBP) , which not only can fill up an efficiency of the contrast invariant of phase congruent, but also can fully utilize the rotation invariant of local binary pattern. In order to test the efficiency of the proposed method, the experiments are conducted in three databases. The experimental results show that the average retrieval precision of proposed method is respectively higher 27.24%, 29.86%, 33.48% than GCD_HSV, HSV, LBP.【期刊名称】《宁夏大学学报（自然科学版）》【年(卷),期】2011(032)004【总页数】4页(P321-324)【关键词】相位不变性;局部二值模式;梯度幅值;图像结构相似度;图像检索【作者】马自萍;康宝生;马金林【作者单位】北方民族大学信息与计算科学学院,宁夏银川750021;西北大学信息科学与技术学院,陕西西安710120;西北大学信息科学与技术学院,陕西西安710120;北方民族大学信息与计算科学学院,宁夏银川750021;西北大学信息科学与技术学院,陕西西安710120【正文语种】中文【中图分类】TP391基于内容的图像检索（CBIR）［1］能够从海量图像中快速检索到最相似图像，是当前研究热点.图像检索研究主要从特征提取和相似度函数2方面着手.图像特征是图像检索的关键字，主要包括：颜色［2—3］、纹理［4—5］、形状［6—7］等.颜色信息包括亮度和对比度，颜色直方图受亮度信息影响，但是把颜色直方图转换到其他颜色空间可以避免这一缺点［8］.为了克服传统颜色直方图计算量大的缺点，Stricker等［9］提出应用累计颜色直方图的方法，对图像噪声有很好的鲁棒性，实验效果优于传统直方图算法.颜色矩和颜色集也可作为图像的颜色特征，前者计算颜色向量的均值、方差、偏度作为颜色特征［10］，后者是用二叉树计算颜色集为特征［11］，适于大规模图像库的快速检索.从图像特征的多样性来说，不是越简单、越单一的特征越好.例如颜色直方图，在大规模图像库的检索中会导致高假阳性，而复合特征会弥补简单特征这个缺点［12］.因此，要想得到很好的检索效果，有必要提取图像的其他特征，利用复合特征进行检索.纹理特征通过描述图像区域内结构的排列或周围区域的关系而得到.直接在时域内计算的纹理特征有灰度共生矩阵、局部二值模式（local binary pattern，LBP）、视觉感知特征（粗糙度、对比度、规则性、梯度等）等.比较而言，局部二值模式、视觉感知特征比灰度共生矩阵更直观些，但是检索效果都不如小波变换后的低频分量的均值、方差特征［12］.随后相继出现了结合灰度共生矩阵方法、小波系数的高斯密度分布的最大似然估计参数特征［13］、马尔可夫变换［14］、离散盖博变换［15］、相关反馈模糊支持向量机［16］等方法，这些方法与频域方法结合，都能发挥一定的优势.图像检索的另一个研究重点是相似度函数.图像结构相似度函数作为质量评价函数，和图像检索的相似度函数有类似性能.故本文提出了一种利用图像结构相似度函数作为相似度函数，结合图像的LBP［17］、相位角（PC）［18］和梯度信息（GM）的图像检索方法.1 特征提取1.1 局部二值模式LBP是计算指定区域的灰度值之差，得到二进制码对应的十进制数.如图1中，选择图像中心gc（xc，yc）＝2，半径R＝1，计算半径R上8个像素与中心像素灰度值之差x＝gi－gc，i＝1，…，8，则x对应的二进制数为图1 LBP模型关于s（x）的N个像素的LBP为式中用（2）式可计算出每个像素二进制编码的十进制数，计算出的特征具有灰度值的伸缩、旋转不变性.1.2 相位不变性本文对二维图像采用二维Log－Gabor函数变换式中：θj＝jπ／J，j＝0，1，…，J－1为滤波方向角；J为方向数；σθ为滤波角度带宽；σr为确定径向带宽.经过Log－Gabor变换后，每一点x的二维PC为式中：［en（x），on（x）］＝［g（x），g（x）］表示一维信号g（x）放缩系数为n时的偶对称的过滤器和奇对称的过滤器.1.3 梯度图像梯度向量是图像结构信息的重要部分，它描述了图像局部亮度的显著变化，通过计算图像灰度的变化率幅值和方向组成梯度向量来表示.常用的图像边缘检测方法有Soble，Prewitt，Scharr边缘算子.在相同条件下，Scharr算子方法较其他2个算子实验效果好，故本文采用Scharr算子计算图像梯度幅值（GM）作为图像特征之一.2 基于LBP，PC，GM的结构相似性度量频域相似度函数（FSIM）［19］是相似度信息的图像质量评价方法（structural similarity，SSIM）［20—21］的频域形式.利用图像的亮度函数l（x，y）、对比度函数c（x，y）和频域结构度函数sF（x，y），并设定各自权值参数α＞0，β＞0，γ＞0，得到下式：本文采用LBP，PC，GM，重新定义FSIM，方法见图2，具体计算步骤如下.图2 FSIMLBP＿GM＿PC计算流程图假设对于图像f1，f2分别计算相位不变特征PC1和PC2之间的相似度：式中T1为使SPC增加稳定性的正值，它的取值随着PC值变化，T1∈（0，1］.本文根据多次实验，取T1＝0.85.同理f1，f2的GM和LBP的相似度函数分别为式中T2，T3分别为使SGM，SLBP增加稳定性的正值，本文取T2＝160，T3＝200.若用SPC，SGM，SLBP分别代替（4）式中的l（x，y），c（x，y），sF（x，y），并取α＝β＝γ＝1，可得图像f1，f2的总相似性度量公式为式中：PCm（x）＝max｛PC1（X），PC2（X）｝.3 本文算法描述1）假设利用（2），（5）式提取关键图和检索图的LBP，GM，PC特征.2）利用（11）式计算关键图像与检索图像的相似度值，其值越小，说明关键图与检索图相似度越低，否则相似度很高.对图像进行排序，并根据输出图像个数，输出检索结果.4 实验结果在Pentium 4 2.7GHz，8GB内存、300GB硬盘的图形工作站上，用Matlab软件实现算法.ALOI图像库包含子库COL（illumination color），ILL（illumina－tion direction），VIEW（Viewing direction），其中：COL是从淡红到白色12种变化的颜色来绘制物体；ILL库根据24种不同亮度绘制；VIEW库是由72个不同观察视角拍摄的彩色图像，适合检验彩色图像颜色、亮度、观察方向等变化对图像特征的影响.从COL，ILL，VIEW图像库中分别选取1 200幅图像，每个图像库中每类图像的相关图像数分别为12，24，72.本文算法和已有文献算法的对比结果见表1.表1 对比实验结果图像库算法APR FSIM＿LBP＿GM＿COL PC 1.000 0 GCD＿HSV［14］ 0.607 8 HSV 0.582 5 LBP［17］0.857 1 FSIM＿LBP＿GM＿ILL PC 0.785 3 GCD＿HSV［14］ 0.503 5 HSV 0.473 8 LBP［17］0.425 6 FSIM＿LBP＿GM＿VIEW 0.209 8 PC 0.711 5 GCD＿HSV［14］ 0.568 2 HSV 0.544 6 LBP［17］由表1可知，本文算法的平均检索率比GCD＿HSV，HSV，LBP算法分别提高了27.24%，29.86%，33.48%.不同的图像库中，算法的平均检索率、平均查全率随着检索输出图像数的变化见图3.在输出图像数一定时，平均查准率、平均查全率是互逆关系，要取得较好的检索效果，二者必须兼顾.PRC曲线（precision recall curve）是度量算法检索能力的曲线图，曲线所包含面积越大，表明算法的检索能力越好.由图4中各个子库的PRC曲线可以看出，本文算法在3个子库的检索能力优于其他算法，特别在COL库中，检索能力几乎处于理想状态.图3 3个图像库的查准率和查全率变化本文算法和比较算法对一幅图像的平均运行时间见表3.由表3可以看出：LBP，PC＿GM特征提取时间明显少于GCD＿HSV直方图，固本文算法比GCD＿HSV更能节省时间.表3 不同算法的运行时间表GM HSV LBP运行时间／s算法本文 GCD＿HSV GCD PC＿1.141 0 12.669 6 10.481 6 1.063 0 0.188 0 0.078 0图4 3个图像库的PRC曲线图本文利用质量评价函数作为相似度函数，提出了一种基于图像高斯变换后相位不变特征（PC）、梯度特征（GM）和局部二值模式（LBP）的检索方法，互补了空域和频域的优点.方法既能有效弥补全局颜色直方图、小波变化计算量大的缺点，提高检索能力，又能弥补小波变换缺失颜色信息和小波系数计算量大的缺点，对图像的纹理、明度特征变化有很好的检索效果，适合于彩色颜色检索.由实验结果可知：本文算法检索率和检索能力明显高于比较算法，尤其在ILL和VIEW库中，效果非常明显.参考文献：［1］ RONG Y，ALEXANDER G H.A review of text and image retrieval approaches for broadcast news video［J］.Information Retrieval，2007，10：445－484.［2］ RAO A B，ROHINI K S，ZHANG Z F.Spatial color histograms for content－based image retrieval［C］／／Proceedings of the 11th IEEE International Conference on Tools with Artificial Intelligence，Chicago：IEEE，1999：183－186.［3］ NING J F.Robust object tracking using joint color－texture histogram ［J］.International Journal of Pattern Recognition and Artificial Intelligence，2009，23（7）：1245－1263.［4］ MAJUMDAR I，KAR A，CHATTEJI B N.Texture feature matching methods for content based image［J］.IETE Technical Review，2007，24（4）：257－269.［5］ ARIVAZHAGAN S，GANESAN L.Texture classification using wavelets transform［J］.Pattern Recognition Letters，2003，24（9／10）：1513－［6］ GEORGE G，ROSIN P L.Shape measures for image retrieval ［J］.Pattern Recognition Letters，2003，24（15）：2711－2721.［7］ SHU Xin，WU Xiaojun.A novel contour descriptor for 2Dshape matching and its application to image retrieval［J］.Image and Vision Computing，2011，29（4）：286－294.［8］ JI Y K，CHANG Y K，YANG S.Color indexing using chromatic invariant［J］.Pattern Recognition，2001，34（6）：1189－1197.［9］ STRICKER M A，ORENGO M.Similarity of color images［J］.Proceedings of SPIE，1995，2420，doi：10.1117／12.205308. ［10］ SU Zhong，ZHANG Hongjiang，LI S.Relevance feedback in content －based image retrieval：Bayesian framework，feature subspaces，and progressive learning［J］.IEEE Transactions on Image Processing，2003，12（8）：924－937.［11］ TAO Dacheng，TANG Xiaoou，LI Xuelong.A symmetric bagging and random subspace for support vector machines－based relevance feedback in image retrieval［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28（7）：1088－1099.［12］ CHUA T S，TAN K L，OOI B C.Fast signaturebased color－spatial image retrieval［C］／／Proceedings of IEEE International Conference on Multimedia Computing and Systems，Ottawa，Ont：IEEE，1997：362－269.［13］ SMITH J R，CHANG S F.Automated binary texture feature sets for image retrieval［C］／／Proceedings of IEEE International Conference onAcoustics，Speech and Signal Processing，Atlanta，GA：IEEE，1996. ［14］ MINH N D，MARTIN V.Wavelet－Based Texture retrieval using generalized Gaussian density and Kullback－Leibler distance［J］.IEEE Transactions On Image Processing，2002，11（2）：146－158.［15］ WANG Lei，LIU Jun.Texture classification using multiresolution Markov radom field models［J］.Pattern Recognition Letters，1999，20（2）：171－182.［16］ GANESAN S A L.Texture classification using wavelet transform ［J］.Pattern Recognition Letters，2003，24：1513－1521.［17］ GUO Zhenhua，ZHANG Lei，ZHANG D.A completed modeling of local binary pattern operator for texture classification［J］.IEEE Transactions on Image Processing，2010，19（6）：1657－1663. ［18］ LIU Z，LAGANIÈRE R.Phase congruence measurement for image similarity assessment［J］.Pattern Recognition Letters，2007，28（1）：166－172.［19］ ZHANG Lin，ZHANG Lei，MOU Xuanqin.FSIM：a feature similarity index for image quality assessment［J］.IEEE Transactions on Image Processing，2011，20（8）：2378－2386.［20］ LI Chaofeng，BOVIK A C.Three－component weighted structural similarity index［J］.Proceedings of SPIE，2009，7242，doi：10.1117／12.811821.［21］ SAMPAT M P，WANG Z，GUPTA plex wavelet structural similarity：a new image similarity index［J］.IEEE Transactions on ImageProcess，2009，18（11）：2385－2401.。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第 22 卷第 2 期 2010 年 2 月
计算机辅助设计与图形学学报
Journal of Comp uter2Aided Design & Co mp uter Grap hics
Vol. 22 No . 2
Feb. 2010Fra bibliotek基于重要位平面的真彩色图像检索算法
田宏 , 杨树刚
(大连交通大学软件学院大连 116028) (tianhw @263. net)
写成二进制形式为 10000000 和 01111111. 在分解
出的所有位平面中 ,这 2 个像素对应的二值像素都
不相同. 为了减少这种小灰度值变化的影响 ,常采用
1 个 m 比特的灰度码来表示图像. 灰度码定义为[12]
ai ai+1 , 0 ≤ i ≤ m - 2
gi =
(1)
ai , i = m - 1
Abstract : A color image ret rieval algo rit hm based o n t he t heory of bit2plane is p ropo sed , which takes into acco unt t he color feat ures and t he p roperties of spatial dist ributio n of t he color . In order to bet ter describe t he ret rieval feat ures and to imp rove t he ret rieval efficiency , t hree new co ncept s are int roduced , t hat is , bit2plane mean , bit2plane flat ness and bit2plane ro ughness. Based o n t hese t hree co ncept s , t he feat ures and spatial dist ributio n of t he color are ext racted. Finally , a reaso nable similarit y measure scheme is designed for t hese ret rieval feat ures. Experimental result s show t hat t he p ropo sed image ret rieval algorit hm is more effective and efficient in ret rieving similar images.
2. 3 位平面上颜色特征的提取
当真彩色图像被分解成 15 个位平面并转换成相
应的用灰度码表示的位平面 (简称为位平面) 后 ,我们
就要在这 15 个位平面上提取图像的颜色特征.
定义 1. 位平面一阶矩. 在一幅大小为 W ×H
的图像中 ,设像素点 I ( i , j) 在位平面 p 上的比特值
为 Gp ( i , j) ,则在此位平面 p 上所有比特值 (0 或 1) 的均值被定义为该位平面的位平面一阶矩 , 记作
颜色是图像中非常重要的视觉特征 ,而且颜色特征相对于其他特征来说比较容易获取 ,因此利用颜色特征进行图像检索的技术受到了普遍的重视 ,
国内外许多学者对此进行了研究. 作为一种常用的图像检索算法 ,全局颜色直方图[1] 具有特征提取和相似度计算简便的优点 ;但其只记录了图像颜色的全局信息 ,完全丢失了颜色的空间分布信息 ,因而对于视觉特征完全不同的 2 幅图像可能具有相同的颜色直方图 ,这使得在利用颜色直方图进行图像检索时极易造成误检现象. 为此 ,人们提出了许多基于图像颜色2空间特征的图像检索算法. St ricker 等[2] 提出采用颜色矩作为图像的索引 ; Pass 等[3] 提出了颜色聚合向量 (color co herence vector , CCV) 的图像检索算法 ; Huang 等[4] 提出采用类似纹理共生矩阵的颜色相关图方法来提取图像的颜色信息和空间分布
0,
int
Ic ( i , j) 2p
mod (2) = 1 ;
mod (2) = 0
其中 p = 3 , 4 , 5 , 6 , 7 表示位平面 ( p = 7 代表最高
位平面 , 即位平面 7 , p = 6 代表位平面 6 , 依此类
推) .
为了避免图像中像素灰度值的微小变化对位平
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
以后 ,真彩色图像 I 就被分解为
Gp, c = { Gp, c ( i , j) , 0 ≤ i < W , 0 ≤ j < H , p = 3 , 4 , 5 , 6 , 7 , c = 0 , 1 , 2} ,
共 5 ×3 = 15 个用灰度码表示的位平面 ,并且这些位
平面都是二值的 (0 或 1) .
1 图像位平面的理论基础
图像位平面就是将图像中每一个像素值分解为
二进制值 ,而把所有具有相同权值的位所构成的平
面称为位平面[12] . 采用这种位平面分解方法存在着
一个固有缺点 ,即像素点灰度值的微小变化可能对
位平面的复杂度产生较明显的影响. 例如 ,在一幅 8
比特位图中 ,2 个相邻像素的值分别为 128 和 127 ,
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
280
计算机辅助设计与图形学学报
第 22 卷
信息 ;文献[ 5 ]在图像的位平面上把各种颜色分量重新组合成新的颜色值 ,并提取组合后颜色值的统计直方图和颜色标准偏差作为检索特征 ;文献[ 6 ]采用局部颜色直方图来表示图像颜色的空间分布特征 ; 文献[ 729 ]分别提出采用环形颜色直方图、空间颜色直方图和 geo stat 方法来提取图像颜色的空间分布特征 ;文献[ 10211 ]通过图像分割或聚类的方法得到图像中的主要对象 ,然后提取每个对象的颜色和位置特征作为图像的索引特征 ,但由于准确地分割图像比较困难 ,且当图像中并无明显的物体存在时 ,聚类的方法也将出现较大的偏差 ,因此它对一般的图像数据库进行检索时不够理想.
根据前面的分析 , 对于一幅 24 位真彩色图像 ( R GB 颜色空间) , 只需要提取其 R , G, B 分量的最高 5 个位平面就基本可以表达图像的内容 , 本文中称这最高的 5 个位平面为重要位平面.
设 24 位真彩色图像为 I = { Ic ( i , j) , 0 ≤i < W , 0 ≤ j < H , c = 0 , 1 , 2} ;
本文提出了一种基于位平面理论的真彩色图像检索算法. 通过定义位平面一阶矩、位平面平坦度和位平面的凹凸面 3 个概念 ,提取出能够更好地表示图像的颜色特征和颜色的空间分布特征的特征向量 ,并设计了与之相适用的相似性度量准则. 仿真实验结果表明 ,本文算法不仅具有较好的检索性能 ,而且对图像的各种形状变换具有很好的鲁棒性.
其中 , Ic ( i , j) 代表原始彩色图像的第 i 行、第 j 列像素的第 c 类颜色的颜色值 , 此处 c = 0 , 1 , 2 依次表示 R , G, B 3 种颜色分量 , 则真彩色图像 I 的位平面分解可定义为
1,
int
Ic ( i , j) 2p
Dp, c ( i , j) =
收稿日期 :2009 - 02 - 17 ;修回日期 :2009 - 07 - 29. 基金项目 :辽宁省自然科学基金 (20072157) . 田宏 (1968 —) ,女 ,博士 ,副教授 ,硕士生导师 ,主要研究方向为人工智能、数据挖掘与图像检索 ;杨树刚 (1983 —) ,男 ,硕士 ,主要研究方向为基于内容的图像检索.
其中 , 代表异或运算 , ai 表示位平面分解得到的
第 i 个位平面 , gi 指位平面 ai 的灰度码表示. 这种
码的独特性质是相连的码字只有 1 个比特位的区
别 ,则像素点灰度值的微小变化不易影响所有位
平面.
对大量图像的位平面分解实验可知 , 在图像的
不同位平面分布着不同的视觉信息 , 但只有最高的
场合. 如 CM Y 颜色空间主要用于彩色印刷 , YU V 和 YIQ 颜色空间广泛应用于图像压缩和处理 ; H IS 和 HSV 颜色空间主要用于图像分析和识别领域 , 而 R GB 颜色空间主要是面向硬件的 ,广泛应用于多媒体技术中.
R GB 颜色空间将图像上每一点的颜色用 R (红) 、G(绿) 和 B (蓝) 三原色的一定搭配来表示 ,称为一个像素. 具体编码时分别用一组二进制编码代表该点 R , G, B 三原色的各自强度 ,并用这 3 组二进制代码的集合 ( R GB 颜色空间值) 表示该点 (整个像素) 的颜色组合. R GB 颜色空间是数字化图像最为常用的色彩格式 ,这种空间表达方式最简单直观 ,而且与图像在计算机上的显示是兼容的 ;所以在本文算法实现中采用 R GB 颜色空间模型. 2. 2 图像位平面的提取
摘要 : 在研究利用图像颜色特征和颜色的空间分布特征进行图像检索的基础上 ,提出一种基于位平面理论的真彩色图像检索算法. 为了更好地描述图像的检索特征、优化检索性能 ,定义了位平面一阶矩、位平面平坦度和位平面的凹凸面 3 个概念 ,并依据这些概念提取出了图像的颜色特征和颜色空间分布特征 ;同时设计了与所有提取出的图像检索特征相适用的相似性度量准则. 仿真实验结果表明 ,该算法具有较好的检索性能.