感兴趣区域的确定及相似度计算方法
视觉感兴趣区域的算法
视觉感兴趣区域的算法定义视觉感兴趣区域的算法：眼球注视点的⽐较Claudio M.Privitera and Lawrence W. Stark, Fellow, IEEE摘要-很多机器视觉应⽤，如压缩，图案数据库查询，以及图像理解，经常需要⽤来详细分析图像中的⼀个代表⼦集, 它可能会被排列成⼀组被称作视觉感兴趣区域（ROIs）的位点。
我们已经研究和开发了⼀种⽅法，其⽤于⾃动识别aROls这样的⼦集（根据算法检测的ROI），使⽤不同的图像处理算法，IPAs，和适当的聚类过程。
在⼈类感知，⼀个内在的表现指⽰着⾃上⽽下，上下⽂相关的眼球运动序列，以注视hROls的相似的序列（⼈识别的ROI）.在这篇论⽂中，我们引进我们⾃⼰的⽅法并且我们⽤aROLs⽐较hROLs 来作为⼀个评估和选择⾃下⽽上的算法的标准。
最后，⼀个应⽤程序会被论述。
关键词：眼球运动，扫描途径理论，感兴趣的认同和⽐较区域1 引⾔眼球运动是⼈类视觉的重要组成部分因为它们必须使⽤视⽹膜中的⼩凹，最终，视觉注意到的图像的每个部分，会被固定，并与⾼分辨率处理。
平均每秒三眼的注视⼀般发⽣在积极寻找之中;这些快速的眼跳会穿插在眼睛注视之中，被称为扫视，在此期间，视⼒被抑制。
只有⼀⼩部分的眼睛注视（hROIs，⼈体检测的感兴趣区域）会被经常被⼤脑需要去做识别⼀个复杂的视觉输⼊（图1，上图）。
我们⼀直在研究和界定⼀个这种基于数字图像智能处理的复杂的认知机制的计算模型。
图像处理算法，IPAs，通常被⽤来检测和定位在数字图像分析的特定特征，例如，空间频率，纹理构象，或对视觉刺激的位点的其它信息的值。
应⽤⼀个IPA到图像意味着改变这种图像变为定义相应的算法特征像素值的新范围。
变换的图像的局部最⼤值代表位点，其中该特定的特征是特别突出的，他们可以被⽤作基础或识别aROIs，被算法检测的感兴趣区域。
许多局部最⼤值可以由图像变换来⽣成：因此，⼀个聚类过程是必需的，以减少在初始的⼤的局部最⼤值变成aROIs（图1，下图）的⼀个最后的⼩的⼦集。
相似度计算常用方法综述
相似度计算常用方法综述引言相似度计算用于衡量对象之间的相似程度，在数据挖掘、自然语言处理中是一个基础性计算。
其中的关键技术主要是两个部分，对象的特征表示，特征集合之间的相似关系。
在信息检索、网页判重、推荐系统等，都涉及到对象之间或者对象和对象集合的相似性的计算。
而针对不同的应用场景，受限于数据规模、时空开销等的限制，相似度计算方法的选择又会有所区别和不同。
下面章节会针对不同特点的应用，进行一些常用的相似度计算方法进行介绍。
2向量空间模型向量空间模型（Vector space model）是应用最广泛的一个基础相似度计算模型，在该模型中，每个对象映射为一个特征向量:作为一个应用广泛的模型，向量空间模型在现有的很多应用中仍然起着至关重要的作用，也是很多扩展方法的基础。
3 基于hash方法的相似计算基于hash的相似度计算方法，是一种基于概率的高维度数据的维度削减的方法，主要用于大规模数据的压缩与实时或者快速的计算场景下，基于hash方法的相似度计算经常用于高维度大数据量的情况下，将利用原始信息不可存储与计算的问题转化为映射空间的可存储计算问题，在海量文本重复性判断方面，近似文本查询方面有比较多的应用，google的网页去重[1]，google news的协同过滤[2,3]等都是采用hash方法进行近似相似度的计算，比较常见的应用场景Near-duplicate detection、Image similarity identification、nearest neighbor search，常用的一些方法包括I-match，Shingling、Locality-Sensitive Hashing族等方法，下面针对几种常见的hash方法进行介绍。
3.1 minhash方法介绍Minhash方法是Locality-sensitive hashing[4,5]算法族里的一个常用方法，基本的思想是，对于每一个对象的itemlist，将输入的item进行hash，这样相似的item具有很高的相似度被映射到相同的buckets里面，这样尽量保证了hash之后两个对象之间的相似程度和原来是高相似的，而buckets的数量是远远小于输入的item的，因此又达到降低复杂度的目的。
meanshift算法简介
怎样找到数据集合中数据最密集的地方呢？
数据最密集的地方，对应于概率密度最大的地方。我们可 以对概率密度求梯度，梯度的方向就是概率密度增加最大 的方向，从而也就是数据最密集的方向。
令
,假设除了有限个点，轮廓函数 的梯度对所
有
均存在 。将 作为轮廓函数，核函数 为：
fh,K
x
2ck ,d n nhd 2 i1
Meanshift算法的概述及其应用
Meanshift的背景
Mean Shift 这个概念最早是由Fukunaga等人于 1975年在一篇关于概率密度梯度函数的估计中提出 来的,其最初含义正如其名,就是偏移的均值向量。
直到20年以后,也就是1995年,,Yizong Cheng发 表了一篇对均值漂移算法里程碑意义的文章。对基 本的Mean Shift算法在以下两个方面做了改进,首先 Yizong Cheng定义了一族核函数,使得随着样本与 被偏移点的距离不同,其偏移量对均值偏移向量的贡 献也不同,其次Yizong Cheng还设定了一个权重系 数,使得不同的样本点重要性不一样,这大大扩大了 Mean Shift的适用范围.另外Yizong Cheng指出了 Mean Shift可能应用的领域,并给出了具体的例子。
• 一维下的无参数估计 设X1,X2, …Xn是从总体中抽出的独立同分布
的样本，X具有未知的密度函数f（x），则f （x）的核估计为：
h为核函数的带宽。常用的核函数如下：
分别是单位均匀核函数 和单位高斯核函数
多维空间下的无参密度估计：
在d维欧式空间X中，x表示该空间中的一个点， 表示该空间中的
核函数,
(5)若
，则停止；否则y0←y1转步骤②。
限制条件：新目标中心需位于原目标中 心附近。
视觉感兴趣区域的算法
定义视觉感兴趣区域的算法：眼球注视点的比较Claudio M.Privitera and Lawrence W. Stark, Fellow, IEEE摘要-很多机器视觉应用，如压缩，图案数据库查询，以及图像理解，经常需要用来详细分析图像中的一个代表子集, 它可能会被排列成一组被称作视觉感兴趣区域（ROIs）的位点。
我们已经研究和开发了一种方法，其用于自动识别aROls这样的子集（根据算法检测的ROI），使用不同的图像处理算法，IPAs，和适当的聚类过程。
在人类感知，一个内在的表现指示着自上而下，上下文相关的眼球运动序列，以注视hROls的相似的序列（人识别的ROI）.在这篇论文中，我们引进我们自己的方法并且我们用aROLs比较hROLs 来作为一个评估和选择自下而上的算法的标准。
最后，一个应用程序会被论述。
关键词：眼球运动，扫描途径理论，感兴趣的认同和比较区域1 引言眼球运动是人类视觉的重要组成部分因为它们必须使用视网膜中的小凹，最终，视觉注意到的图像的每个部分，会被固定，并与高分辨率处理。
平均每秒三眼的注视一般发生在积极寻找之中;这些快速的眼跳会穿插在眼睛注视之中，被称为扫视，在此期间，视力被抑制。
只有一小部分的眼睛注视（hROIs，人体检测的感兴趣区域）会被经常被大脑需要去做识别一个复杂的视觉输入（图1，上图）。
我们一直在研究和界定一个这种基于数字图像智能处理的复杂的认知机制的计算模型。
图像处理算法，IPAs，通常被用来检测和定位在数字图像分析的特定特征，例如，空间频率，纹理构象，或对视觉刺激的位点的其它信息的值。
应用一个IPA到图像意味着改变这种图像变为定义相应的算法特征像素值的新范围。
变换的图像的局部最大值代表位点，其中该特定的特征是特别突出的，他们可以被用作基础或识别aROIs，被算法检测的感兴趣区域。
许多局部最大值可以由图像变换来生成：因此，一个聚类过程是必需的，以减少在初始的大的局部最大值变成aROIs（图1，下图）的一个最后的小的子集。
poi相似度指标
poi相似度指标（原创实用版）目录1.引言2.POI 相似度指标的定义3.POI 相似度指标的计算方法4.POI 相似度指标的应用5.总结正文【引言】在空间数据分析和处理领域，POI(Point of Interest) 是指地图上的重要地点，如商店、餐馆、公园等。
在实际应用中，我们需要对 POI 进行相似度分析，以便找出具有相似特征的 POI。
本文将介绍 POI 相似度指标及其计算方法和应用。
【POI 相似度指标的定义】POI 相似度指标是一种衡量两个或多个 POI 之间相似程度的方法。
它主要通过计算 POI 的属性数据之间的相似性来得出。
POI 的属性数据包括位置、类别、评分等。
【POI 相似度指标的计算方法】常用的 POI 相似度指标计算方法包括：1.欧氏距离：基于 POI 的经纬度坐标计算其欧氏距离，距离越近表示 POI 越相似。
2.类别相似度：比较 POI 的类别属性，如果类别相同则认为 POI 相似。
3.评分相似度：比较 POI 的评分属性，如星级、评分等，如果评分相近则认为 POI 相似。
4.基于概率模型的方法：如条件随机场 (CRF)、隐马尔可夫模型 (HMM) 等，通过学习 POI 的属性数据之间的依赖关系来计算相似度。
【POI 相似度指标的应用】POI 相似度指标在实际应用中有广泛的应用，例如：1.POI 推荐：根据用户的历史行为和兴趣，通过计算 POI 相似度来推荐用户可能感兴趣的 POI。
2.地理数据分析：通过计算 POI 相似度，可以发现具有相似特征的地理区域，从而进行地理数据分析和挖掘。
3.城市规划：通过分析 POI 的相似度，可以了解城市中不同区域的功能分布和特征，为城市规划提供参考。
【总结】POI 相似度指标是空间数据分析和处理领域的重要工具，通过对 POI 的属性数据进行相似度计算，可以发现具有相似特征的 POI。
基于感兴趣区域和FCM的图像检索算法
粥
如 存 ｊ使 ｄ：则 ：＝ 对≠ｕ ０ 果 在ｒ 得 ｏ 令ｕ ｌ ｉ，＝ ， ， ， ：且 ｒ 。 ¨
（） 下述公式 计算Ｖ ’ ３用 ：
，
取 ，因此 合理选取 初始 类 中心 是聚类 算法 中最 重要 的 步 。本 文采用 了一 种 自适 应 的初 始聚类 中心 选取 方
感兴 趣 区域 的 颜 色特 征用 该区域 的颜 色均值 和均 方差 表示 。设 感 兴趣 区域Ｓ 大小 为ｍ× ， 其颜 色均 值 ｎ则 纹理 和位 置三种 特 征数学 描 述感 兴趣 区域 内容 再对 １和（ ） 模糊 Ｃ 均 值 聚类 算法 进行 改进 ． 一 有效 地 解 决 了初 始值 和颜色 均方差 可通 过公 式（） ２分别获 得 ： 的选取 问题 ， 时对 图像 库 进 行分 类 ， 建 立 索 引 ， 同 并 最 后 ．通过 数 据库特 征 的聚类 中心与感 兴 趣 区域 特 征 的
２１视觉关 注模型 ．
其 中， ｘ ） Ｉ ， 为感 兴 趣 区域Ｓ ； Ｙ 内像素 点 ｘ ） ， 的第ｉ ｙ 个
视 觉 关注 模 型模 拟 了 人类 视觉 注 意 的转 换 过 程［ 颜 色 分 量 。选 用 能 够 较 好 符 合 人 眼 视觉 感 知 特 性 的 ７ １ ，
６ ６
图 １ 视 觉 关 注 模 型
． 模 糊 Ｃ 均值 （Ｃ 算法 『 一 Ｆ Ｍ） 句 利用 伪 随机数 产 生初 始 类 中 ２２感 兴趣 区域 特征 的数 学描 述 感 兴 趣 区域 Ｓ 过 视 觉 关 注模 型确 定 后 ．利 用 颜 经 心 ， 成 聚类 效 果 不稳 定 ． 造 特别 是 当 聚类 数 比较 多 时 ． 色、 纹理 和位置 特征对 感 兴趣 区域 内容进行数 学描述 。 往 往 得 不 到 满 意 的 聚 类 结 果 基 于上 述理 论 ． 本文 首 先利用 Ｉｉ ｔ 等人 提 出 了 视觉 ｔ 关注模 型 提取查 询 图像 中 的感兴趣 区域 ， 并通 过 颜 色 、 ｆ１ 色特 征描 述 １颜
常用相似度计算方法
常用相似度计算方法
嘿，咱今天就来聊聊那些常用的相似度计算方法呀！
你看哦，有一种方法叫余弦相似度。
这就好比是两个向量之间的“亲密
程度”。
比如说有两个音乐列表，一个里面都是摇滚歌曲，另一个也有很多
摇滚歌曲，那它们的余弦相似度可能就会比较高，就像两个好朋友都喜欢同一种音乐一样。
还有欧式距离呢！想象一下，在一个地图上，两个点之间的距离。
比如有两个城市，它们在地图上的位置远近，就可以用欧式距离来衡量。
如果两个城市离得很近，那欧式距离就小，说明它们挺相似的；要是离得老远，那相似度自然就低啦。
再来说说杰卡德相似系数。
这就好像是比较两个集合有多少共同的元素。
比如说有两堆水果，一堆有苹果、香蕉、橘子，另一堆有苹果、葡萄、橙子，那它们共同有的就是苹果，用这个来计算它们的相似度就很有趣。
咱平时生活里也能用到这些相似度计算方法呢！比如说找朋友，你和一个人有很多共同爱好，那你们的相似度就高呀，可能就更容易成为好朋友。
或者在选电影看的时候，发现一部电影和你之前喜欢的电影很相似，那你可能就会更想去看。
在工作中也一样哦！比如数据分析的时候，要看看不同的数据组之间有多相似，就能更好地进行分类和分析啦。
还有哦，想象一下在美食的世界里，不同的菜品之间也可以用相似度计算呢！比如两道菜都用了很多辣椒，那它们在口味上的相似度可能就比较高。
总之呀，这些相似度计算方法就像是我们生活中的小助手，能帮我们更好地理解和比较各种事物之间的关系。
是不是很有意思呀？下次你再遇到什么要比较相似性的事情，就可以想想这些方法啦！。
相似度计算方法学习总结
相似度计算⽅法学习总结
⽆论什么推荐算法，计算相似度都是避不开的，下⾯就总结⼀下已经了解的相似度计算⽅法。
1.余弦相似度
这个算是最常⽤的了，典型例⼦是计算⽂本相似度。
通过计算两个向量间的夹⾓，越是相似夹⾓度数越接近0，所计算的值也就越接近1。
但是余弦相似度只对⽅向敏感，对距离并不敏感。
2.欧式距离（欧⼏⾥得距离）
就是计算空间上两点间的距离。
下图很好体现了欧⽒距离和余弦相似度的差异。
所以可以看出欧⽒距离适⽤于那些对数值差异⼤⼩敏感的相似度计算，
⽽余弦相似度更适⽤于判别⽅向上的差异，⽽对绝对的数值不敏感的，⽐如通过⽤户对内容的评分来区分兴趣的相似度，修正了不同⽤户之间可能存在度量标准不统⼀的问题（有的⽤户默认⾼分，有的⽤户默认低分，对于默认低分⽤户来说7分就表⽰他喜欢了，⽽对默认⾼分⽤户来说10分才表⽰喜欢）。
3.⽪尔逊相关系数（PC）
其实就是升级版的余弦相似度。
举个例⼦：
⽤户对内容评分，按5分制，X和Y两个⽤户对两个内容的评分分别为（1,2）和（4,5），使⽤余弦相似度得到的结果是0.98，两者极为相似。
但从评分上看X似乎不喜欢2这个内容，⽽Y则⽐较喜欢，余弦相似度对数值的不敏感导致了结果的误差，需要修正这种不合理性就出现了调整余弦相似度，即所有维度上的数值都减去⼀个均值，⽐如X和Y的评分均值都是3，那么调整后为（-2，-1）和（1,2），再⽤余弦相似度计算，得到-0.8，相似度为负值并且差异不⼩，但显然更加符合现实。
此外，还有
斯⽪尔曼等级相关系数、平局平⽅差异（MSD）、Jaccard距离和Dice系数等... 不太懂，以后涉及到深处在研究哈。
基于物品相似度的推荐算法研究
基于物品相似度的推荐算法研究随着互联网技术的不断发展和普及，人们在互联网上获取信息、进行消费、享受娱乐等方面的需求日益增长。
然而，与此同时，用户也面临着信息过载的问题，如何在海量的信息中快速找到自己感兴趣的内容成为了一个急需解决的问题。
在这个过程中，推荐系统显得尤为重要，它可以为用户提供个性化的、精准的服务，从而提高用户满意度和体验。
推荐算法是实现推荐系统的核心技术，其任务是为用户推荐可能感兴趣的物品。
基于物品相似度的推荐算法是目前比较流行的一种方法，它根据物品之间的相似度来进行推荐。
其基本思路是，首先计算出物品之间的相似度，然后选择与用户喜好相似度较高的物品进行推荐。
物品相似度指的是两个物品之间的相关程度，可以通过计算它们的属性或特征之间的距离或相似度来衡量。
常用的计算方式包括余弦相似度、欧氏距离、皮尔逊相关系数等。
这些计算方式可以根据不同的数据类型和场景进行选取。
以电商网站为例，基于物品相似度的推荐算法可以通过以下方式进行实现：1. 收集用户历史行为数据，包括用户购买记录、浏览记录、搜索记录等等。
2. 根据收集到的数据，计算出不同物品之间的相似度，可以选择不同的计算方式进行计算。
3. 对于用户，根据他的历史行为记录，选择与他兴趣相似度较高的物品进行推荐。
4. 对于新用户，根据他填写的喜好标签、所在区域、年龄等信息进行推荐。
5. 不断优化算法，根据用户反馈、点击率等指标进行调整和改进。
基于物品相似度的推荐算法具有以下优点：1. 可以有效避免推荐结果出现“大众化”的现象，更加贴合用户需求。
2. 算法实现简单，可以很好地适应数据量较大、实时性要求较高的场景。
3. 可以通过不断优化算法，提高推荐准确度和用户满意度。
然而，基于物品相似度的推荐算法也存在一些不足之处，比如：1. 缺乏考虑用户个性化需求的因素，无法做到完全精准的推荐。
2. 对于新用户，可能存在推荐效果不佳的情况。
3. 涉及的评估指标较少，很难全面、准确地评估算法性能。
相似度计算方法
相似度计算⽅法相似度就是⽐较两个事物的相似性。
⼀般通过计算事物的特征之间的距离，如果距离⼩，那么相似度⼤；如果距离⼤，那么相似度⼩。
问题定义：有两个对象X,Y,都包含N 维特征，X=(x1,x2,x3,...,xn),Y=(y1,y2,y3,...,yn),计算X 和Y 的相似性。
闵可夫斯基距离(Mink o w sk i Dista nc e)曼哈顿距离(Ma nha tta n Dista nc e)p=1时，闵可夫斯基距离就是曼哈顿距离。
⼜称城市街区距离，在⽅正的北京⼤街打车，⾏车距离就是曼哈顿距离，如果在⼭城重庆就不是了。
欧⽒距离(Euc lidea n Dista nc e)p=2时，闵可夫斯基距离就是欧⽒距离。
在平⾯⼏何或者⽴体⼏何中的距离，通常就是欧⽒距离，所以欧⽒距离也最容易理解。
切⽐雪夫距离(Chebyshev Dista nc e)p 等于⽆穷⼤时，闵可夫斯基距离就是切⽐雪夫距离。
若将国际象棋棋盘放在⼆维直⾓坐标系中，格⼦的边长定义为1，座标的x 轴及y 轴和棋盘⽅格平⾏，原点恰落在某⼀格的中⼼点，则王从⼀个位置⾛到其他位置需要的最少步数恰为⼆个位置的切⽐雪夫距离，因此切⽐雪夫距离也称为棋盘距离"加权(w eighted)"闵可夫斯基距离当样本中不同属性的重要性不同时，可使⽤"加权距离"(weighted distance)余弦相似度(Co sine Simila r ity)余弦相似性取值[-1,1]，值越趋于1，表⽰两个向量的相似度越⾼。
余弦相似度与向量的幅值⽆关，只与向量的⽅向相关，在⽂档相似度(TF-IDF)和图⽚相似性(histogram)计算上都有它的⾝影。
⼆维平⾯上两向量a(x1,y1)，b(x2,y2)之间的夹⾓余弦公式：也可直接通过向量运算：n 维空间上两点a(x1,x2……..xn)，b(y1,y2……..yn)的夹⾓余弦公式：r rela ⽪尔逊相关系数(Pea r so n Co rrela tio n)余弦相似度会受到向量的平移影响，怎样才能实现平移不变性？在余弦相似度的基础上，每个向量减去这个向量均值组成的向量，也就是⽪尔逊相关系数，有时候也直接叫相关系数。
感兴趣区域的确定及相似度计算方法
。 （ ２）
第 ２２ 卷 第 ４ 期 ２００８ 年 ７ 月
湖南工业大学学报 Ｊｏｕｒｎａｌ ｏｆ Ｈｕｎａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ
Ｖｏｌ．２２ Ｎｏ．４ Ｊｕｌｙ ２００８
感兴趣区域的确定及相似度计算方法
李苏梅 １，２，韩国强 ２
（１． 广东外语外贸大学 教育技术中心，广东 广州 ５１０４２０；２． 华南理工大学 计算机科学与工程学院，广东 广州 ５１０６４１ ）
收稿日期：２００８－０６－１８ 基金项目：广东省自然科学基金资助项目（７３００４５０）
作者简介：李苏梅（１９６５－），女，湖南宁远人，广东外语外贸大学实验师，华南理工大学硕士生，主要研究方向为图像检索； 作者简介： 韩国强（１９６２－），男，江西临川人，华南理工大学教授，博士，博士生导师，主要研究方向为计算机应用技术，多
，
，
；
，
以上各式中，ｎＲ 表示属于区域 Ｒ 像素点的数目， Ｉ ｉ （ｌ ａ ｂ Ｌ ）、Ｉ ｉ （ｌ ａ ｂ Ａ ）、Ｉ ｉ （ｌ ａ ｂ Ｂ ）、Ｉ ｉ （ｃ ｏ ｎ ）、Ｉ ｉ （ａ ｎ ｉ ）、 Ｉｉ（Ｘ）、Ｉｉ（Ｙ）分别表示第 ｉ 个像素点的 Ｌ＊、ａ＊、ｂ＊、对 比度（ｃｏｎ）、各向异性（ａｎｉ）分量以及象素点位置的 特征分向量。 １．２ 区域的直方图特征
Ａｂｓｔｒａｃｔ ：Ｔｈｅ ｋｅｙ ｔｅｃｈｎｉｑｕｅｓ ｏｎ ＲＯＩ ｃｏｎｆｉｒｍｅｄ ａｎｄ ｓｉｍｉｌａｒｉｔｙ ｃｏｍｐｕｔａｔｉｏｎ ｉｎ ＲＯＩＢＩＲ ｓｙｓｔｅｍ ａｒｅ ｓｔｕｄｉｅｄ． Ｆｉｒｓｔｌｙ， ｔｗｏ ａｐｐｒｏａｃｈｅｓ ｏｆ ｃｏｎｆｉｒｍｉｎｇ ＲＯＩ ａｒｅ ｉｎｔｒｏｄｕｃｅｄ ｂｙ ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｖｉｓｉｂｉｌｉｔｙ ｏｆ ｉｍａｇｅ ｒｅｇｉｏｎｓ， ｔｈｅ ｐｏｓｓｉｂｉｌｉｔｙ ｏｆ ｄｅｓｉｇｎａｔｉｎｇ ｒｅｇｉｏｎ ａｎｄ ｉｔｓ ｗｅｉｇｈｔ ｆｏｒ ｕｓｅｒｓ ｍａｋｉｎｇ ｔｈｅ ｉｍａｇｅ ｒｅｔｒｉｅｖａｌ ｓｙｓｔｅｍ ｉｎｃｌｕｄｅ ｈｕｍａｎ ｐｅｒｃｅｐｔｉｏｎ ａｎｄ ａｃｃｏｒｄ ｗｉｔｈ ｈｕｍａｎ ｖｉｓｉｏｎ ｈａｂｉｔｓ． Ｔｈｅｎ， ａ ｒｅｇｉｏｎ－ｂａｓｅｄ ｓｉｍｉｌａｒｉｔｙ ｍｅａｓｕｒｅｍｅｎｔ ａｐｐｒｏａｃｈ ｉｓ ｉｎｔｒｏｄｕｃｅｄ． Ｗｉｔｈ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｐｐｒｏａｃｈ， ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｏｆ ｔｗｏ ｒｅｇｉｏｎｓ ｗｉｔｈ ｔｈｅ ｃｏｍｂｉｎａｔｉｏｎ ｆｅａｔｕｒｅｓ， ｈｉｓｔｏｇｒａｍ ａｎｄ ｒｅｇｉｏｎ ｓｈａｐｅ ｆｅａｔｕｒｅｓ ｉｓ ｃｏｍｐｕｔｅｄ ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｔｈｅｎ， ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｏｆ ｔｗｏ ｒｅｇｉｏｎｓ ｉｓ ｃｏｍｐｕｔｅｄ ｂｙ ｔｈｅ ｗｅｉｇｈｔ ｐｒｏｄｕｃｔ ｍｅｔｈｏｄ． Ｔｈｅ ａｖｅｒａｇｅ ｖａｌｕｅ＇ｓ ｓｉｍｉｌａｒｉｔｙ ｆｏｒ ｅｖｅｒｙ ｒｅｇｉｏｎ ｉｓ ｒｅｇａｒｄｅｄ ａｓ ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｏｆ ＲＯＩ ａｎｄ ｔａｒｇｅｔ ｉｍａｇｅ． Ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄｓ ａｒｅ ａｖａｉｌａｂｌｅ．
bam-matcher原理
bam-matcher原理
BAM匹配器（BAM Matcher）是一种基于自适应最大化（adaptive maximum）的匹配算法，用于在图像中找到与目标
相似的模式。
BAM匹配器的工作原理如下：
1. 首先，选择一个感兴趣区域（ROI）作为搜索范围，通常这
个ROI是和目标模式大小相似的图像块。
2. 将目标模式与ROI进行比较来计算相似度得分。
相似度可
以使用一些测量标准，如归一化互相关（normalized cross correlation）或平方差（sum-of-squared differences）。
3. 利用自适应最大化方法，调整ROI的位置和大小，以便于
找到更好的匹配结果。
这种方法通过考虑不同尺度和方向的模式变化来提高匹配的准确性。
4. 重复步骤2和3，直到找到最佳匹配或者达到预设的停止条件。
BAM匹配器的优点是可以在旋转、尺度和亮度变化等情况下
进行有效的模式匹配。
它在许多计算机视觉应用中被广泛应用，如目标检测、图像配准和跟踪等。
感兴趣区域高效提取算法
©2005 Journal of Software
软 件 学 报
Vol.16, No.1
感兴趣区域高效提取算法
张红梅 1+, 卞正中 1, 郭佑民 2, 叶 敏 3
1 2 3
∗
(西安交通大学 生命科学与技术学院,陕西 西安 710049) (西安交通大学 第一附属医院影像中心,陕西 西安 710061) (西安交通大学 机械学院,陕西 西安 710049)
万方数据
78 摘 要:
Journal of Software
软件学报
2005,16(1)
感兴趣区域在临床医学图像分析中占有重要地位. 提出了一种基于单调推进曲线进化的感兴趣区域
提取新方法.首先,通过极小化 ROI(region of interest) 能量函数,推导出区域速度函数项,并与基于边界的速度函数 融合,提出融合 ROI 信息的单调推进 Snake 模型.ROI 信息能够增强曲线深入到对比度低且细窄的区域中的传播 能力. 其次 ,提出了多初始化快速推进算法, 选择性地种植种子曲线有助于局部区域的生长从而进一步改善分割 结果.此外, 为提高计算效率, 在多尺度空间进行数值求解, 其中利用快速解传递方法实现粗一级尺度到细一级尺 度解的传递, 可以加速收敛. 利用医学图像分割实验对该方法进行评估 ,结果表明 :该方法能够快速 低对比度和细窄的 ROI 区域.与现有方法相比,该方法的高效性同时体现在分割结果和计算代价上. 关键词: 感兴趣区域;曲线进化;多尺度策略;多初始化快速推进算法;分割 中图法分类号: TP391 文献标识码: A 精确地提取
2 3
+ Corresponding author: Phn: +86-29-85236872, E-mail: claramei@,
用户兴趣偏好相似度确定方法及设备的制作技术
本申请公开了一种用户兴趣偏好相似度确定方法及装置，包括：分别获取第一用户和第二用户进行指定操作的业务对象的描述词；并基于第一用户和第二用户进行指定操作的业务对象的描述词，分别确定第一用户的兴趣偏好向量和第二用户的兴趣偏好向量，其中，第一用户的兴趣偏好向量的分量为第一用户进行指定操作的业务对象的描述词，第二用户的兴趣偏好向量的分量为第二用户进行指定操作的业务对象的描述词；以及确定第一用户的兴趣偏好向量和第二用户的兴趣偏好向量之间的相似度，作为第一用户和第二用户之间的兴趣偏好相似度。
采用本申请实施例提供的方案，提高了确定用户兴趣偏好相似度的准确性。
权利要求书1.一种用户兴趣偏好相似度确定方法，其特征在于，包括：分别获取第一用户和第二用户进行指定操作的业务对象的表征用户的兴趣偏好的描述词，其中，所述描述词是基于多个提供方分别对同一款所述业务对象的描述信息所确定；基于第一用户和第二用户进行指定操作的业务对象的描述词，分别确定第一用户的兴趣偏好向量和第二用户的兴趣偏好向量，其中，第一用户的兴趣偏好向量的分量为第一用户进行指定操作的业务对象的描述词，第二用户的兴趣偏好向量的分量为第二用户进行指定操作的业务对象的描述词；确定第一用户的兴趣偏好向量和第二用户的兴趣偏好向量之间的相似度，作为第一用户和第二用户之间的兴趣偏好相似度。
2.如权利要求1所述的方法，其特征在于，基于第一用户和第二用户进行指定操作的业务对象的描述词，分别确定第一用户的兴趣偏好向量和第二用户的兴趣偏好向量，具体包括：分别从第一用户和第二用户进行指定操作的业务对象的描述词中，确定在预定义的描述词字典中存在的描述词，对应作为第一用户的兴趣偏好描述词和第二用户的兴趣偏好描述词；基于第一用户和第二用户的兴趣偏好描述词，分别确定第一用户的兴趣偏好向量和第二用户的兴趣偏好向量，其中，第一用户的兴趣偏好向量的分量为第一用户的兴趣偏好描述词，第二用户的兴趣偏好向量的分量为第二用户的兴趣偏好描述词。
感兴趣区域特征融合的图像检索算法研究
用外部归一化的方法进行相似性度量。 实验结果表明， 该算法提取感兴趣 区域的综合特征， 不但使得提取的特征矢量维数低 ， 而且保证了
旋转 、 移和尺度 不变性 ， 平 因而具有较 高的检 索率 。 关键 词： 图像 检 索 ； 感兴趣 区域 ； 特征 融合
近年来随着 多媒体技术 和网络技 术的飞速发展 ， 基于 内容 的图像检索 （ｏ ｔ ｎ — ａ ｅ ｉａ ｅ ｅ ｒ— ｅ ａ ， Ｂ Ｒ 已成 ｃ ｎ ｅ ｔｂ ｓ ｄ ｍ ｇ ｒ ｔ ｉ ｖ ］ Ｃ Ｉ）
为一个 非常活跃的研究领域 ， 它利用图像 自身包含 的丰富视觉
信息来进行检 索， 主要是直接 从图像 中获得的客观的视觉 内容
特征 ， 如颜色、 纹理、 形状等 来判 断图像之 间的相似性， 这种方 法成了现有 图像检 索技 术研 究的主流。 其主 旨在 从数据库中根 的颜色模 型采用 Ｈ Ｖ 型， Ｓ模 其中分 量Ｈ ｓ Ｖ ， ， 分别 代表彩 色信号 据视 觉内容检 索相关 图像 ， 当用户提交一个 查询 图像 ， 索系 检 统将 根据相似度 自动显示检索结果。 基于 内容的图像 检索主要 是利用 图像 本身包含的客观视觉特征 ， 且图像 的相似性不需要 人 来解释 ， 因此在需要 自动化 的场合 取得 了大量 的应用 ， 已 现 有不 少的研 究者提 出了很多涉及 图像 内容的方法及算法实现。 如 闫庆红等研究了一种新的基于视觉特征 的数字 图书馆图像检
０． １＜ ｖ ０． ４
０． ＜ ｖ ７ １
然而现有 的大部分综 合特 征的图像检索 算法都是侧 重于 图像 的全局信息， 其优点是计 算简单、 对平移和旋转不敏感， 不 足 之处是不能充分反映出图像 内容 的空间分布信息 ， 不能够 在 空间布局层 次比较 图像 的相似 性， 索效果不是很理 想。 检 为了 提 高检索效率和 检索精度 ， 文提 出了一种改进 方法 ， 取图 本 提
matchtemplate详解
matchtemplate详解1.引言在计算机视觉领域，模板匹配是一种常用的图像处理技术，用于在图像中寻找与给定模板最相似的图像区域。
m a tc ht em pl at e是一种应用最广泛的模板匹配算法之一，本文将对m atc h te mp la te进行详细解析。
2.算法原理m a tc ht em pl at e算法的核心思想是通过计算图像区域与模板的相似性，从而确定最佳的匹配位置。
其具体步骤如下：1.加载原始图像和模板图像。
2.将模板图像与原始图像进行比较，计算相似性得分。
3.根据得分生成相似性矩阵，用于表示图像中各位置与模板的相似度。
4.在相似性矩阵中找到最大得分位置，即为最佳匹配位置。
3. ma tchtemplate函数的使用方法m a tc ht em pl ate函数是O pe nCV库中提供的用于实现模板匹配的函数。
它的基本语法如下：r e tv al=c v2.m at chT e mp la te(i ma ge,te m pl,m et ho d[,r esu l t[,m as k]])参数说明：-i ma ge：原始图像，可以是灰度图或彩色图像。
-t em pl：模板图像，必须与原始图像具有相同的数据类型。
-m et ho d：匹配方法，可选值包括：c v2.T M_SQ DI FF、c v2.TM_S QD IF F_NOR M ED、c v2.T M_CC OR R、c v2.T M_CC OR R_N OR ME D、c v2.TM_C CO EF F、cv2.T M_CC OE FF_N ORM E D。
-r es ul t（可选）：输出结果矩阵，用于存储匹配结果。
-m as k（可选）：掩码图像，用于指定感兴趣的图像区域。
4.匹配方法介绍m a tc ht em pl at e函数中的m et ho d参数决定了匹配的算法方法，不同的方法适用于不同的场景。
感兴趣区域的确定及相似度计算方法
感兴趣区域的确定及相似度计算方法
李苏梅;韩国强
【期刊名称】《湖南工业大学学报》
【年(卷),期】2008(022)004
【摘要】对ROIBIR系统中ROI的确定及区域相似度计算进行了研究.首先介绍了两种确定ROI的方法,它们充分利用分割区域的用户可见性、区域及其权重用户的可指定性来实现用户的可选性.使图像的检索系统融合人的感知能力,符合人们的检索习惯.然后介绍了一种基于区域的图像相似度计算方法,这种方法先分别按照区域的综合特征、直方图特征值及区域的形状特征进行相似度计算,再将各自相似度加权乘积作为两区域的相似度,各区域最大相似度的平均值作为感兴趣区域与目标图像的相似度.并用实验证明了提,出方法的有效性.
【总页数】5页(P48-52)
【作者】李苏梅;韩国强
【作者单位】广东外语外贸大学,教育技术中心,广东,广州,510420;华南理工大学,计算机科学与工程学院,广东,广州,510641;华南理工大学,计算机科学与工程学院,广东,广州,510641
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于感兴趣区域的边缘结构相似度图像质量评估 [J], 易三莉;苗莹;钱洁;郭贝贝;相艳
2.基于限界传递相似度图的FCA概念相似度计算方法 [J], 黄宏涛;吴忠良;万庆生;黄少滨
3.基于短文本相似度计算的工序卡片相似度计算方法 [J], 童伟;王淑营
4.基于短文本相似度计算的工序卡片相似度计算方法 [J], 童伟;王淑营
5.基于结构相似度与感兴趣区域的图像融合评价方法 [J], 张勇;金伟其
因版权原因，仅展示原文概要，查看原文内容请购买。
基于空间位置的兴趣点相似度计算
基于空间位置的不同源兴趣点（POI）相似度计算兴趣点用以标示出该地所代表的政府部门、各行各业之商业机构、旅游景点、古迹名胜、交通设施等处所（来自百度百科）。
兴趣点是导航、LBS（基于位置的服务）的数据基础，兴趣点的数量和准确性在对这些服务的价值产生直接的影响。
因此兴趣点需要快速更新以确保数据的实效性。
在更新兴趣点时，需要对兴趣点进行比对、查找重复点、去除重复点等操作后，才能进行数据融合，生成准确的兴趣点。
由于获取兴趣点的手段、设备多样，在更新时面临不同数据来源的问题。
不同源兴趣点相似度定义不同源数据中重复兴趣点的判断不能完全依赖于空间位置，而应重点考虑两个方面：兴趣点名称和空间位置（当兴趣点名称为空时，）。
由于不同源数据的相同兴趣点在定义名称时，会存在差异，如“胶州公寓”和“胶州教师公寓”可能是同一个兴趣点。
这种情况就需要根据兴趣点名称的相似度进行判断，得到不同兴趣点之间的名称相似度。
同时兴趣点由于采集位置的差异以及数据精度，相同兴趣点的位置也不同。
那么在判断重复兴趣点时，需要综合考虑名称文本相似度和距离两个方面。
结合我们在已有项目中的经验以及综上所述，我们把基于空间位置的不同源兴趣点相似度定义如下：兴趣点相似度= 名称相似度*名称权重+距离*距离权重其中距离需要进行归一化处理，如以200米为阈值，[0-200]归一化到[1,0]，大于200的为0。
其中名称权重和距离权重则根据经验给定，如我们在项目中把名称权重按0.7计，距离权重按0.3计。
名称相似度计算方法对兴趣点名称相似度的计算即文本相似度的计算。
文本相似度计算的算法很多，且Python中有一些现成的方法可以使用。
再加上FME对Python的调用非常方便，可以直接使用FME中的PythonCaller调用方法完成相似度计算。
这里介绍两种相似度计算的方法：1、前几天FME中国技术交流群（群号：43814136）中群友提到FME Store中有现成的FuzzyStringComparer转换器：这个转换器有三个参数，分别设置字符串1、字符串2、相似度存放属性，通过比较字符串1和字符串2，得到两个字符串间的相似度值。
图像感兴趣区域自动提取算法
图像感兴趣区域自动提取算法摘要：感兴趣区域(Regions of Interest)提取技术在图像处理和分析领域有着重要地位。
提出了一种ROI的自动提取算法。
在显著度图和相对位置指示图的基础上，采用基于子区域的区域生长法，以像素点的显著度、相对位置及颜色纹理信息作为生长条件，颜色、纹理信息的权重可以根据图像的内容自适应调整。
实验结果表明，该方法与现有算法相比在速度和ROI提取的准确性方面均有提高。
关键词：感兴趣区域，显著度图，区域生长Automatic Extraction of Regions of InterestAbstract:The extraction technique of ROI plays an important role in image analysis.In this paper an automatic extraction of ROI algorithm is proposed.Based on the saliency map and relative position map,use the subregion based region grow method,besides the saliency map and relative positions,this paper joined the information of color and texture.The power of color and texture can adjusted by image content automatically.The experiment prove this algorithm is efficient and effective.Key words:Regions of Interest,saliency map,region grow1引言感兴趣区域(Regions of Interest简称ROI)即图像中最能引起用户兴趣，最能表现图像内容的区域，如能提取出这些区域将会大大提高图像处理和分析的效率和准确度。
- 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)。
３ 区域相似度计算方法
ＲＯＩＢＩＲ系统中，相似性量度除了要考虑与人的感 知相似一致和便于计算之外，还必须对分割的不精确 具有鲁棒性。 ３．１ 两个区域相似度计算
下面介绍一幅图中的一区域与另一幅图像中的一 区域的相似度计算。设‘和‘分别表示两幅图像，‰表 示图像，，的一区域，ｒ。表示图像Ｊ，的一区域，如图３所 示的图像，，和厶。
万方数据
第４期
李苏梅，韩国强 感兴趣区域的确定及相似度计算方法
４９
提取方法和区域相似性计算方法，并对ＲＯＩＢＩＲ系统的 感兴趣区域、区域特征提取及区域相似度计算等关键 技术进行了一些研究。
１．图像区域特征
本文的图像分割方法，采用前期研究提出的一种
基于自适应的肛均值聚类算法的彩色图像区域分割方
法【７ｔ８Ｊ。它首先选择合适的彩色空间，抽取图像的像素 点颜色、纹理（Ｔｅｘｔｕｒｅ）及位置等特征，形成特征向
式（２）中，％表示图像区域Ｒ的像素点个数，ｎｕｍ表ｃ 示在区域月内且属于第Ｃ类颜色的像素点个数，ｐｉｘｅｌ， 表示区域尺内第ｆ个像素点，ｃｏｌｏｒｃ（文献【７】所指的１１ 类颜色，ｃ＝ｌ，２。…，１１）表示第Ｃ类颜色。 １．３ 区域的形状特征
这里采用椭圆形Ｆｏｕｒｉｅｒ的方法１７１来描述被分割区 域的特征。首先获取区域边界像素点，经平滑得到边 界轮廓和边界函数，然后用多个椭圆形来表示区域边 界的轮廓，并进行傅立叶变换，取其傅立叶系数作为
量空间。然后在此特征空间中，运用自适应妒均值聚
类算法进行聚类和图像区域分割。最后抽取图像区域 的特征。由于篇幅限制，这里仅介绍在图像区域分割 后区域特征的提取，图像的区域特征描述如下。 １．１ 区域的综合特征
本文介绍的区域的综合特征，包括图像区域的平 均颜色、纹理和空间位置等特征。这些特征值组成一 向量，该向量可表示为：
圈３ 区域相似度计算示意圈
Ｆｉｇ．３
Ｓｋｅｔｃｈ ｆｏｒ ｓｉｍｉｌａｒｉｔｙ ｃｏｍｐｕｔａｔｉｏｎ
ｂｅｔｗｅｅｎ ｔｗｏ ｒｅｇｉｏｎｓ
３．１．１ 基于区域综合特征的区域相似度计算 基于区域的综合特征相似度的计算，按照式（４）
进行。
，一墨１．／ｊ（｜ｉ｝，，）＝ｅ一，九＝队＂（珞）一岛（训ｌ，（４）
ｑｌ ｌ—ａｂＬ厕廊牙 Ｆ —ＣＯｎ ａ。ｒｌｌ Ｆｌ Ｆ２
２ ０．８６６ ０．４４ １ １．２２２ ０．２８４ ０．３３３ ０．０７４ ０．０４ １ ２６．８８ ２２．８７
２．２ 权重确定感兴趣区域方法 这种感兴趣区域确定方法是指例子图像首先经过
分割，将分割的区域显示给用户，用户通过设定区域 的权重来选择感兴趣的区域，图２是这种方法的一个 示例。
ｈａｂｉｔｓ．Ｔｈｅｎ，ａ ｒｅｇｉｏｎ－ｂａｓｅｄ ｓｉｍｉｌａｒｉｔｙ ｍｅａｓｕｒｅｍｅｎｔ ａｐｐｒｏａｃｈ ｉｓ ｉｎｔｒｏｄｕｃｅｄ．Ｗｉｔｈ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｐｐｒｏａｃｈ，ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｏｆ ｔｗｏ ｌｅｇｉｏｎｓ ｗｉｔｈ ｔｈｅ ｃｏｍｂｉｎａｔｉｏｎ ｆｅａｔｕｒｅｓ，ｈｉｓｔｏｇｒａｍ ａｎｄ ｒｅｇｉｏｎ ｓｈａｐｅ ｆｅａｔｕｒｅｓ ｉｓ ｃｏｍｐｕｔｅｄ ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｎ，ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｏｆ ｔｗｏ ｒｅｇｉｏｎｓ ｉｓ ｃｏｍｐｕｔｅｄ ｂｙ ｔｈｅ ｗｅｉｇｈｔ ｐｒｏｄｕｃｔ ｍｅｔｈｏｄ．Ｔｈｅ ａｖｅｒａｇｅ ｖａｌｕｅ’Ｓ ｓｉｍｉｌａｒｉｔｙ ｆｏｒ ｅｖｅｒｙ ｒｅｇｉｏｎ ｉｓ ｒｅｇａｒｄｅｄ ａｓ ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｏｆ ＲＯＩ ａｎｄｔａｒｇｅｔ ｉｍａｇｅ．Ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄｓ ａｒｅ ａｖａｉｌａｂｌｅ．
Ｆｉｇ．２
圈２ 权重确定感兴趣区域方法示例
Ｔｈｅ ｅｘａｍｐｌｅ ｏｆ ｗｅｉｇｈｔ ｃｏｎｆｉｒｍｉｎｇ ＲＯＩ ａｐｐｒｏａｃｈ
这种方法的区域权重值ｗ玑（图像ｑ的第ｊ个区域） 由用户设定，～∈【ｏ，１】，Ｗｑ。＞ｏ的区域就被认为是感兴
趣的区域，不设定权重的区域或Ｗ。，＝０的区域为非感兴 趣区域，将不参与相似度计算。在图２中，若设定区 域ｌ、３、５、６的权重为Ｏ，区域２、４权重为１，则感 兴趣的区域由区域２和４组成。在确定好感兴趣区域 权重后，对权重大于０的区域进行特征抽取，抽取方 法按照Ｉ．１一１．３中介绍的方法进行。
基金项目：广东省自然科学基金资助项目（７３００４５０）
作者简介：李苏梅（１９６５－），女，湖南宁远人，广东外语外贸大学实验师，华南理工大学硕士生，主要研究方向为图像检索；
韩国强（１９６２－），男，江西临川人，华南理工大学教授，博士，博士生导师，主要研究方向为计算机应用技术，多 媒体软件技术与图像重建技术．
区域直方图特征是指按照我们前期研究提出的颜 色空间量化方法１７１，对图像每个区域进行计算所得到 的直方图。然后运用ＢＰ神经网络方法进行训练学习， 得到相应的神经网络。最后利用训练好的神经网络， 对区域进行直方图特征抽取。设尺表示一个感兴趣图
ｋ．。２争ｈｕｍｅ 像区域，则该区域的直方图按式（２）计算。 ＩｐｉｘｅｌｉｃＲ ａｎｄｐｉｘｅｌｆ∈ｃｏｌ０５｝。（２） 』，Ｒ
纛＝（肠地ｔａｂ爿，ｌａｂ＆ｃｏｎ，ａｎｉ，Ｘ，ｙ），
（１）
式（１）中，ຫໍສະໝຸດ 历瓦、２＝菇讶、历硒分别表示在Ｌ＊ａ—ｂ颜色空间，颜
色分量Ｌ、ａ、ｂ在区域中的平均值；
面表示区域对比度的平均值； 丽表示区域各向异性的平均值；
牙、Ｆ表示区域相对于整幅图在行和列方向上位置 的均值。
对于一个图像分割区域Ｒ来说，这些特征按如下 各式计算：
第２２卷第４期 ２００８年７月
湖南工业大学学报 Ｊｏｕｒｎａｌ ｏｆ Ｈｕｍａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ
Ｖ０１．２２ Ｎｏ．４ Ｊｕｌｙ ２００８
感兴趣区域的确定及相似度计算方法
李苏梅１．一，韩国强２
（１．广东外语外贸大学教育技术中心，广东广州５１０４２０；２．华南理工大学计算机科学与工程学院，广东广州５１０６４１）
．％＝百Ｎｑｉ，％＝｛≥ｉｉ‰ｆ ｐｑ，＜－＞卢ｆｌ；。
（３）
式（３）中， ｑ，表示感兴趣区域中的第ｉ个区域； Ⅳ表示感兴趣区域像素点数目； Ⅳ。表示第ｉ个区域的像素点数目； Ｐ。．表示区域ｑ，大小在感兴趣区域的比重； Ｗ。表示口，区域的权重； 卢的取值一般为０．１—０．２。表ｌ是图１区域权重确定
的数据示例。在确定好感兴趣区域权重后，对权重大 于０的区域进行特征抽取，抽取方法按照第２节的方 法进行。表２是图ｌ ｃ）中区域①和区域②的主要特征 数据。
摘要：对ＲＯＩＢＩＲ系统中ＲＯＩ的确定及区域相似度计算进行了研究。首先介绍了两种确定ＲＯＩ的方法，它
们充分利用分割区域的用户可见性、区域及其权重用户的可指定性来实现用户的可选性。使图像的检索系统融
合人的感知能力，符合人们的检索习惯。然后介绍了一种基于区域的图像相似度计算方法。这种方法先分别按
照区域的综合特征、直方图特征值及区域的形状特征进行相似度计算，再将各自相似度加权乘积作为两区域的
ｌａｂＬ ２古∑‘（ｔａｂＬ），而＝亡∑（ｔａｂＡ），
＾卢１Ｚ∈置
¨矗芦ｌ工∈胄
丽。去丕ｌｉ７■ｌｔｉ＝ｌ
ｌｉ６·（坳四）；荔＝寺，：囊Ｒ，ｆ（∞疗），
。＾
刀々ｊ：函名
历＝础１兰删ｌｉ（ａｎｉ，；牙＝寺雾弛歹＝去Ｒ兰ｉ，１。聊。
以上各式中，ｎ。表示属于区域Ｒ像素点的数目， ‘（１ａｂＬ）、‘（１ａｂＡ）、ｌｉ（１ａｂＢ）、‘（ｃｏｎ）、‘（ａｎｉ）、 ‘（Ｘ）、‘（Ｊ，）分别表示第ｆ个像素点的Ｌ‘、ａ’、ｂ’、对 比度（ＣＯｌｌ）、各向异性（ａｎｉ）分量以及象素点位置的 特征分向量。 １．２ 区域的直方图特征
· ‘裹１ ｔ兴趣区域权重确定示倒 Ｔａｂ．１ Ｔｈｅ ｅｘａｍｐｌｅ ｏｆ ｄｅｃｉｄｉｎｇ ＲＯＩ ｂｙ Ｗｅｉｇｈ
ｑ；
％Ｐ毛
Ｗｑｉ
Ｉ
Ｉ ８２９
０．４４２ ９
ｌ
２
ｌ ０７９
０．２６１ ３
ｌ
３
６６７
０．１６ｌ ５
０
４
５５５
０．１３４ ４
０
注：表中为口：０．１ ８条件下所得数据。
表２ 囊兴趣区域特征抽取示例 Ｔａｂ．２ Ｔｈｅ ｅｘａｍｐｌｅ ｏｆ ＲｏＩ ｆｅａｔＩＩＩＩ鹤ｅｘｔｒａｃｔｉｏｎ
万方数据
ａ）例子图像
ｂ）选定的感兴趣区域
ｃ）感兴趣区域分割
ｎ昏１
圈ｌ 指定区域确定感兴趣区域方法示倒 ＲＯＩ ａｐｐｒｏａｃｈ ｆｏｒ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｄｅｓｉｇｎａｔｉｎｇ ｒｅｇｉｏｎ ｅｘａｍｐｌｅ
５０
湖南工业大学学报
２００８年
在图１中，用户在例子图像上用鼠标选定需要检 索的感兴趣区域，感兴趣区域如图ｌ中的ｂ）所示，利 用图像分割方法＂１对感兴趣区域进行分割，结果如图 ｌ中的ｃ）所示。感兴趣区域被分割成较小的区域后， 按式（３）的策略进行区域权重设置。
Ｋｅｙ ｗｏｒｄｓ：Ｒｅｇｉｏｎｓ ｏｆ Ｉｎｔｅｒｅｓｔ（ＲＯＤ；ｓｉｍｉｌａｒｉｔｙ ｃｏｍｐｕｔａｔｉｏｎ；ｉｍａｇｅ ｒｅｔｒｉｅｖａｌ
０ 引言
基于感兴趣区域的图像检索（Ｒｅｇｉｏｎｓ ｏｆ Ｉｎｔｅｒｅｓｔ． ｂａｓｅｄ Ｉｍａｇｅ Ｒｅｔｒｉｅｖａｌ，简称ＲＯＩＢ瓜）技术，是利用图像 分割技术把图像分成多个区域，用区域的特征集来表 示和索引图像，它增强了系统捕获和描述用户对图像 内容感知的能力，在一定程度上实现了基于对象层次 的检索，减小了图像底层特征和高层语义之间的语义 鸿沟，有效地改进了检索性能。它是基于内容的图像