基于内容网络图像信息搜索.docVIP

基于内容的网络图像信息搜索.txt花前月下，不如花钱“日”下。叶子的离开，是因为风的追求还是树的不挽留？干掉熊猫，我就是国宝！别和我谈理想，戒了！基于内容的网络图像信息搜索 作者：赖庆 摘要：网络上图像信息数据越来越多，需要更好的检索技术准确、高效检索。本文介绍了基于内容的网络图像信息检索技术，详细阐述图像信息检索的原理、方法和图像信息的标准化技术，最后指出网络图像信息检索技术的不足和发展趋势。 关键字：图像信息；检索；内容 基于内容的图像信息搜索方法CBIR(Content-Based Image Retrieval)，是目前图像信息搜索研究的一个热点，该方法很好地避免基于文本方法的很多不足。譬如说它直接面向图像特征本身，不需要人工标注，就很好地避免了人工描述的主观性，也大大减小了工作量。 一、基于内容的图像信息搜索原理 基于内容的检索，是指直接利用图像的各种图像特征进行检索。这些图像特征，指的是图像的原始特征，原始属性。本质上来讲，CBIR是一项结合了计算机视觉，图像处理，图像理解以及数据库技术的综合体。常用于内容检索的图像特征由图像的颜色，纹理，形状，图像边缘特征，以及语义特征。其中，颜色，纹理，形状，图像边缘特征，是基于人的视觉原理：而语义特征是基于用户查询中对于图像内容的描述。这点和基于文本的图像检索不同的是，假如用户输入”天使之翼”这个词语，在基于文本的方法中，凡是没有与“天使之翼”相匹配的文本，将不能显示出你的搜索结果。但是CBIR的要求却是，不管是否有相关的文本特征标注，只要图像中有“天使”“翼”的形象，就会给予充分的提取。但是这项技术需要人工辅助，也需要计算机理解，知识推理的能力，由于受到人工智能技术的瓶颈，这项技术并不是很成熟[1]。另外的一种可行的方法是将图像转换为所需要的格式，所需要的数据流，然后对这些被加工过的数据流进行匹配。 而在实际操作的过程中，用户可以通过对于自己想要找到的图像做一个描述，或者是用户自身提供一幅自己想要图片的范例，来得到跟自己所提供图像相似度很高的其它图像。其技术实质是图像检索系统提取图像的图像特征，然后跟数据库中已经存在的特征项匹配，然后将查询特征相似的图像返还给用户。 二、颜色特征提取方法 颜色特征是图像本身最基本，最直观的特征之一。目前基于颜色特征的提取，已经在搜索引擎中得到了很好的应用。颜色特征对于图像质量的退化，尺寸，分辨率和方向变化具有很强的鲁棒性。鲁棒是Robust的音译，也就是健壮和强壮的意思。所谓“鲁棒性”，是指控制系统在一定（结构，大小）的参数摄动下，维持某些性能的特性。根据对性能的不同定义，可分为稳定鲁棒性和性能鲁棒性。 颜色特征的提取主要有四种方法：(1)颜色直方图：(2)颜色相关图：(3)颜色矩：(4)颜色一致性向量。[2]其中，颜色直方图描述了颜色图像统计的分布特征。这些特征因具有平移、尺度、旋转不变性而具有使用价值，其方法是在颜色空间中采用量化的方法对颜色进行量化，然后统计这些量化通道在所要检索的图像中所占的比重。进行图像搜索必须在一定的颜色空间内进行，其中RGB，CIE，HSI，HSV是最常用的颜色空间。也是进行算法的基础。RGB色彩模式是工业界的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一。CIE指国际照明委员会规定红、绿、蓝三原色的波长分别为700nm、546.1nm、435.8nm。HSI色彩空间是从人的视觉系统出发，用色调（Hue）、色饱和度（Saturation或Chroma）和亮度（Intensity或Brightness）来描述色彩。HSV色彩模型从CIE三维颜色空间演变而来，它采用的是用户直观的色彩描述方法，它跟孟塞尔显色系统的HVC球型色立体较接近。量化方法就有图像分割，参考颜色。颜色空间划分，颜色空间聚类等方法。颜色相关图其实质是颜色对相对于距离的分布来描述信息，反应的是像素对的空间相关性，以及举步像素分布，总体像素分布的相关性。它的优点是特征范围小，效果好，并且容易计算。颜色矩和颜色一致性向量是对颜色直方图技术的改进。其中颜色矩方法是计算出每个颜色通道的均值，方差，偏差代替颜色分布特征：一致性向量方法是分区域统计出最大区域像素数量。 颜色特征提取的三种方法中，直方图方法是最常用的方法。直方图颜色直方图是表示图像中颜色分布的一种方法，它的横轴表示颜色等级，纵轴表示在某一个颜色等级上具有该颜色的像素在整幅图像中所占的比例，直方图颜色空间中的每一个刻度表示了颜色空间中的一种颜色。采用直方图计算图像间的相似性比较简单，但它不能反映图像中对象的空间特征。