基于极坐标直方图图像检索算法.doc

基于极坐标直方图图像检索算法摘要：提出了一种新的基于极坐标直方图的轮廓形状描述与图像检索算法。提取轮廓中能够反映轮廓形状特征的尖点和均匀采样点；分别将两类特征点向轮廓质心引向量得到两个特征向量集；最后利用两个特征向量集得到的两类极坐标直方图构造目标形状描述符。实验结果表明，该算法不仅能够很好的描述相关形状的轮廓特征，而且其特征描述具有尺度、旋转、平移不变性，同时提高了图像检索的准确率和查全率。 关键词：图像检索 形状描述 极坐标直方图 特征向量集 中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416(2012)07-0105-03 1、引言 在基于内容的图像检索中，首先是提取图像中的特征，如颜色、纹理、形状等；然后再根据这些特征进行检索。特征类型的选择，以及特征的提取与表示方法，关系到图像检索系统的效果和效率。由于人类视觉在辨别物体的时候，最容易根据目标的形状来区分物体，因此形状特征备受关注[1]。形状特征的描述方法有很多，但总的来说可归结为两类：基于区域的方法和基于轮廓的方法[2]。一般认为，基于轮廓的描述子性能好于其他形状描述子，具有稳定、提取速度快、包含更多目标形状信息的特点，是识别特征的首选[3,4,5]。 在基于轮廓的图像检索方法中，距离直方图[6]是一种常用的轮廓描述方法。但是，由于距离直方图只描述了距离的统计特征而忽略了轮廓的空间信息，因而具有较高的误检率。为解决该问题，文献[7]提出了一种距离聚合向量的方法，即在距离直方图的基础上将每个区间里的像素分为聚合和非聚合；文献[8]在提取轮廓角点的基础上采用角点特征作为轮廓索引。文献[9]提出使用形状上下文作为轮廓的形状描述符；文献[10]提出了利用边缘方向自相关图作为形状描述符。但由于上述方法在描述轮廓特征时，忽略了轮廓形状的变化信息，没有考虑到不同类型的点对形状作用的不同，将所有轮廓点同等对待；并且只采用轮廓距离信息，忽略了轮廓的空间信息，导致检索结果不精确。本文提出了一种新的基于极坐标直方图的轮廓形状描述与图像检索算法以提高检索结果的精确性。实验结果表明本文算法具有旋转、尺度和平移不变性，提高了检索的准确率和查全率。 2、形状描述符的构造 对基于轮廓的图像检索技术来说，目标的形状可以通过轮廓的提取或图像分割的方法获得，例如轮廓跟踪。为了形成具有较强鲁棒性的形状描述符，本文首先对跟踪后的轮廓进行平滑操作，得到一个光滑的曲线；然后提取均匀采样点和尖点作为轮廓特征点，并分别向轮廓质心引向量得到特征向量集；最后统计特征向量集的距离和方向得到极坐标直方图，再根据这个直方图来描述目标形状。 2.1 特征点提取 尖点定义为曲线上局部曲率极大值的点。均匀采样点定义为轮廓作定数等分采样得到的点。尖点能够很好地描述轮廓的形状，是形状识别中的重要特征，而其它轮廓点同样含有丰富的信息；因此本文在提取尖点的同时又提取了均匀采样点作为描述轮廓形状的特征点。 2.1.1 均匀采样点的提取 本文将轮廓上曲率最大的点确定为均匀采样的起始点。如果轮廓有不止一个曲率最大点，则比较曲率最大点的相邻点的曲率，然后取相邻点的曲率也较大的点所对应的曲率最大点作为起始点，如果相邻点的曲率也相同则再比较相邻点的相邻点曲率，直到找出较大的相邻点为止。 2.1.2 尖点的提取 由于轮廓点坐标是由和共同决定的，因此，只要分别找出、上的尖点，将其合并即得到轮廓上的尖点。 首先计算和上各点的曲率绝对值，具体计算如下：在数值分析中，对于离散函数为等距点，由插值原理得： 其中为步长，即计算曲率所用到的相邻像素点数。 曲线上的二阶导数近似等于该点的曲率，设上的第点的曲率为，则有： 步长大小的选取直接影响着曲率计算的精度，的值太大或太小都会导致轮廓上出现许多曲率相同的点。实验中发现当取5时效果比较理想。 2.2 特征向量集 为了计算特征向量集，需要计算轮廓的质心，其定义如下： 其中为轮廓上的点坐标，为轮廓点的个数。 特征向量定义为由特征点向轮廓质心所引向量。所有特征向量的集合称为特征向量集。 2.3 极坐标直方图 与一维距离直方图相比，作为二维直方图的极坐标直方图，在考虑距离信息的同时还引入方向信息，因而更适合用于轮廓形状的描述。 2.3.1 极坐标转换 一般图像中像素的位置可以用笛卡尔坐标表示，也可以用极坐标表示。若将极坐标原点置于轮廓质心，则将笛卡尔坐标转换为极坐标的公式如下： 本文只需对特征点的坐标进行转换，式中为轮廓上的特征点的坐标，为轮廓质心点的坐标，为极坐标中的变量。 2.3.2 极坐标直方图 为了求取极坐标直方图，需要将极坐标平面量化。量化刻度的粗细将影响描述精度和计算速度。通常量化