CCA图像语义特征提取分析与研究.docVIP

基于CCA的图像语义特征提取的分析与研究 摘要：图像语义特征在图像比较，查找中具有很重要的作用。它提供了对图像特征精准的描述。图像语义特征的提取具有很多种方法。本文介绍了颜色直方图，边缘方向直方图，边缘直方图，局部二值模式（LBP），纹理距描述等五种方法，并根据这几种方法的优缺点进行比较，综合每种方法的优点来对图像的特征进行提取。并在此基础上使用典型相关分析(CCA)对所提取的数据进行处理，使用处理后的数据来比较图像之间的相似度。并据此进行检索。取得了明显的改善。 关键字：图像语义，典型相关分析，直方图，相似度，检索 Abstract：image semantic feature is very important in image contrast and image retrieval. It provides an accurate description for image feature. Many methods can be used to extract image semantic feature. This paper introduces five methods：color histogram edge direct histogram, edge histogram, local binary pattern, texture moment description . We compare the advantages and disadvantages of the five methods. Make use of the advantages of every method to extract image feature. Then we process the data using canonical correlation analysis. At the end, we calculate the similarity between pictures with the processed data. Seek related images according to the similarity. We achieved significant improvements. Keywords: image semantic, canonical correlation analysis, histogram, similarity, retrieval 1引言 随着计算机科学技术的进步，尤其是图像处理技术的发展，人类所获得的图像信息越来 越多，对图像进行处理的要求也越来越强烈。在这众多的图像中，为了获得我们所需要的图片。就要求我们提供好的图像检索技术。以便准确的搜索出要找的图片信息。 图像检索技术发展至今，形成了几种主要的检索技术，包括基于文本的图像检索，基于内容的图像检索和基于语义的图像检索。 基于文本的图像检索需要手工对图片库进行语义标注，这就需要花费大量的人力，物力。同时标注还带有很强的主观性。基于内容的图像检索（CBIR）[1]就克服了基于文本检索的局限性。CBIR主要利用图像的纹理，颜色，形状，轮廓和对象的空间关系来对需要的图像进行检索。后来人们发现，我们在检索中，需要的是图像的语义信息，而不是图像的颜色，纹理等信息。这样就形成了基于语义的图像检索。这样就是就是我们得检索尽可能的贴近大家对图像内容的理解，从而可以按照用户自己对图像的理解来进行图像检索。 在进行图像语义的检索中，正确的提取图像的语义特征就显得非常重要了。图像语义的提取过程就是把我们获得的图像的底层特征转化为高层语义的过程。这个过程非常重要，大家熟知的“语义鸿沟”问题就是由于转化的不准确造成的。比如用含有蓝天，白云做样图可能搜索到大海，蓝色旗帜等颜色相似的图像。就是由于底层特征转化为高层语义时，没有考虑到具体情况，转化不准确造成的。 2图像语义特征提取 对于给定的一幅图像，我们要提取的图像语义特征主要有两方面，一是全局语义特征，另一个是局部语义特征。我们可以利用图像分割技术提取分割后区域的特征，进而得到整体图像特征。 本文提取的语义特征主要是全局特征。我们根据图像的颜色，纹理，形状来提取全局特征，使用得到的语义特征来检索需要的图像。根据底层特征，导出高层语义，通过相似性比较，在图片库中查找相关的图片。 颜色特征是使用最多的图像语义特征之一。由于我们使用的是彩色图像，因此颜色特征非常重要。提取图像的颜色特征最重要的是选择一个合适的颜色空间。我们使用的是基于HSV的颜色空间，H:色彩，S：饱和度，V：值。 纹理特征是另一种重要的图像语义特征，它不依赖与图像的颜色或者亮度，就可以反映图