图像检索论文：图像检索 目标区域 mean shift 轮廓曲线 感兴趣区域 相似度匹配.docVIP

【关键词】图像检索 目标区域 mean shift 轮廓曲线 感兴趣区域 相似度匹配 【英文关键词】image retrieval target region mean shift contour curve interest region similaritymatching 图像检索论文：基于目标区域特征的图像检索方法研究 【中文摘要】基于内容的图像检索能够有效地利用图像自身特征从海量图像数据库中检索出用户感兴趣的图像,在医学图像处理、安全管理、卫星遥感图像处理等领域有着广泛应用,已经成为计算机视觉领域研究的热点问题之一。目前基于内容的图像检索方法主要分为两大类：基于全局特征的图像检索和基于局部特征的图像检索。基于全局特征的检索计算简单、响应快速,但缺乏高层语义信息,无法很好地满足用户的检索需求,算法性能不高。例如在用户仅关心自己感兴趣的局部区域时,如果基于全局特征则无法突出目标区域局部特征的显著性,致使检索效果不佳。基于区域特征的检索从语义层次上理解和表示图像,更符合人类视觉对图像的认知,弥补了前者的不足。因此,本文侧重研究一类基于目标区域特征的图像检索方法,主要研究内容如下：(1)提出一种基于轮廓特征点的图像检索方法。该方法利用mean shift聚类算法将图像划分为几个不同的类,取其主聚类作为目标区域,与其他类似方法相比,该方法有效排除了背景对主要目标区域的影响,同时利用目标区域轮廓曲率局部极值点构造目标区域的特征向量并进行相似性匹配。实验表明,该算法对单一目标图像具有较高的查全率和查准率,同时在检索效率方面也有显著改善。(2)提出一种基于用户感兴趣区域的图像检索方法。该方法首先利用一种可自适应调整窗宽的mean shift(?)跟踪算法探测候选目标区域；接着利用基于HSV颜色空间的块逆概率差模型提取候选区域的块逆概率差图像,并基于块逆概率差图像提取候选目标的显著特征点；最后综合显著特征点的颜色和形状特征作为对象描绘子实现目标对象和候选对象间的匹配。该算法首先探测出候选目标区域,剔除了图像背景信息的干扰,提高了候选对象特征表达的精准率；其次,利用感兴趣区域及候选区域显著特征点构造特征向量,有利于更高层次的图像签名表达,为图像的进一步分析与处理奠定了基础。基于Corel图像数据库的实验结果表明,该算法与基于全局特征的算法相比,各项性能指标均有明显的改进。 【英文摘要】Content-based image retrieval technology has become a hot issue of domestic and foreign research field since it can retrieve the desired image from the large-scale image database effectively. It has important applications in medical image processing, security management, satellite remote sensing image processing and so on.There are two main methods of content-based image retrieval currently, one is based on the global features, and the other is based on the local features. The former method is simple, fast response but lacking high-level semantic information so it can not be well meet the user抯 demand. For example, when user is only concerned with the local area of interest, the method based on the global features will be unable to highlight the significance of the interest area, resulting poor retrieval results. The method based on the local features overcomes the deficiencies of the former method because it understands and describes the images from