基于关键点的NAM图像特征表示及其相似性分类研究-计算机应用技术专业论文.docx

华中科技大学博士学位论文 华 中 科 技 大 学 博 士 学 位 论 文 I I 摘 要 随着数字图像采集和传输设备的广泛使用，图像数据量激增，图像数据的自动 分析理解成为海量媒体内容管理的关键问题。针对图像比较中的图像对象的自动分 类识别任务，基于 NAM(Non-symmetry and Anti-packing Model)方法和 SIFT(Scale Invariant Feature Transform)方法，提出了一种新的灰度图像特征提取、表示和描述方 法 SNAM，并研究了 SNAM 的相似性分类检索性能，提高了图像特征提取和表示的 效率和效果，实验表明能达到较为快速和准确的自动图像分类目的。 首先，快速提取图像模式中的大对象区域。视觉心理的研究成果表明在视觉初 期对景物的认识由大对象开始，大对象在图像中可理解为较大面积的灰度平滑区域。 为有效提取图像模式中的大对象，结合 SIFT 方法的关键点作为 NAM 图像子模式表 示的起始点，采用区域生长的方式提取图像中较大面积的灰度平滑区域矩形块，从 而提出了 SNAM 图像特征提取和表示方法。SNAM 将图像模式的大对象区域表示为 矩形子模式队列，提高了 NAM 方法对图像特征表示的一致性，具有尺度与仿射变形 的不变性，在 SIFT 算法的基础上所增加的计算量仅为 O(M)，M 为图像规模。 第二，提高图像子模式的特征表示效率。SIFT 算法对每个关键点的灰度梯度特 征采用 128 维的单变量向量表示，数据量较大且对同一种事物的不同对象难以聚类 识别。改进 SIFT 算法的特征表示，将 SNAM 所提取的矩形子模式表示为 2 个 16 维 的单变量向量，即反映子模式面积分布和布局分布特征的面积向量和布局向量，以 及一个 16 维的双变量向量，即反映子模式位置特征的位置向量。大大降低了特征向 量的维数，并且较 SIFT 描述值能更好地表示图像模式中图像对象的高层特征，如大 对象区域的位置、布局和分布特征，实验表明能够有效地表现同一事物的不同对象 在图像模式中的一致性和不同种类事物在图像模式中的区分性。SNAM 图像特征描 述 3 种向量的计算复杂度分别为 O(n)、O(n)和 O(n2)，n 为 SNAM 矩形子模式个数。 第三，提高相似性检索的准确度。通过研究面积特征、布局特征和位置特征的 相似性距离计算和相似性检索性能，采用顺序距离、名称距离和欧氏距离对 3 种向 II II 量的相似性距离计算和相似性检索研究和实验表明能达到较好的准确率和召回率， 在结果集较小的情况下准确度较高。相似性计算的复杂度小于 O(b2)，b 为向量的维 度，并且由于 SNAM 图像特征向量数据规模较小，其相似性计算的空间复杂度较低， 适合快速图像检索； 最后，优化了 SNAM 面积向量和布局向量的 SVM(Support Vector Machine)分类 核函数参数。SVM 核函数参数优化的实验表明在普通的点积、多项式和高斯核下， 用 60%的数据用于学习，40%的数据用于分类，其两类分类正确率能稳定达到 75% 左右；其用于学习的数据样本量较小，且多项式核函数参数在 5 阶以下，高斯核函 数参数σ值在 0.1 以下；其多项式阶次较低，高斯核的非线性程度较低；进一步说明 SNAM 图像特征描述具有较好的快速分类识别意义。 总之，依据视觉心理原理，结合 NAM 方法和 SIFT 方法，提出了一种新的图像 区域特征提取和表示方法，定义了 3 种数据规模较小的图像特征描述向量，提高了 图像特征的提取效率和图像高层特征的表示效率，其相似性检索性能和 SVM 分类性 能适合较为快速和准确的图像检索和图像分类识别。 关键词：特征描述 相似性度量 图像检索 图像区域比较 图像分类 PAGE VI PAGE VI Abstract With the popular use of the devices on image acquirment and data transmission image data is dramatically increasing. Image analysis and understanding become the important issue of content-based multimedia data management. With respect to object classification in image comparing, based on NAM (Non-symmetry and Anti-packing Model) and SIFT (Scale Invariant Feature Transform),