Gaofen pide consejo sobre la comparación de imágenes.
Las características de imagen más utilizadas incluyen características de color, características de textura, características de forma y características de relación espacial.
1 Características de color
(1) Características: Las características de color son una característica global que describe las propiedades de la superficie de la escena correspondiente a la imagen o al área de la imagen. Generalmente, las características de color son características basadas en píxeles. En este momento, todos los píxeles que pertenecen a la imagen o al área de la imagen tienen sus propias contribuciones. Dado que el color es insensible a los cambios en la dirección, tamaño, etc. de la imagen o del área de la imagen, las características del color no pueden capturar bien las características locales de los objetos en la imagen. Además, al realizar consultas utilizando únicamente funciones de color, si la base de datos es grande, a menudo se recuperarán muchas imágenes innecesarias. El histograma de color es el método más utilizado para expresar características de color. Su ventaja es que no se ve afectado por los cambios en la rotación y traducción de la imagen. Además, con la ayuda de la normalización, no se ve afectado por los cambios en la escala de la imagen. es que no expresa la información del espacio de color.
(2) Métodos de combinación y extracción de características de uso común
(1) Histograma de color
La ventaja es que puede describir simplemente el color de una imagen. La distribución global, es decir, la proporción de diferentes colores en toda la imagen, es particularmente adecuada para describir imágenes que son difíciles de segmentar automáticamente e imágenes que no necesitan considerar la ubicación espacial de los objetos. Su desventaja es que no puede describir la distribución local de colores en la imagen y la ubicación espacial de cada color, es decir, no puede describir un objeto u objeto específico en la imagen.
Los espacios de color más utilizados: espacio de color RGB, espacio de color HSV.
Métodos de coincidencia de características de histograma de color: método de intersección de histograma, método de distancia, método de distancia central, método de tabla de colores de referencia, método de histograma de color acumulativo.
(2) Conjunto de colores
El método del histograma de color es un método global de extracción y coincidencia de características de color que no puede distinguir la información de color local. Un conjunto de colores es una aproximación a un histograma de color. La imagen primero se convierte del espacio de color RGB a un espacio de color visualmente equilibrado (como el espacio HSV) y el espacio de color se cuantifica en varios contenedores. Luego, se utiliza la tecnología de segmentación automática de color para dividir la imagen en varias áreas, y cada área se indexa mediante un determinado componente de color del espacio de color cuantificado, expresando así la imagen como un conjunto de índices de color binario. En la comparación de imágenes, compare la distancia entre diferentes conjuntos de colores de imágenes y la relación espacial de las áreas de color
(3) Momento de color
La base matemática de este método es: cualquiera La distribución del color de puede representarse por sus momentos. Además, dado que la información de distribución del color se concentra principalmente en momentos de bajo orden, sólo el momento de primer orden (media), el momento de segundo orden (varianza) y el momento de tercer orden (asimetría) del color son suficientes para expresar la Distribución de color de la imagen.
(4) Vector de agregación de color
La idea central es dividir los píxeles que pertenecen a cada identificador del histograma en dos partes. Si algunos píxeles del identificador ocupan un If continuo. El área de la región es mayor que el umbral dado, los píxeles de la región se consideran píxeles agregados; de lo contrario, se consideran píxeles no agregados.
(5) Mapa de correlación de colores
Dos características de textura
(1) Características: la característica de textura también es una característica global, que también describe la imagen o la imagen. Las propiedades superficiales de la escena correspondientes al área. Sin embargo, dado que la textura es sólo una característica de la superficie de un objeto y no puede reflejar completamente las propiedades esenciales del objeto, es imposible obtener contenido de imagen de alto nivel simplemente utilizando características de textura. A diferencia de las características de color, las características de textura no están basadas en píxeles y requieren cálculos estadísticos en un área que contiene varios píxeles. En la comparación de patrones, esta característica regional tiene grandes ventajas y no dejará de coincidir exitosamente debido a desviaciones locales. Como característica estadística, las características de textura a menudo tienen invariancia de rotación y una fuerte resistencia al ruido. Sin embargo, las características de la textura también tienen sus desventajas. Una desventaja obvia es que cuando cambia la resolución de la imagen, la textura calculada puede tener una gran desviación. Además, debido a la posibilidad de verse afectada por la iluminación y el reflejo, la textura reflejada en la imagen bidimensional no es necesariamente la textura real de la superficie del objeto tridimensional.
Por ejemplo, los reflejos en el agua, el impacto de los reflejos mutuos en superficies metálicas lisas, etc., provocarán cambios en la textura.
Dado que estas no son características del objeto en sí, cuando se aplica información de textura a la recuperación, a veces estas texturas falsas pueden "engañar" la recuperación.
El uso de funciones de textura es un método eficaz a la hora de recuperar imágenes de textura con grandes diferencias de grosor, densidad, etc. Sin embargo, cuando hay poca diferencia en información fácilmente distinguible, como el grosor y la densidad, entre texturas, es difícil que las características de textura comunes reflejen con precisión las diferencias entre texturas con diferentes percepciones visuales humanas.
(2) Métodos de extracción y coincidencia de características de uso común
Clasificación de los métodos de descripción de características de textura
(1) Métodos estadísticos El representante típico de los métodos estadísticos es un El llamado método de análisis de características de textura para matrices generadas en escala de grises. Gotlieb y Kreyszig et al., basándose en el estudio de varias características estadísticas en la matriz generada, obtuvieron cuatro características clave de la matriz generada en escala de grises a través de experimentos: energía e inercia. , entropía y correlación. Otro método típico entre los métodos estadísticos es extraer características de textura de la función de autocorrelación de la imagen (es decir, la función del espectro de energía de la imagen, es decir, calculando la función del espectro de energía de la imagen, el grosor y la direccionalidad de la textura). se extraen los parámetros
(2) Método geométrico
El llamado método geométrico es un método de análisis de características de textura basado en la teoría de las primitivas de textura (elementos básicos de textura). La teoría de las texturas primitivas cree que las texturas complejas pueden estar compuestas por varias texturas primitivas simples dispuestas repetidamente en una determinada forma regular. Entre los métodos geométricos, hay dos algoritmos más influyentes: el método de características del tablero de ajedrez de Voronio y el método estructural.
(3) Método de modelo
El método de modelo se basa en el modelo de construcción de la imagen y utiliza los parámetros del modelo como características de textura. Los métodos típicos son los métodos de modelo de campo aleatorio, como el método de modelo de campo aleatorio de Markov (MRF) y el método de modelo de campo aleatorio de Gibbs
(4) Método de procesamiento de señales
Extracción y coincidencia de características de textura principalmente incluyen: matriz de generación de escala de grises, características de textura de Tamura, modelo de textura autorregresivo, transformada wavelet, etc.
La extracción y comparación de características de matrices generadas en escala de grises se basa principalmente en los cuatro parámetros de energía, inercia, entropía y correlación. La característica de textura de Tamura se basa en la investigación psicológica sobre la percepción visual humana de la textura y propone 6 atributos, a saber: rugosidad, contraste, direccionalidad, linealidad, regularidad y rugosidad. El modelo de textura autorregresivo (autorregresivo simultáneo, SAR) es un ejemplo de aplicación del modelo de campo aleatorio de Markov (MRF).
Tres características de forma
(1) Características: varios métodos de recuperación basados en características de forma pueden utilizar de manera más efectiva objetos de interés en imágenes para realizar la recuperación, pero también tienen algunos Los mismos problemas incluyen: ① El método actual de recuperación basado en formas todavía carece de un modelo matemático relativamente completo ② Si el objetivo está deformado, los resultados de la recuperación a menudo no son confiables ③ Muchas características de la forma solo describen las propiedades locales del objetivo; La descripción completa del objetivo a menudo tiene altos requisitos en cuanto a tiempo de cálculo y capacidad de almacenamiento; ④ La información de la forma del objetivo reflejada por muchas características de la forma no es completamente consistente con el sentimiento intuitivo de las personas, o en otras palabras, la similitud del espacio de características es diferente de lo que es. el sistema visual humano siente que hay diferencias en las similitudes. Además, el objeto tridimensional representado en la imagen bidimensional es en realidad solo la proyección del objeto en un determinado plano en el espacio. La forma reflejada en la imagen bidimensional a menudo no es la verdadera forma de la tridimensional. objeto debido al cambio de punto de vista, pueden ocurrir varias distorsiones.
(2) Métodos de extracción y coincidencia de características de uso común
ⅠVarios métodos típicos de descripción de características de forma
Por lo general, hay dos tipos de representaciones de características de forma Métodos, un tipo son características de contorno y el otro tipo son características regionales. Las características de contorno de la imagen están dirigidas principalmente al límite exterior del objeto, mientras que las características regionales de la imagen están relacionadas con toda el área de la forma.
Varios métodos típicos de descripción de características de forma:
(1) Método de características de límites Este método obtiene los parámetros de forma de la imagen describiendo las características de límites. Entre ellos, el método de transformada de Hough para detectar líneas rectas paralelas y el método del histograma de dirección de límites son métodos clásicos.
La transformada de Hough es un método que utiliza las características globales de la imagen para conectar los píxeles del borde para formar un límite cerrado del área. Su idea básica es que el método del histograma de dirección del límite diferencia la imagen para obtener el borde de la imagen; y luego hace Con respecto al histograma del tamaño y la dirección del borde, el método habitual es construir la matriz de dirección del gradiente gris de la imagen.
(2) Método de descriptor de forma de Fourier
La idea básica de los descriptores de forma de Fourier (descriptores de forma de Fourier) es utilizar la transformada de Fourier del límite del objeto como descripción de la forma. Utilizando el cierre y la periodicidad de las fronteras regionales, los problemas bidimensionales se transforman en problemas unidimensionales.
Se derivan tres expresiones de forma a partir de los puntos límite: la función de curvatura, la distancia centroide y la función de coordenadas complejas.
(3) Método de parámetros geométricos
La expresión y coincidencia de formas adopta métodos de descripción de características regionales más simples, como el uso de medidas cuantitativas relevantes de forma (como momento, área, perímetro, etc.) ) método de parámetro de forma (factor de forma). En el sistema QBIC, se utilizan parámetros geométricos como redondez, excentricidad, dirección del eje principal y momentos invariantes algebraicos para realizar la recuperación de imágenes en función de las características de la forma.
Cabe señalar que la extracción de parámetros de forma debe basarse en el procesamiento de imágenes y la segmentación de imágenes. La precisión de los parámetros se verá inevitablemente afectada por el efecto de segmentación. Para imágenes con efectos de segmentación deficientes, la forma. Los parámetros ni siquiera se pueden extraer.
(4) Método de momento invariante de forma
Utiliza el momento del área ocupada por el objetivo como parámetro de descripción de la forma.
(5) Otros métodos
En los últimos años, el trabajo sobre representación y coincidencia de formas también incluye el Método de Elementos Finitos (FEM) y la Función de Giro y métodos como el Descriptor Wavelet.
Ⅱ Extracción y coincidencia de características de forma según wavelet y momento relativo
Este método primero utiliza el valor máximo del módulo de transformación de wavelet para obtener imágenes de bordes de múltiples escalas y luego calcula 7 bordes de Cada escala, los momentos invariantes se convierten en 10 momentos relativos, y los momentos relativos en todas las escalas se utilizan como vectores de características de la imagen, unificando así las regiones y las estructuras cerradas y no cerradas.
Cuatro características de relación espacial
(1) Características: la llamada relación espacial se refiere a la posición espacial mutua o la relación de dirección relativa entre múltiples objetivos segmentados en la imagen. También se puede dividir en relaciones de conexión/adyacencia, relaciones de superposición/superposición y relaciones de inclusión/contención. Generalmente, la información de ubicación espacial se puede dividir en dos categorías: información de ubicación espacial relativa e información de ubicación espacial absoluta. La primera relación enfatiza la situación relativa entre objetivos, como las relaciones arriba, abajo, izquierda y derecha, etc., mientras que la última relación enfatiza la distancia y orientación entre objetivos. Obviamente, la posición espacial relativa se puede derivar de la posición espacial absoluta, pero expresar información de la posición espacial relativa suele ser relativamente sencillo.
El uso de funciones de relaciones espaciales puede mejorar la capacidad de describir y distinguir el contenido de la imagen, pero las funciones de relaciones espaciales suelen ser sensibles a la rotación, inversión, cambios de escala, etc. de la imagen o del objetivo. Además, en aplicaciones prácticas, el simple uso de información espacial a menudo no es suficiente y no puede expresar de manera efectiva y precisa la información de la escena. Para la recuperación, además de utilizar funciones de relación espacial, también se necesitan otras funciones.
(2) Métodos de extracción y coincidencia de características de uso común
Hay dos métodos para extraer características de relaciones espaciales de imágenes: un método es primero segmentar automáticamente la imagen y dividir los objetos contenidos o colorear áreas y luego extraer características de la imagen en función de estas áreas y establecer índices; otro método simplemente divide la imagen de manera uniforme en una cantidad de subbloques regulares y luego extrae características para cada subbloque de imagen y establece el índice.