Buscar sugerencias para la coincidencia de imágenes con puntuación alta
Características de color
(1) Características: Las características de color son características globales que describen las propiedades de la superficie de la escena correspondiente a la imagen o al área de la imagen. En términos generales, las características de color se basan en características de píxeles y todos los píxeles que pertenecen a una imagen o área de imagen tienen sus propias contribuciones. Dado que el color es insensible a los cambios en la orientación y el tamaño 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, cuando se realizan consultas utilizando únicamente funciones de color, se tienden a recuperar muchas imágenes innecesarias si la base de datos es muy grande. 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, y no se ve afectado por los cambios en la escala de la imagen con la ayuda de la normalización. Su desventaja básica es que no expresa la información de la distribución del espacio de color.
(2) Métodos de comparación y extracción de características de uso común
(1) Histograma de color
Su ventaja es que puede describir simplemente los colores de una imagen. La distribución global de, es decir, la proporción de diferentes colores en toda la imagen, es particularmente adecuada para describir imágenes que son difíciles de segmentar automáticamente y 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 posición 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 y método de histograma de color acumulativo.
(2) Configuración de color
El método del histograma de color es un método global de extracción y coincidencia de características de color y no puede distinguir la información de color local. Un conjunto de colores es una aproximación de un histograma de colores. Primero, la imagen 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 controladores. Luego, se utiliza la tecnología de segmentación automática de color para dividir la imagen en varias áreas, y cada área se indexa con un determinado componente de color del espacio de color cuantificado, representando así la imagen como un conjunto de índices de color binario. En la comparación de imágenes, se comparan las distancias entre diferentes conjuntos de colores de imágenes y las relaciones espaciales de las regiones de color.
(3) Momento de color
La base matemática de este método es que cualquier distribución de color en la imagen puede representarse por su momento. Además, dado que la información de distribución de color se concentra principalmente en momentos de bajo orden, solo el momento de primer orden (media), el momento de segundo orden (varianza) y el momento de tercer orden (asimetría) del color son suficientes para representar la Distribución del color de una imagen.
(4) Vector de agregación de color
La idea central es dividir los píxeles que pertenecen a cada contenedor del histograma en dos partes. Si el área de la región contigua ocupada por algunos píxeles en el identificador es mayor que un umbral determinado, los píxeles en esta región se consideran píxeles agrupados; de lo contrario, se consideran píxeles no agrupados.
(5) Mapa de correlación de color
Función de textura dual
(1) Característica: la característica de textura también es una característica global, que también describe la imagen o la imagen. Las propiedades de superficie de la escena correspondientes a la región. 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, no se puede obtener contenido de imagen de alto nivel utilizando únicamente características de textura. A diferencia de las características de color, las características de textura no se basan en características de píxeles, sino que requieren cálculos estadísticos en un área que contiene varios píxeles. En la coincidencia de patrones, este tipo de característica regional tiene una gran ventaja y no dejará de coincidir con éxito debido a la desviación local. Como característica estadística, las características de textura a menudo tienen invariancia de rotación y una fuerte inmunidad al ruido. Sin embargo, las características de la textura también tienen sus inconvenientes. Una desventaja obvia es que cuando cambia la resolución de la imagen, la textura calculada puede estar significativamente sesgada. Además, la textura reflejada en una imagen 2D no es necesariamente la textura verdadera en la superficie de un objeto 3D, porque puede verse afectada por la iluminación y los reflejos.
Por ejemplo, la reflexión en el agua y la reflexión mutua en superficies metálicas lisas provocarán cambios en la textura.
Debido a que estas no son características del objeto en sí, a veces estas texturas falsas pueden ser "engañosas" cuando se aplica información de textura para la recuperación.
El uso de características de textura es un método eficaz para recuperar imágenes de textura con grandes diferencias en grosor y densidad. Cuando hay poca diferencia entre texturas, como grosor, densidad, etc., es difícil reflejar con precisión las diferencias entre texturas con diferentes percepciones visuales.
(2) Métodos de extracción y coincidencia de características de uso común
Clasificación de los métodos de descripción de características de textura
(1) El representante típico de los métodos estadísticos es un método llamado Grado gris* * *Método de análisis de características de textura para generar matriz. Gotlieb, Kreyszig y otros, basándose en el estudio de varias características estadísticas en la matriz generadora, obtuvieron cuatro características clave de la matriz generadora gris a través de experimentos: energía, inercia, entropía y correlación. Otro método estadístico típico 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, los parámetros característicos como el grosor de la textura y la direccionalidad). se extraen.
(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). Según la teoría de las primitivas de textura, una textura compleja puede estar compuesta por varias primitivas de textura simples dispuestas repetidamente en una determinada forma regular. Entre los métodos geométricos, existen dos algoritmos influyentes: el método de características del tablero de ajedrez de Voronio y el método estructural.
(3) Método de modelo
El método de modelo construye un modelo basado en la imagen y los parámetros del modelo se utilizan como características de textura. Los métodos típicos incluyen 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
La extracción y coincidencia de características de textura incluyen principalmente: matriz generadora de escala de grises * * *, característica de textura Tamura, modelo de textura autorregresivo, transformada wavelet, etc.
Escala de grises* *La extracción de características y la coincidencia de matrices generadoras se basan principalmente en cuatro parámetros: energía, inercia, entropía y correlación. Las características de textura de Tamura se basan en la investigación psicológica sobre la percepción visual humana de las texturas y proponen seis atributos, a saber: rugosidad, contraste, dirección, imagen de línea, regularidad y rugosidad. El modelo de textura autorregresivo (SAR) es un ejemplo de aplicación del modelo de campo aleatorio de Markov (MRF).
Características de tres formas
(1) Características: varios métodos de recuperación basados en formas pueden utilizar eficazmente objetos de interés en imágenes para su recuperación, pero también tienen algunos problemas comunes, que incluyen: ① El método actual de recuperación basado en la forma 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 y, a menudo, se necesitan más. mucho tiempo para describir completamente el objetivo. Alto tiempo de cálculo y capacidad de almacenamiento. ④ La información de la forma del objetivo reflejada por muchas características de la forma no se ajusta completamente a los sentimientos intuitivos humanos, o la similitud del espacio de características es diferente de la similitud percibida; por el sistema visual humano. 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, lo que puede causar varios problemas debido a cambios en el punto de vista.
(2) Métodos de extracción y coincidencia de características de uso común
i. Varios métodos típicos de descripción de características de forma
Por lo general, hay dos formas de expresar características de forma, una. son características de contorno y la otra son características regionales. Las características del 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 transformación de Hough es un método que utiliza las características globales de la imagen para conectar los píxeles del borde para formar un límite cerrado. Su idea básica es la dualidad de puntos y líneas, el método del histograma de dirección del límite primero diferencia la imagen para obtener el borde de la imagen; luego calcula el borde del borde. Haz un histograma de tamaño y dirección.
El método habitual consiste en construir la matriz de dirección del degradado gris de la imagen.
(2) Método del descriptor de forma de Fourier
La idea básica del descriptor de forma de Fourier es utilizar la transformada de Fourier del límite del objeto como descripción de la forma y utilizar el cierre. y periodicidad del límite de la región. Convertir un problema bidimensional en un problema unidimensional.
Se derivan tres expresiones de forma a partir de los puntos límite, a saber, la función de curvatura, la distancia centroide y la función de coordenadas complejas.
(3) Método de parámetros geométricos
La expresión de forma y la coincidencia adoptan métodos de descripción de características regionales más simples. Por ejemplo, el método del factor de forma se utiliza para mediciones cuantitativas de forma (como momento, área, perímetro, etc.). En el sistema QBIC, los parámetros geométricos como la redondez, la excentricidad, la dirección del eje principal y los invariantes de momento algebraicos se utilizan para 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 y la segmentación de imágenes, y la precisión de los parámetros se verá inevitablemente afectada por el efecto de segmentación. Para imágenes con malos resultados de segmentación, ni siquiera se pueden extraer los parámetros de forma.
(4) Método de momento invariante de forma
El momento del área ocupada por el objetivo se utiliza como parámetro de descripción de la forma.
(5) Otros métodos
En los últimos años, el trabajo sobre representación y coincidencia de formas también incluye métodos de elementos finitos, funciones de dirección y descriptores wavelet.
Extracción y comparación de características de forma basada en wavelets y momentos relativos
Este método utiliza el valor máximo del módulo de la transformada wavelet para obtener una imagen de borde de múltiples escalas y luego calcula 7 de cada uno. escala Los momentos invariantes se convierten en 10 momentos relativos, y los momentos relativos de todas las escalas se utilizan como vectores de características de la imagen, unificando así la región 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 objetos segmentados en la imagen, también puede dividirse en relación de conexión/adyacencia, relación de superposición/superposición y relación 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 posición relativa entre objetivos, como arriba, abajo, izquierda y derecha. , mientras que la última relación enfatiza la distancia y dirección 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 sencillo.
El uso de funciones de relaciones espaciales puede mejorar la descripción y la resolución del contenido de la imagen, pero las funciones de relaciones espaciales suelen ser sensibles a la rotación, la inversión y los cambios de escala de imágenes u objetos. Además, en aplicaciones prácticas, utilizar únicamente información espacial a menudo no es suficiente para expresar de forma eficaz y precisa la información de la escena. Para realizar la búsqueda, se necesitan otras características además de las características de relación espacial.
(2) Métodos de extracción y coincidencia de características de uso común
Hay dos métodos para extraer características de relación espacial de las imágenes: uno es segmentar automáticamente la imagen y dividir los objetos o colores contenidos. en las regiones de la imagen, y luego extrae características de la imagen y construye índices basados en estas regiones; otro método simplemente divide la imagen en varios subbloques regulares y luego extrae características de cada subbloque de imagen y construye índices;