??xml version="1.0" encoding="utf-8" standalone="yes"?>
本文采取基于特征的Ҏ对图像进行聚cM索。基于特征对囑փq行聚类与检索的基本Ҏ是在建立囑փ库时 , 对输入的囑փ先进行图像分?/span> , 提取囑փ或目标的特征向量q根据特征向量及匚w法{将囑փq行聚类。在q行囑փ索时 , Ҏ一q给定的查询?/span> , q行囑փ分析q提取该囄特征向量。通过该囄征向量与特征库中的特征向量进行匹配ƈҎ匚wl果到图像库中搜索就可提取出所需要的索图像来?/span>
׃q工作原理可以知道基于特征的囑փ聚类与检索有四个关键 , 一是要从图像中抽取分类和检索的特征 , 二是定建立在相应特征基上的囑փ怼性度?/span> , 三是要利用聚cȝ法对囑փ库中的图像进行聚c,四是要利用匹配算法在囑փ库中索相应的囑փ?/span>
1 .从图像中抽取分类和检索的特征
我们知道Q一q图像是以矩늚形式存储在计机中的Q具体地Ԍ矩阵上某一点的g表了囑փ在该点的颜色信息Q正是许多这L点的l合、排列呈现在我们的眼中才使得~纷五彩的世界得以在计算机的屏幕上显C出来。然而对于图像聚cd囑փ索来_全部这些点作ؓ数据q行分析处理是没有必要也是不切实际的。例如在汽R车型识别中,囑փ中的道\和行Z及其他徏{物都属于无用信息,对于识别车型来说没有M意义Q应该将其去除,否则在识别时会生不利媄响?/span>
所谓特征是从模式中得到的对分类有用的度量或属性,应该能够反映不同cd之间的本质差别。正如我们每个hh高、矮、胖、瘦各不相同的特征一P不同的图像之间也存在着互相得以区分的特征。在囑փ聚类与检索中Q这些特征一般表CZؓ一l数字,q些数字构成一个矢量,UCؓ特征矢量。抓住关键特征,忽略其它信息是一U通用的、有效的Ҏ。颜色和U理是图像的两个最重要的特征,本文对颜色和纹理的聚类与检索进行探讨?/span>
l 颜色
在图像的自动分析索中Q颜色是一U能够简化目标提取和分类的一U重要描q符Q最早在Z内容的图像检索中得到应用。颜色特征定义比较明,抽取也相对容易,所以在囑փ处理中得到广泛的重视和应用,q已提出了很多成熟的法。对颜色特征的表达方式有很多U,如直方图法,累积直方图法Q局部篏加直方图法,颜色布局法,中心矩法{。由于颜色的信息量比较大Q所以各U方法的共同的一点就是要用较有效和紧凑的办法来表N色信息?/span>
l U理
U理是另一个用于描q图像的常用的概c纹理通常被看作图像的某种局部特性,或是对局部区域中囑փ间关pȝ一U度量。另外,U理信息也可以用来对囑փ中的I间信息q行一定程度的定量描述。基于纹理的囑փ索也有很多成果?/span>
2. 定建立在相应特征基上的囑փ怼性度?o:p>
获取了图像的特征为我们接下来的工作奠定了良好的基Q我们的目标是图像的聚类和检索,从根本上说就是将特征相近的图像找出来。这里的“特征相q”只是一个直观上的概念,何谓“相q”,不同的情况下有着不同的解释。因此,我们很有必要定义一个具体的数学描述W定量的体现两幅囄间“相q”的E度Q这是怼性度量。显Ӟ我们的目标就是找到相似度最的囑փ?/span>
3.利用聚类法对图像库中的囑փq行聚类
人类的分c识别能力不是与生俱来的Q而是后天l过不断的实践和学习而逐渐h的功能,例如对语a的学习,Ҏ字的学习?/span>
在图像检索的q程中我们同样面临着分类的Q务,具体地讲是囑փ的聚cR所谓图像聚cd是将未知cd的一l图像分成若q类的过E,也称无监督学习或无教师学习。聚cd析的思\比较直观Q根据各个待分类囑փ特征的相似程度来q行分类Q将在特征空间中聚集在一Lh点划分ؓ一cR选择合适的聚类法对图像库中的囑փq行聚类Q是我们的核心Q务之一?/span>
4.利用匚w法在图像库中检索相应的囑փ
匚w可理解ؓl合不同的、已l存在的表达而徏立他们的解释之间的联pȝ技术与q程。从q义上讲Q匹配是要研I如何把知识模型与从囑փ获得的描qC息对应v来,从而达到识别目标,理解囑փQ认知世界的q程。而具体到Z内容的图像信息检索,是要将从查询要求通过分析而得到的描述与需要检索的囑փ数据库中个体的描q进行比较,以便提取觉效果或语义内容最为接q/怼的个体?/span>
通俗地讲Q我们就是要Ҏ用户需要检索的囑փ的特征,到图像库中与现存的图像特征进行比较,Ҏ一定的法Q找出相似度最的一个或一l图像,完成一个匹配过E,用h希望得到的图像信息检索出来?/span>
结Q?span lang="EN-US">
通过从图像中抽取分类和检索的特征 , 定建立在相应特征基上的囑փ怼性度?/span> , 利用聚类法对图像库中的囑փq行聚类Q利用匹配算法在囑փ库中索相应的囑փq四个步骤,我们基本提出了一个可行的囑փ聚类与检索的ҎQ接下来探讨一些具体的关键技术与实验?/span>
随着U学技术的q步发展和推q应用,特别是计机技术和|络技术的发展Q信息高速公路的Q以及多媒体的推q应用,C信息处理的对象和Ҏ都有了很大的变化。大量的各种cd的信息在全球得到了采集、传输、流通和应用Qh们正快速的q入一个信息化的社会?/span>
多媒体是一U极光要的信息资源Q现代技术已能运用各U手D大量地采集和生各U类型的多媒体信息数据,而多媒体信息中占有D重作用的一U就是图像信息。近q来随着需求的增加、工艺技术的q步Q以各种方式获取的图像信息的数量得到了飞速的增长Q进入新世纪后,有h估计世界每年产生的新囑փ已达 800 亿幅Q信息膨胀已给人类带来q多的信息量以致出了h的接受能力,有鉴于此Q如何快速、准、高效的从浩如烟L囑փ信息源(比如|络Q中获取有用的信息就变得极ؓ重要Q近q来国际上广泛开展了Z内容的图像检索研IӞ而其中图像聚cM索技术已取得相当q展Q在各个领域已得Cq泛的应用?/span>
所谓图像聚cd是在l出的图像集合中Q根据图像的内容Q在无先验知识的条g下,图像分成有意义的簇。对于图像聚c,最引h注目的特征属性是颜色、纹理和形状{。目前有很多有效的聚cL术,如层ơ聚cȝ法、基于分割的法、合——溶解算法、模式——搜ȝ法、最q相邻聚cR模p聚cdq化聚类Ҏ?/span>
所谓图像检索是从图像数据库中快速的提取Z个与查询相关的图像或囑փ序列。随着来多的图像数据库的徏立和来多的图像信息在数字案中的应用Q对囑փ信息索的需求越来越大?/span>
只有掌握了对囑փ信息q行自动查询和选择的技术,才能使hcd接受或快速地获取需要的信息而不至于Ҏ于图像信息的汪洋大v中。有鉴于此,本文对囑փ聚类与检索的Ҏq行研究Q本文的实验囑ֺZ特定情况下的囑փ库,具体地说是一l灰度图像,该组囑փ是一pdq箋拍摄的列车行q照片,因此不同的图像之间既有相似性,又有因运动和拍摄旉的不同而Ş成的差异性,对于实验l果的分析较为有利。另外,如果旉、条件允许,也可以实现对L囑փq行聚类、检索(包括彩色囑փQ?/span>