【摘要】：隨著圖像數(shù)據(jù)呈現(xiàn)幾何級(jí)數(shù)的快速增長(zhǎng),如何實(shí)現(xiàn)對(duì)圖像數(shù)據(jù)庫(kù)更加高效、準(zhǔn)確的檢索,是眾多學(xué)者研究的目標(biāo)和方向�；趦�(nèi)容的圖像檢索通過(guò)提取圖像的顏色、紋理、形狀等底層特征進(jìn)行相似度匹配,快速地查找目標(biāo)圖像,該技術(shù)是當(dāng)前信息檢索領(lǐng)域中的一種重要手段。傳統(tǒng)的基于內(nèi)容的圖像檢索技術(shù)存在一定的局限性,一方面,為了提高對(duì)圖像主體內(nèi)容的高度概括性信息描述,盲目的過(guò)濾掉圖像當(dāng)中的冗余信息,忽略了不相關(guān)部分信息的重要性;另一方面,圖像往往包含了豐富的內(nèi)容信息,使用單一的特征描述只能表達(dá)圖像的某一方面信息,無(wú)法詮釋圖像的完整性信息描述。顏色特征作為數(shù)字圖像的一種重要特征描述,因其計(jì)算簡(jiǎn)單有效,被廣泛的應(yīng)用于圖像特征的提取和索引�，F(xiàn)有的基于內(nèi)容的圖像檢索技術(shù)通過(guò)融入多個(gè)底層特征進(jìn)行圖像檢索,從而減少了對(duì)原始圖像描述的信息缺失并提高了圖像檢索的準(zhǔn)確率,但同時(shí)也增加了算法的計(jì)算復(fù)雜度。為了更好的描述圖像的內(nèi)容,本文通過(guò)將顏色特征作為圖像的全局描述,然后利用有效地特征加權(quán)融合方式,分別結(jié)合了顯著性區(qū)域顏色特征和基元共生矩陣特征。通過(guò)從不同側(cè)面對(duì)圖像的內(nèi)容進(jìn)行特征描述,達(dá)到了較好的檢索效果。本文主要針對(duì)顯著性區(qū)域特征和基元共生矩陣特征進(jìn)行了相關(guān)的改進(jìn),并在圖像分割、特征提取、特征融合等方面進(jìn)行了部分優(yōu)化。主要內(nèi)容如下:1.本文首先深入研究了基于內(nèi)容的圖像檢索領(lǐng)域中的相關(guān)技術(shù),并針對(duì)圖像的顏色、紋理、形狀等特征的提取方法進(jìn)行了分析對(duì)比。然后詳細(xì)介紹了基于顏色特征的圖像檢索,和一些常用的相似性度量方法、性能評(píng)價(jià)指標(biāo)。最后針對(duì)顯著性區(qū)域和基元共生矩陣特征的局限性問(wèn)題,提出了兩種有效的圖像檢索方法,分別為基于全局和顯著性區(qū)域顏色特征的圖像檢索方法和基于分塊基元共生矩陣的圖像檢索方法。2.針對(duì)顯著性區(qū)域特征忽略背景信息的問(wèn)題,提出了一種基于全局和顯著性區(qū)域顏色特征的圖像檢索方法(GASCH),在不丟失背景信息的前提下突出強(qiáng)調(diào)了顯著性區(qū)域特征的重要性。首先,提取量化的HSV顏色直方圖特征作為全局描述。其次,利用一種顯著性區(qū)域檢測(cè)方法將顯著性區(qū)域和背景區(qū)域分離。之后,提取顯著性區(qū)域的顏色直方圖用于構(gòu)成局部描述。最后,本文通過(guò)使用一種自適應(yīng)加權(quán)的方法結(jié)合了這兩種描述。在Corel 1000圖像庫(kù)中的實(shí)驗(yàn)表明,該方法與單一特征檢索方法相比具有更好的視覺(jué)效果,檢索準(zhǔn)確率也至少提高了9%。3.針對(duì)基元共生矩陣中不滿足平移不變性和不同子塊可以用相同基元表示的局限性問(wèn)題,提出了一種基于分塊基元共生矩陣的圖像檢索方法(BMCM)。該方法,首先將圖像進(jìn)行區(qū)域劃分,并對(duì)各個(gè)區(qū)域分別提取量化的HSV顏色直方圖特征,基元共生矩陣特征以及局部二值模式特征。考慮到不同特征描述了圖像的不同屬性和內(nèi)容,本文通過(guò)對(duì)各個(gè)特征檢索的相似度進(jìn)行加權(quán)融合,實(shí)現(xiàn)了顏色、紋理以及空間信息等多特征的圖像檢索。在Corel 1000標(biāo)準(zhǔn)圖像庫(kù)的實(shí)驗(yàn)結(jié)果表明,與MCM、BCTF和MCMCM算法相比,該方法有較高的檢索準(zhǔn)確率且在部分圖像類(lèi)別的檢索中有比較明顯的優(yōu)勢(shì)。
[Abstract]:With the rapid growth of the geometric progression of the image data, how to achieve more efficient and accurate retrieval of the image database is the goal and direction of many scholars. The traditional content based image retrieval technology has some limitations. On the one hand, in order to improve the highly generality information description of the subject content of the image, the redundant information in the image is filtered blindly, and the importance of the unrelated information is ignored; on the other hand, the image goes to the image. It contains a rich content information, using a single feature description only to express a certain aspect of the image information, can not interpret the image integrity information description. Color features as an important feature of the digital image description, because of its simple and effective calculation, it is widely used in the extraction and index of image features. In order to better describe the content of the image, the color feature is used as the global description of the image, in order to better describe the content of the image, the image retrieval technology can reduce the missing information of the original image description and improve the accuracy of the image retrieval. Then, using the effective feature weighted fusion method, the color feature of the significant region and the characteristics of the basic element symbiosis matrix are combined respectively. By describing the features of the images from different sides, the better retrieval results are achieved. This paper mainly improves the characteristics of the significant regional characteristics and the basic element symbiotic matrix. The main contents are as follows: image segmentation, feature extraction, feature fusion, and so on. The main contents are as follows: 1. firstly, the related technologies in the field of content based image retrieval are studied in this paper, and the extraction methods of color, texture and shape are analyzed and compared. Then the color features are introduced in detail. Image retrieval, and some commonly used similarity measurement methods, performance evaluation indexes. Finally, two effective image retrieval methods are proposed, which are image retrieval methods based on global and significant regional color features and graph based on the partitioned primitive symbiotic matrix, aiming at the limitation of the characteristics of significant region and basic element symbiotic matrix. The image retrieval method (.2.) has proposed a image retrieval method (GASCH) based on global and significant regional color features, which emphasizes the importance of significant regional features without losing background information. First, extracting quantized HSV color histogram features as a whole. Second, a significant regional detection method is used to separate the significant region and the background region. Then, the color histogram of the extracted significant region is used to form a local description. Finally, this paper combines the two descriptions by using an adaptive weighting method. The experiment in the Corel 1000 image library shows that this method is used. Compared with the single feature retrieval method, it has better visual effect, and the retrieval accuracy also improves at least the limitation of 9%.3. against the translation invariance in the basic element symbiosis matrix and the representation of different sub blocks with the same basic elements. A image retrieval method based on the partitioned primitive symbiotic matrix (BMCM) is proposed. First, the image is divided into regions, and the quantized HSV color histogram features, the feature of the base element symbiotic matrix and the feature of the local two value pattern are extracted respectively. Considering the different features and the contents of the images, the similarity degree of each feature retrieval is weighted to realize the color and texture. The experimental results of the Corel 1000 standard image library show that compared with the MCM, BCTF and MCMCM algorithms, the method has a higher retrieval accuracy and more obvious advantages in the retrieval of some image categories.
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韓法旺;;基于云計(jì)算模式的圖像檢索研究[J];情報(bào)科學(xué);2011年10期

2 何巖;;以計(jì)算機(jī)為基礎(chǔ)的色彩圖像檢索方法與研究[J];計(jì)算機(jī)光盤(pán)軟件與應(yīng)用;2013年12期

3 郭海鳳;李廣水;仇彬任;;基于融合多特征的社會(huì)網(wǎng)上圖像檢索方法[J];計(jì)算機(jī)與現(xiàn)代化;2013年12期

4 柏正堯,周紀(jì)勤;基于復(fù)數(shù)矩不變性的圖像檢索方法研究[J];計(jì)算機(jī)應(yīng)用;2000年10期

5 夏峰,張文龍;一種圖像檢索的新方法[J];計(jì)算機(jī)應(yīng)用研究;2002年11期

6 鄧誠(chéng)強(qiáng),馮剛;基于內(nèi)容的多特征綜合圖像檢索[J];計(jì)算機(jī)應(yīng)用;2003年07期

7 斯白露,高文,盧漢清,曾煒,段立娟;基于感興趣區(qū)域的圖像檢索方法[J];高技術(shù)通訊;2003年05期

8 劉怡,于沛;基于“知網(wǎng)”的新聞圖像檢索方法[J];河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年02期

9 張榮,鄭浩然,李金龍,王煦法;進(jìn)化加速技術(shù)在圖像檢索中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2004年16期

10 黃德才,胡嘉,鄭月鋒;交互式圖像檢索中相關(guān)反饋進(jìn)展研究[J];計(jì)算機(jī)應(yīng)用研究;2005年09期

相關(guān)會(huì)議論文 前10條

1 陳旭文;朱紅麗;;一種高效的圖像檢索方法[A];中國(guó)儀器儀表學(xué)會(huì)第九屆青年學(xué)術(shù)會(huì)議論文集[C];2007年

2 周向東;張亮;張琪;劉莉;殷慷;施伯樂(lè);;一種新的圖像檢索相關(guān)反饋方法[A];第十九屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2002年

3 陳世亮;李戰(zhàn)懷;閆劍鋒;;一種基于本體描述的空間語(yǔ)義圖像檢索方法[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004年

4 趙海英;彭宏;;基于最優(yōu)近似反饋的圖像檢索[A];’2004系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文集[C];2004年

5 許相莉;張利彪;于哲舟;周春光;;基于商空間粒度計(jì)算的圖像檢索[A];第八屆全國(guó)信息隱藏與多媒體安全學(xué)術(shù)大會(huì)湖南省計(jì)算機(jī)學(xué)會(huì)第十一屆學(xué)術(shù)年會(huì)論文集[C];2009年

6 李凌偉;周榮貴;劉怡;;基于概念的圖像檢索方法[A];第十九屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2002年

7 楊關(guān)良;李忠杰;徐小杰;;基于代表色的圖像檢索方法研究[A];首屆信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2003年

8 彭瑜;喬奇峰;魏昆娟;;基于多示例學(xué)習(xí)的圖像檢索方法[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

9 胡敬;武港山;;基于語(yǔ)義特征的風(fēng)景圖像檢索[A];2009年研究生學(xué)術(shù)交流會(huì)通信與信息技術(shù)論文集[C];2009年

10 許天兵;;一種基于語(yǔ)義分類(lèi)的圖像檢索方法[A];中國(guó)圖象圖形學(xué)會(huì)第十屆全國(guó)圖像圖形學(xué)術(shù)會(huì)議（CIG’2001）和第一屆全國(guó)虛擬現(xiàn)實(shí)技術(shù)研討會(huì)（CVR’2001）論文集[C];2001年

相關(guān)博士學(xué)位論文 前10條

1 崔超然;圖像檢索中自動(dòng)標(biāo)注、標(biāo)簽處理和重排序問(wèn)題的研究[D];山東大學(xué);2015年

2 楊迪;基于內(nèi)容的分布式圖像檢索[D];北京郵電大學(xué);2015年

3 張旭;網(wǎng)絡(luò)圖像檢索關(guān)鍵技術(shù)研究[D];西安電子科技大學(xué);2014年

4 吳夢(mèng)麟;基于半監(jiān)督學(xué)習(xí)的醫(yī)學(xué)圖像檢索研究[D];南京理工大學(xué);2015年

5 汪友寶;基于多分辨率和顯著特征的圖像檢索方法研究[D];上海大學(xué);2015年

6 張運(yùn)超;面向海量圖像檢索的視覺(jué)編碼方法分析與優(yōu)化[D];北京理工大學(xué);2015年

7 高毫林;基于哈希技術(shù)的圖像檢索研究[D];解放軍信息工程大學(xué);2014年

8 李清亮;圖像檢索中判別性增強(qiáng)研究[D];吉林大學(xué);2016年

9 劉爽;多特征融合圖像檢索方法及其應(yīng)用研究[D];哈爾濱理工大學(xué);2016年

10 程航;密文JPEG圖像檢索研究[D];上海大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 趙鴻;基于尺度不變局部特征的圖像檢索研究[D];華南理工大學(xué);2015年

2 孫劍飛;基于圖像索引的熱點(diǎn)話題檢索方法研究[D];蘭州大學(xué);2015年

3 章進(jìn)洲;圖像檢索中的用戶意圖分析[D];南京理工大學(xué);2015年

4 苗思楊;移動(dòng)圖像檢索中的漸進(jìn)式傳輸方式研究[D];大連海事大學(xué);2015年

5 都業(yè)剛;基于顯著性的移動(dòng)圖像檢索[D];大連海事大學(xué);2015年

6 王夢(mèng)蕾;基于用戶反饋和改進(jìn)詞袋模型的圖像檢索[D];南京理工大學(xué);2015年

7 許鵬飛;基于草圖的海量圖像檢索方法研究[D];浙江大學(xué);2015年

8 馮進(jìn)麗;基于BoF的圖像檢索與行為識(shí)別研究[D];山西大學(xué);2015年

9 喬維強(qiáng);基于低級(jí)特征和語(yǔ)義特征的醫(yī)學(xué)圖像檢索[D];北京理工大學(xué);2015年

10 蔣國(guó)寶;基于內(nèi)容的概念建模和圖像檢索重排序[D];復(fù)旦大學(xué);2014年

，

本文編號(hào)：2147011