基于目标区域的色彩聚类与空间关系的CBIR算法研究

摘要

随着多媒体技术的不断发展，涌现出了大量的图像信息，如何有效地建立、管理和充分利用这些资源，一直是国内外科研工作者关注的问题。传统的基于文本的图像检索方法(text-based image retrieval，TBIR)已经不能满足要求，只能求助于通过基于内容的图像检索(content-based image retrieval，CBIR)方法来实现对信息的有效地获取和利用。为此，人们提出了各种各样的CBIR算法，本文在前人研究的基础上提出了一种基于目标区域的色彩聚类与空间关系的CBIR新算法，实验表明本算法行之有效。 本文所做的工作主要有如下几个方面： 1．简要介绍CBIR技术产生的历史背景和概念模型，重点讨论本文要用到的关键技术。 2．在对现有提取目标区域的算法进行改进的基础上，提取了图像的目标区域OR(Object Regions)。在图像的亮度分量上利用Canny算子提取图像的边缘信息并对其进行边缘连接，从其二值边缘图像的连通集合中选取一个最小外接矩形面积最大的连通集所对应的最小外接矩形作为图像的目标区域OR(Object Regions)。 3.初始聚类中心的确定是本文的又一个研究重点，本文通过引进单向链表和串这两种数据结构提出了利用图像分块与八连通技术确定初始聚类中心点的算法(DBEC算法)。实验表明DBEC算法可以把初始聚类点的位置限制在一个相对比较小的分块区域内，从而尽可能的接近最佳初始聚类位置。 4．本文通过选取由3个最终聚类点构成的三角形来表示色彩聚类之间的局部空间方位关系，提出了比较图像间对应三角形各内角的差，作为计算图像相似度的方法(CTIA算法)。 实验表明，本文提出的算法在图像的查全率和查准率方面都有不错的表现，对图像的旋转和尺度变化不敏感，具有较强的鲁棒性。最后，对本算法进行了总结，指出了今后需要继续研究和完善的地方。

目录

文摘

英文文摘

声明

第一章CBIR概述

1.1背景

1.2科学意义

1.3 CBIR概念模型

1.4本论文的研究内容

1.5本论文所用到的算法评价标准

1.6本论文的工作和章节安排

第二章聚类分析技术概述

2.1聚类分析技术

2.1.1相似性度量

2.1.2聚类准则函数

2.2基于划分的聚类算法(Partitioning algorithm)

2.3概率聚类算法

2.3.1混合模型

2.3.2 EM算法

第三章图像的颜色空间选取与边缘检测概述

3.1颜色空间的选取

3.1.1 RGB颜色空间

3.1.2 HSV颜色空间

3.1.3 RGB与HSV颜色空间的相互转换

3.2图像的边缘检测

3.2.1 Canny边缘检测算子

3.2.2图像的边缘连接

第四章基于目标区域的色彩聚类与空间关系的CBIR算法

4.1图像目标区域的提取

4.2利用iMCCV算法确定目标区域色彩聚类个数

4.3基于图像分块与八连通技术确定初始聚类中心点算法(DBEC)

4.5目标区域色彩聚类间的空间关系表达

4.6图像间的相似度计算

4.7基于目标区域的色彩聚类与空间关系的CBIR算法描述

4.8实验结果及分析

4.8.1待检索图像及图像的查全率和查准率

4.8.2 ORCS算法测试

第五章结束语

5.1本文总结

5.2研究展望

参考文献

研究生期间发表的论文和参加的项目

致谢