Research on Image Information Retrieval based on Local Binary Patterns

摘要

数字信息的不断增加迫切需要产生一个高效的信息检索系统。从某种意义上说，不易被检索到的信息如同丢失的信息一样。信息以不同的格式和样式显示，因此需要有不同的检索机制与之相对应。本文主要研究基于内容的图像检索，其中，通过对图像内容的自动分析，系统减轻了用户与图像数据库之间的交互任务量。 本文提出了一种基于局部二进制模式的图像信息检索方法。近年来，基于内容的图像检索（CBIR）已成为一个热门课题，根据该理论，一个CBIR检索系统的基本原理是：首先分析得出用于表示图像内容的特征描述符，然后根据这些描述符进行检索。基于内容描述符的选取以及如何定义合适的度量方法是任何CBIR系统的关键问题。二进制模式纹理分析描述符是灰阶不变纹理度量，源于对局部区域纹理的一般性定义。LBP被认为是一个描述纹理结构以及它们的统计分布规则的通用模型。 图像相似度的度量在许多图像处理的应用中都很重要。图像相似度的评定与图像质量评定有着密切的关系，原因在于降质图像与原始的未更改图像间的显示质量不同。图像信息检索系统的自动评价机制依赖于对输入图像和库中图像的准确度量。 本文为测量图像相似度包括均方误差（MSE）和峰值信噪比（PSNR），提出一种通用算法。由于连贯性、准确度和更大的计算量的限制，本文主要介绍基于像素级的局部二元模式操作并比较各种方法选出最优者。 一系列实例反映了均方误差（MSE）在准确性和低计算量方面的优越性，虽然其效果不如局部二元模式好。本文使用了对局部二元模式不同的扩展来表示结果，包括块方法和环状纹理方法。由于局部二元模式和基于子块的图像检索系统利用了全局和局部特征，因此比现存的仅依赖于全局特征的检索算法更为有效。实验结果显示了该方法保持了良好的的平移、旋转、规模不变性，检索结果符合人类视觉模型。与使用均方误差（MSE）的结果相比，该方法具有更好的鲁棒性并满足在图像检索系统中所要求的计算时间限制。

目录

文摘

英文文摘

论文说明：List of Figures、List of Tables、List of Abbreviations

声明

Acknowledgments

Chapter 1 Introduction

1.0 Introduction

1.0.1 Information retrieval

1.0.2 Image Retrieval System

1.1 Image retrieval applications

1.2 User Intent

1.3 Data Scope

1.4 Query Modes and Processing

1.5 Problem statement

1.6 Research objectives

1.7 Structure of the thesis

Chapter 2 Content-Based Image Retrieval (CBIR)

2.0 Introduction

2.1 Features for Content-Based Image Retrieval

2.1.1 Color

2.1.2 Texture

2.1.3 Shape

2.2 Image retrieval techniques

2.2.1 Extraction of Visual Signature

2.2.2 Invariant Features

2.2.3 Query techniques

2.2.4 Relevance Feedback

2.3 Summary

Chapter 3 Local Binary Patterns (LBP)

3.0 The original LBP

3.1 LBP Derivation

3.2 Rotation invariance

3.3 Advantages of LBP operator

3.4 Summary

Chapter 4 Image Retrieval based on Local Binary Patterns

4.0 Setup of the training image database

4.1 DIB image structure analysis

4.1.1 Bitmap file structure

4.1.2 BMP File Header

4.1.3 Header Information

4.1.4 Pixel Data

4.1.5 Color Palette

4.1.6 Bitmap Data

4.2 Operation of the DIB program

4.2.1 SetDIBitsToDevice

4.2.2 SetPixel

4.3 Image similarity based on MSE

4.4 Implementation

4.4.1 Importance of using LBP

4.4.2 The Image Retrieval model

4.4.3 Image similarity based on Local Binary patterns

4.4.4 Images in MATLAB

4.5 Performance Evaluation

4.6 Summary

Chapter 5 Conclusions and Future work

5.0 Conclusions

5.1 Future work

References and Bibliography

Appendix: List of publication and achievements