基于显著性加权和角点特征的图像检索

摘要

随着科技的进步，图像采集设备如数码相机、手机等的普及，使得图像能够被轻松快速的获得。而随着互联网技术的快速发展，更多的图像被快速上传到网上，使得图像数据库以惊人的速度扩大。如何从日益庞大的图像数据库中快速找到人们需要的图片成为一个重要课题。近年来，基于内容的图像检索已经是国内外众多学者研究的热点课题之一。
　　论文主要围绕基于显著性加权和角点特征的图像检索技术展开的。
　　文中首先系统地对基于内容的图像检索中的关键技术进行了介绍，包括特征提取和相似性度量技术，其中主要对颜色、纹理和形状特征中的几种常用的特征提取法做了详细的介绍，而对于相似性度量，则主要介绍了几种常用的向量距离计算方法。
　　其次，本文在图像角点特征的基础上，提出了一种新的基于角点特征的图像检索的方法。该方法以图像中的角点为中心，结合角点的纹理特征和形状特征作为图像检索的索引特征，该方法中特征提取主要包括Harris角点提取、角点纹理特征提取和角点形状特征提取三个步骤，相似性度量主要使用加权欧式距离法。实验证明，该方法的确能够实现较好的图像检索效率。
　　最后，在基于角点特征的图像检索方法的基础上，加入了显著性特征，提出了基于显著性加权和角点特征的图像检索。该方法利用视觉显著性算法，计算出原图对应的显著图，该图中每个点的值表示了原图中每个点的显著性。根据此特征，对特征提取进行改进，在该步骤的角点纹理特征和角点形状特征提取中对每个角点的特征进行加权计算，以达到扩大有用信息，抑制无用信息的作用。实验证明，该方法能够实现对图像较好的描述，图像检索效率也有了一定的提高。

目录

声明

摘要

1 绪论

1．1 研究背景及意义

1．2 基于内容的图像检索技术

1．2．1 基于内容的图像检索技术简介

1．2．2 基于内容的图像检索技术的发展

1．2．3 国内外发展现状

1．2．4 基于内容的图像检索技术的应用

1．3 本文的研究内容和组织结构

2 CBIR技术介绍

2．1 基于内容的图像检索系统

2．2 图像颜色特征

2．2．1 颜色空间

2．2．2 颜色特征

2．3 纹理特征

2．3．1 灰度共生矩阵

2．3．2 LBP纹理特征

2．3．3 Tamura纹理特征

2．3．4 Gabor滤波法

2．4 形状特征

2．5 图像的相似性度量

2．6 图像检索系统性能指标和评价准则

2．7 本章小结

3 基于角点特征的图像检索

3．1 图像特征提取

3．1．1 角点检测

3．1．2 纹理特征提取

3．1．3 形状特征提取

3．2 相似性度量

3．3 实验分析

3．4 本章小结

4 基于显著性加权和角点特征的图像检索

4．1 视觉显著模型介绍

4．1．1 Itti显著性特征检测(Itti模型)

4．1．2 基于图论的显著图模型(GBVS算法)

4．1．3 Achanta等提出的显著图模型(AC算法)

4．1．4 基于剩余谱方法的显著图模型(SR算法)

4．1．5 Achanta等提出的显著图模型(IG算法)

4．1．6 Ma等人提出的算法(MZ算法)

4．1．7 六种显著算法比较

4．2 加权特征提取

4．3 实验分析

4．4 本章小结

5 总结与展望

5．1 本文工作总结

5．2 存在的问题和进一步的工作

致谢

参考文献

附录