CCA图像语义特征提取分析与研究应用报告.doc
《CCA图像语义特征提取分析与研究应用报告.doc》由会员分享,可在线阅读,更多相关《CCA图像语义特征提取分析与研究应用报告.doc(15页珍藏版)》请在咨信网上搜索。
1、基于CCA图像语义特征提取分析和研究基于经典相关分析特征融合图像语义特征提取分析和研究摘要:图像语义特征在图像比较,查找中含有很关键作用。它提供了对图像特征正确描述。图像语义特征提取含有很多个方法。本文介绍了颜色直方图,边缘方向直方图,边缘直方图,局部二值模式对所提取数据进行处理,使用处理后数据来比较图像之间相同度。并据此进行检索。取得了显著改善。针对现在大部分图像语义特征提取算法中,因图像特征提取不妥,造成特征参数不能全方面反应图像语义问题,提出了一个基于经典相关分析特征融合图像语义特征提取方法。首先分析比较了颜色直方图,边缘方向直方图,边缘直方图,局部二值模式LBP),纹理距描述等五种特征
2、参数在表示图像语义方面存在差异。依据分析比较结果,对每一幅图像分别选择可伸缩颜色描述子提取颜色特征,使用改善LBP算子提取纹理特征,再使用高维小样本下经典相关分析对提取两种特征进行特征融合。试验结果表明所提出方法显著提升了图像语义特征提取正确度。能有效地建立图像低层特征和语义特征间一致性。关键字:图像语义,经典相关分析,直方图,相同度,检索Abstract:image semantic feature is very important in imagecontrast and imageretrieval. It provides an accurate description for im
3、age feature.Many methods can be used to extract image semantic feature. This paper introduces five methods:color histogram edge direct histogram, edge histogram, local binary pattern,texture moment description .We compare the advantages and disadvantages of the five methods. Make use of the advantag
4、es of every method to extract image feature. Then we process the data using canonical correlation analysis. At the end, we calculate the similarity between pictures with the processed data. Seek related images according to the similarity. We achieved significant improvements.Keywords:image semantic,
5、 canonical correlation analysis,histogram,similarity,retrieval1引言伴随计算机科学技术进步,尤其是图像处理技术发展,人类所取得图像信息越来越多,对图像进行处理要求也越来越强烈。在这众多图像中,为了取得我们所需要图片。就要求我们提供好图像检索技术。方便正确搜索出要找图片信息。图像检索技术发展至今,形成了多个关键检索技术,包含基于文本图像检索,基于内容图像检索和基于语义图像检索。基于文本图像检索需要手工对图片库进行语义标注,这就需要花费大量人力,物力。同时标注还带有很强主观性。基于内容图像检索CBIR)1就克服了基于文本检索不足。CBI
6、R关键利用图像纹理,颜色,形状,轮廓和对象空间关系来对需要图像进行检索。以后大家发觉,我们在检索中,需要是图像语义信息,而不是图像颜色,纹理等信息。这么就形成了基于语义图像检索。这么就是就是我们得检索尽可能贴近大家对图像内容了解,从而能够根据用户自己对图像了解来进行图像检索。在进行图像语义检索中,正确提取图像语义特征就显得很关键了。图像语义提取过程就是把我们取得图像底层特征转化为高层语义过程。这个过程很关键,大家熟知“语义鸿沟”问题就是因为转化不正确造成。比如用含有蓝天,白云做样图可能搜索到大海,蓝色旗帜等颜色相同图像。就是因为底层特征转化为高层语义时,没有考虑到具体情况,转化不正确造成。2图
7、像语义特征提取2混合特征提取21 基于可伸缩颜色描述子颜色特征提取。22基于改善LBP算子纹理特征提取。23 多种特征分析和比较对于给定一幅图像,我们要提取图像语义特征关键有两方面,一是全局语义特征,另一个是局部语义特征。我们能够利用图像分割技术提取分割后区域特征,进而得到整体图像特征。本文提取语义特征关键是全局特征。我们依据图像颜色,纹理,形状来提取全局特征,使用得到语义特征来检索需要图像。依据底层特征,导出高层语义,经过相同性比较,在图片库中查找相关图片。颜色特征是使用最多图像语义特征之一。因为我们使用是彩色图像,所以颜色特征很关键。提取图像颜色特征最关键是选择一个适宜颜色空间。我们使用是
8、基于HSV颜色空间,H:色彩,S:饱和度,V:值。纹理特征是另一个关键图像语义特征,它不依靠和图像颜色或亮度,就能够反应图像视觉特征。经典纹理特征有粗糙度,对比度,方向性,规则性,线相同性,灰度共生矩阵等等。选择符合人感知特征纹理特征,能够有效检索相关图像。边缘特征是我们全部提取目标特征和背景特征分界线。边缘是一个区域和令一个区域分界,边缘所分开区域内部特征或图像属性和另一个区域是不一致。正是基于此特征,我们才能使用边缘特征来检索图像,识别图像。边缘特征对于边界区分显著图像效果愈加好。形状特征是另一个关键图像语义特征。它实现必需以图像中物体或区域划分为基础。对于有些查询,同一物体,颜色很多,不
9、过它形状总是一样,此时,形状特征就有很好作用。假如我们要查询图像是相关部分图形,这个时候使用形状特征效果就愈加好了。以上四种特征时我们在提取图像语义特征时常常见多个特征。基于以上多个图像特征,中国外研究者提出了很多个图像语义特征提取方法。有时为了取得愈加好效果,我们会综合这多个特征来提取图像语义特征。本文要做就是结合这多个特征优点,来提取想要好图像语义特征向量,并将这些特征向量使用CCA910方法进行处理后。在提供图像库中检索和目标图像相关图像。3.特征分析3.1本文中用到距离公式3 基于高维小样本下CCA特征融合3.1 经典相关性分析。3.2图像相同测度为了对图像语义特征集进行相同性度量。我
10、们使用了三种常见距离计算公式:假定两个点向量为。下面给出三种距离计算公式。3)直方图交叉选择距离3.1.3)3.2颜色直方图图像颜色空间有很多个表示方法,本文选择HSV颜色空间,集色调H,饱和度S,亮度V。因为我们取得图像是在RGB空间中,所以首先要把图像颜色空间转换为HSV空间。假如使用HSV颜色直方图来描述图像整体颜色特征,所用到特征向量就会很多,所以在计算之前,要对HSV空间进行量化。我们使用HSV空间上256级bin)直方图,把H均匀划分为16级,S均匀划分为4级,把V均匀量化为4级。这么使用颜色直方图级数为16*4*4=256级。本文使用是可伸缩颜色描述子2。通常256bins直方条
11、)中,每一条全部要使用11bit来表示。这么存放空间就很大。显然,假如用尽可能少比特来表示一幅图像,检索速度就会大大提升。这就是可伸缩颜色描述子。为了实现“可伸缩长”颜色描述子。需要使用HAAR变换。在HAAR变换前,我们把直方图每个bin表示有11bit非均匀量化为4bit。HAAR变换关键作用就是降低描述颜色直方图比特数。HAAR变换基础操作是和操作和差分操作。经过一次和操作,直方图256bins)数就会减半。迭代一次减半。HAAR变换高通差分)系数包含了大部分图像细节信息。下面给出HAAR函数公式。3.2.1)HAAR函数是定义在0,1区间函数。其中p=1,2,.;n=0,1,2,.HA
12、AR变换公式为:其中等式左边是变换矩阵序列。是阶哈尔矩阵,等式右边矩阵是时间序列。总来说由直方图得到过程步骤为:首先256级颜色直方图非线性量化,然后经过HAAR变换,变换后在进行线性量化,最终得到哈尔变换系数。经过这些系数来进行图像匹配,就能够实现图像检索。检索速度会大大提升。3.3距描述距描述13是形状构图,它是图像形状全局描述,它把图片面积,紧凑度,不规则性,和高阶描述符综合在一起来描述图像全局特征。图像分析中使用大多数是统计矩,它是图像全局区域描述。能够进行含有不变形图像全局描述。函数p,q阶矩,3.2.1)其中表示对应于位置特征图像I函数,p,q是参数。图像I质心定义为1阶矩和0阶矩
13、比值。3.2.2)下面我们给出图像I中心距计算公式,表示像素大小,表示p,q阶中心距,是图像I质心。3.2.3)中心距含有平移不变性,也就是说,它仅对位置改变保持不变,为了实现尺度和旋转不变性,我们能够经过对中心距正规化来实现。正规化后中心距计算公式为:梯度方向:(3.4.2其中表示图像I中i行,j列像素。是I1中对应位置像素值,是I2中对应位置像素值。T梯度幅值表示了图像区域边缘锐度,梯度方向则表明图像区域边缘方向。依据梯度幅值和梯度方向就能够得到边缘方向直方图。3.6 局部二值模式LBP)局部二值模式LBP)3首先是用来做图像局部特征比较,传统LBP方法,首先经过阈值来标识中心点像素和其邻
14、域像素之间差异。LBP是人脸识别中常常使用一个方法。最早LBP算子是定义在3*3邻域上。它使用中心像素值来计算8邻域像素。然后在乘以领域权值得到结果。下面我们给出一个例子:Example 643752895Threshold1001*0111/5 (4+3+2/3 =6Weights124128*8643216我们使用二维分布LBP和局部对比测量C作为该领域特征。不过为了使得到特征更有代表性。矩形领域大小是能够改变,能够使用4*4或5*5领域。相比矩形领域,圆形对称领域效果愈加好。下面全部是基于圆形对称领。假设P:圆形对称领域除了中心点像素数目。R:圆形对称领域半径。表示圆形对称领域中心点像素
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- CCA 图像 语义 特征 提取 分析 研究 应用 报告
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【天****】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【天****】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。