基于内容图像检索的若干技术研究

1.      
颜色特征

(1)    
颜色直方图
颜色直方图的优点是:计算简便;对幅度不大的平移、缩放和旋转等几何变换不敏感;对于图像质量的变化，如模糊，也不甚敏感。颜色直方图的这些特性使得它比较适合于检索具有全局颜色相似性的图像，即通过比较颜色直方图的差异来衡量两幅图像在颜色全局分布上的差异。这是它在许多图象检索系统中被广泛采用的原因。它所描述的是不同颜色在整幅图象中所占的比例，但是并不关心每种颜色所处的位置，缺点是缺乏对图像中颜色的空间分布的描述。
(2)    
颜色矩
stricker和Orengn认为图像的信息集中在颜色的低阶矩中，并提出了颜色矩的索引方法。他们对图像中的所有像素统计，并在每种颜色分量上的计算一阶矩(Mean)、二阶矩(variance)和三阶矩(Skewness)。由于颜色分布信息主要集中在低阶矩中，因此可以采用颜色的一阶矩(mean)、二阶矩(variance)和三阶矩(翻物ess)来表达图像的颜色特征。因此，如果我们只计算图像的三个低阶距的话，则一共有9个分量值，其中3个颜色分量，每个颜色分量有3个低阶矩。在实际应用中为避免低阶矩较弱的分辨能力，颜色矩常和其它特征结合使用。
(3)    
颜色聚合向量
其核心思想是将直方图的每个颜色的像素分为两部分:聚合像素和非聚合像素。当图像中某个颜色bin的像素所占据的连续区域的面积大于某一阐值时，把该区域内的所有像素作为聚合像素，否则为非聚合像素。据此，可以统计图像在每种颜色bin上的聚合像素和不聚合像素的数量，并将每一颜色bin的聚合像素和不聚合像素组合在一起就得到了相应图像的颜色聚合向量(也有人称之为颜色一致性矢量)，并以此作为图像的颜色特征。
该特征不但刻画了某种颜色的像素数量占整个图像的比例，还包含了颜色分布的空间信息，因此在需要物体空间信息的图像检索中颜色聚合向量比颜色直方图会有更好的检索结果。
(4)    
颜色相关图
该特征不但刻画了某种颜色的像素数量占整个图像的比例，还包含了颜色分布的空间信息，因此在需要物体空间信息的图像检索中颜色聚合向量比颜色直方图会有更好的检索结果。
(5)    
颜色集
首先选择合适的颜色空间并在此空间进行量化。然后，利用此颜色量化函数对图像进行量化处理。最后，为每一种颜色确定一个阐值，如果图像中属于此颜色的像素数目达到了此阐值，则相应二值指示向量的对应位置置为“1”，否则置0。事实上，颜色集只是一种表示方式，它等价于阐值直方图。另外，如果每一种颜色阐值定义的都比较高的话，颜色集中置“1”的那些颜色事实上就是图像的主色。
基于颜色的检索方法仅仅是基于内容检索的一种重要的方法，实际上在应用中它常
常和其它图像特征相结合，才能达到更好的效果。
2.      
纹理特征
将图像中局部具有不规则性，而宏观有规律的特性称之为纹理[27]。纹理是与物体表面材质有关的图像特征，是一种不依赖于颜色或亮度反映的视觉特征[28】，它是图像的低层特征，是图像的一个重要属性，目前广泛地应用于基于内容的图像检索中。
纹理分析的方法大致可以分为以下三种:统计法、结构法以及频谱法[29]。
统计法是利用图像中的象素统计特性来描述纹理的。其中包括自相关函数法、光学变换法、数字变换法、纹理边界法、灰度共生矩阵法等。
结构法则认为纹理是由一些基本纹理单元按照某种排列组合而成。其中主要包括马尔可夫模型、分形模型以及Wold分解模型。但是由于大多数的图像纹理是不规则，因而这种方法没有被广泛的采用。
频谱法则是把图像从时域空间变换到频域空间，然后在频域空间提取图像的纹理特征。典型的算法有:小波变换、傅立叶变换以及DCT变换等。这种方法是在频率域范围内利用功率谱函数以及滤波器理论来进行纹理的分析。
按照人的感知，纹理通常表现为粗糙度(coarseness)、对比度(contrast)、方向度 (directionality)、线像度 (linellikeness)、规整度 (regularity)和粗略度 (roughness)。