基于多分辨率和显著特征的图像检索方法研究

发布时间：2017-10-24 22:31

  本文关键词：基于多分辨率和显著特征的图像检索方法研究

  更多相关文章： 图像检索 小波变换 多分辨率分析 显著特征 稀疏表达

【摘要】：随着科学的进步和人类文明化程度的不断深化,人类不再仅仅满足于以文本作为信息的载体带来的视觉感受,二维的图像、视频等高维度的信息载体逐渐走进普通人的日常生活。数字技术的发展不仅为海量图像、视频等数据的储存、传播,同时也为其内容不断更新提供了保证,给人类的生活与工作带来了极大的便利。在如此海量的信息资源中有效管理并及时准确地找到用户所需要的图像、视频信息是图像检索技术及方法研究所要解决的核心问题。目前此领域的研究主要集中在基于内容的图像检索方法及技术上,热点方向主要是基于压缩域、基于融合视觉关注模型、基于相关反馈技术、基于多模态、基于语义以及深度学习等图像检索方法及技术。本论文主要利用图像在压缩域中的多分辨率特性以及视觉关注模型中的显著特性,探索和研究了基于内容的图像检索方法,主要做了以下几个方面的工作。第一,提出了基于多分辨率的图像颜色及形状特征的检索方法(MRCS)。本方法结合了小波变换和聚合向量的概念,应用动态阈值代替了原有聚合向量方法中固定阈值的方法判断区域的连续性,并对图像经过小波分解后的低频子图小波系数和高频子图小波系数分别采用软阈值去噪方法、最大类间方差法以及中值滤波的方法对其进行优化。同时,对小波分解后的高频系数的特征提取采用了几何方法,引入了修正后的圆形度概念表达图像的几何特征,改善了由于对形状变化具有非常高的敏感性而造成的几何特征问题。实验结果表明,本章节提出方法的平均查准率总和的平均值和平均查全率总和的平均值分别为72.5%和42.9%。第二,提出了融合图像多分辨率和点的显著性特征的图像检索方法(MRCSP)。采用了通过相似度改进后的Harris角点检测算法检测角点,以更好地保留Harris角点检测算法的精度和减少其运算的时间。同时,采用了改进后的小波显著点候选值的检测小波显著点,更好地呈现图像高频子图的不同方向的显著特征。并应用于频域范围里图像点显著特征的提取,以实现图像检索。实验结果表明,本章节提出方法的平均查准率总和的平均值和平均查全率总和的平均值分别为80.8%和47.6%。第三,提出了融合图像多分辨率和区域显著特征的图像检索方法(MRCSR)。通过提取正交匹配算法对图像分解后的残差,利用此残差恢复图像的区域特征;同时,结合通过经过小波变换后的图像高频子图提取其边缘特征,融合后共同表达图像的显著特征。通过修正后的圆形度表征图像的显著特征,以实现图像检索。实验结果表明,本章节提出方法的平均查准率总和的平均值和平均查全率总和的平均值分别为83.1%和50.9%。目前,虽然基于内容图像检索方法的研究已经取得了较大地进展,但是离实际应用方面还存在一定的差距。本论文利用图像在压缩域中的多分辨率特性,提出了基于多分辨率的图像颜色和形状的图像检索方法。同时,结合图像在视觉关注模型中的显著特征表达,提出了融合多分辨和显著特征的图像检索方法。本论文的研究成果为基于内容图像检索的理论和方法研究提供了新的思路和可行的方法,也为基于内容的图像检索技术的实际应用提供了借鉴。
【关键词】：图像检索 小波变换 多分辨率分析 显著特征 稀疏表达
【学位授予单位】：上海大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要6-8
• ABSTRACT8-14
• 第一章 绪论14-26
• 1.1 本课题研究的背景及意义14-15
• 1.2 基于内容图像检索的基本原理15-18
• 1.2.1 图像的底层特征15-16
• 1.2.2 图像相似性度量16
• 1.2.3 检索性能的评价标准16-18
• 1.3 基于内容图像检索方法的研研究现状及趋势究现状及趋势18-23
• 1.3.1 基于语义的图像检索方法18-19
• 1.3.2 基于多模态的图像检索方法19-20
• 1.3.3 基于相关反馈的图图像检索方法像检索方法20-21
• 1.3.4 基于压缩域的图像检索方法21-22
• 1.3.5 基于融合视觉关注模型的图像检索方法22-23
• 1.4 本文的研究究内容内容23-24
• 1.5 本文的内容安排24-26
• 第二章 图像的多分辨率分析和显著特征26-45
• 2.1 人类视觉系统26-29
• 2.1.1 人类视觉系统的基本构造26
• 2.1.2 人类视觉系统的空间频率特性26-28
• 2.1.3 人类视觉系统的信息处理机制28-29
• 2.2 图像的多分辨率分析29-37
• 2.2.1 小波变换及快速算法29-33
• 2.2.2 图像的小波变换及快速算法33-35
• 2.2.3 小波基函数的选取35-36
• 2.2.4 图像的多分辨率特征与视觉系统特性的关系36-37
• 2.3 图像的显著特征37-43
• 2.3.1 基于点的显著特征检测37-40
• 2.3.2 基于区域的显著特征检测40-42
• 2.3.3 图像的显著特征与视觉系统特性的关系42-43
• 2.4 本章小结43-45
• 第三章 基于多分辨率的图像颜色及形状特征的检索方法45-73
• 3.1 基于小波改进的聚合向量45-51
• 3.1.1 聚合向量46-47
• 3.1.2 图像的小波变换47-49
• 3.1.3 基于小波改进的聚合向量49-51
• 3.2 子图小波系数的量化51-54
• 3.3 子图小波系数的优化54-61
• 3.3.1 低频子图小波系数的优化56-59
• 3.3.2 高频子图小波系数的优化59-61
• 3.4 基于多分辨率的图像颜色及形状特征检索方法61-64
• 3.4.1 图像特征的提取62-63
• 3.4.2 相似性度量63-64
• 3.5 实验结果与讨论64-71
• 3.6 本章小结71-73
• 第四章 融合多分辨率和点显著特征的图像检索方法73-94
• 4.1 基于多分辨率图像点显著特征检测73-86
• 4.1.1 小波显著点的检测74-78
• 4.1.2 改进的Harris角点检测算法78
• 4.1.3 改进的Harris检测算法对小波显著点的检测78-83
• 4.1.4 小波系数显著点分布区域权重的选择83-86
• 4.2 融合多分辨率和点显著特征的图像检索方法86-87
• 4.2.1 图像点显著特征的提取86
• 4.2.2 相似性度量86-87
• 4.3 实验结果与讨论87-93
• 4.3.1 查准率的比较87-89
• 4.3.2 查全率的比较89-90
• 4.3.3 Rank的比较90-91
• 4.3.4 本文方法检索的几个例子91-93
• 4.4 本章小结93-94
• 第五章 融合多分辨率和区域显著特征的图像检索方法94-115
• 5.1 基于于多分辨率的多分辨率的的图像图像像显著显著著特征特征征检测检测94-102
• 5.1.1 残差恢复的图像像区域区域域特征特征95-98
• 5.1.2 高频子图恢复的图像像边缘边缘缘特征特征98-100
• 5.1.3 图像显著特征的融合100-102
• 5.2 图像颜色特征的检测102-106
• 5.3 融合多分辨率和区域显著特征的图像检索方法106
• 5.3.1 图像像特征的提取特征的提取106
• 5.3.2 相似性度量106
• 5.4 实验结果与讨论106-113
• 5.4.1 查准率的比较107-109
• 5.4.2 查全率的比较109-110
• 5.4.3 Rank的比较110-111
• 5.4.4 本文算法检索的几个例子111-113
• 5.5 本章小结113-115
• 第六章 结论与展望115-118
• 6.1 本文的主要成果和创新点115-116
• 6.2 本论文期待进一步研究的地方116-118
• 参考文献118-126
• 攻读博士学位期间完成论文文126-127
• 致谢127-128

【参考文献】

中国期刊全文数据库 前5条

1 刘志福;胡君;;视觉显著性的八叉树颜色量化方法[J];计算机工程;2011年06期

2 段永刚;马立元;李永军;王天辉;;基于小波分析的改进软阈值去噪算法[J];科学技术与工程;2010年23期

3 王崴;唐一平;任娟莉;时冰川;李培林;韩华亭;;一种改进的Harris角点提取算法[J];光学精密工程;2008年10期

4 黄诚;王国营;;一种基于颜色聚合向量的图像检索方法[J];计算机工程;2006年02期

5 吴洪;卢汉清;马颂德;;基于内容图像检索中相关反馈技术的回顾[J];计算机学报;2005年12期

中国博士学位论文全文数据库 前3条

1 吴伟文;基于计算机视觉的目标图像检索相关技术的研究[D];华南理工大学;2012年

2 赵倩;基于内容的图像检索若干技术研究[D];上海大学;2012年

3 陈再良;图像感兴趣区域提取方法研究[D];中南大学;2012年

中国硕士学位论文全文数据库 前2条

1 林中正;图像稀疏表示方法及其在图像检索领域的应用研究[D];华东理工大学;2013年

2 史燕;基于小波变换的图像检索技术研究[D];西北大学;2006年

，

本文编号：1090871