基于PCA_SIFT在图像检索上改进算法的研究

发布时间：2017-07-28 07:59

第 1 章 绪论

1.1 研究背景

近年来，随着计算机技术的飞速发展、Internet 的广泛普及和大容量存储器的迅猛发展，多媒体技术、计算机视觉也得以广泛的应用[1]， 电子扫描仪、数字相机等的普及使得数字图片信息迅猛增加[2]，数字图像的应用包含了国防军工、工业制造、交通运输、医疗卫生、日常娱乐等生活中的各个方面。因此，如果不对每天所产生的海量数字图片信息进行有效的组织管理和整理分类，将无法进行高效率的检索查询[3]。而在实际生活中，在海量的数字图片信息中进行高效准确的检索不仅具有理论意义，而且具有极大的实际工业应用方面的意义[4]。事实上，如何在海量图片数据库中快速准确高效的进行检索已经成为了如今的热点话题[5]。人们都在致力于在实际应用中提高检索速度的同时并保证现有的准确率或者提高准确率[6]。目前为止，图像检索从基于关键字等信息的文本信息的图像检索发展到了基于颜色分布等内容信息的图像检索两个阶段[7]。

...............

1.2 研究现状

 现如今图像检索研究主要有三个方向，立足于文本、立足于图像内容、结合文本和内容[20]。 而且已有很多成熟的图像检索方法，例如关键词查找、浏览查找、特征输入查找、草图查找及示例查询等[21]。基于以上方法，已有很多图像检索系统面世，经典的图像检索系统有 Virage 公司的 VIR(Visual Information Retrieval)图像搜索引擎，哥伦比亚大学的 VisualSEEk 和 Webseek，麻省理工学院（MIT）多媒体实验室开发的 Photobook 等等[22]。 

...............

第 2 章 尺度不变特征变换算法

2.1 尺度空间极值检测

在提取 SIFT 描述子时，首先在图像所有的尺度空间上对描述子进行定位，定位找到的是在图像所有的点中，区分性较好的点，这样的点一般可以取到某些情况下的极大值或极小值。这一步骤可以用高斯差分金字塔来进行实现。高斯差分金字塔可以识别出潜在的对于方向和尺度不变的兴趣点，从而找到特征点，并可以得到良好的效果。利用逐级滤波器，即高斯金字塔，可以有效地检测样本点，使这些点可以在后续的算法中可以有效得被检测到。检测特征点的第一步就是检测并确定特征点所在尺度空间的具体位置。这种位置信息得以让同一物体在不同的角度下得到可重复的特征。检测到的位置对于图像尺度变化是不变的。目前的研究已经证明只有高斯函数所构建的核是可用于模拟尺度空间的。计算公式如公式(1)。一幅图像的尺度空间可以定义为一个函数L，这个空间是由不同尺度的高斯核G与输入图像I进行卷积计算得到的。其中， 代表尺度的参数，它的不同的取值可以得到不同的尺度下的图像。通过多次的卷积计算，从而得到了具有不同尺度的高斯金字塔。

...............

2.2 关键点的主方向提取

Schmid 和 Mohr 提出，每个关键点的一个或多个方向的分配是基于其梯度方向的。之后所有的运算都是基于其所分配到的尺度，梯度和空间位置的，而主方向是由该点的梯度值和梯度幅值决定的。如图 2.3 所示，在一幅图像内，对于每个关键点，取其周围的 16*16 共 256 个像素的梯度值，并求其正切。再用这些正切值乘以其梯度幅值，随后映射到单位直方图中，每个单位直方图代表 10°的范围，，因此共计 36 个。选取单位直方图中的累积的最大值作为该关键点的主方向，同时可以将单位直方图的累计值大于最大值的五分之四的方向作为另一个关键点。

...............

第 3 章 主要成分分析算法................12

3.1 方差计算 ...............12

3.2 协方差计算 ................13

第 4 章 PCA-SIFT 算法的改进设计..................15

4.1 总体流程设计................15

4.2 分层流程设计 .................16

第 5 章 实验介绍与测试结果 ...............25

5.1 实验平台及环境介绍................25

5.2 实验数据介绍...............27

第 5 章 实验介绍与测试结果

5.1 实验平台及环境介绍 

本文提出的改进算法利用 MATLAB 进行了实现。在 Matkab2014a 的编译器上，本文作者按照前文的设计步骤，对改进的PCA-SITF 进行了实现，并对针对不同的维度进行了测试，记录了相应的匹配点个数，通过折线图进行了比对。综合匹配时间来进行筛选，得到了较为满意的结果。选用 Matlab 进行算法的实现，是因为 Matlab 其本身提供了丰富的图像处理方面的函数，不需要进行手动的配置，图像方面的主要函数如表 5.1 所示，表中给出了 Matlab 提供的部分图像处理所应用的函数，利用这些相关函数，可以对图像检索，图像拼接，图像边缘检测等各个子领域的图像检索问题进行解决。

...............

5.2 实验数据介绍 

本实验采用的图像库是在图像特征描述子方面最为常用的数据库。该数据库提供了 4 组图像，对于每组图像，都提供了一幅原始图像和另外 4 幅加入了不同程度的不同干扰因素的图像，用以利用新的算法对图像进行多个方面不同程度的测试。本算法选取添加了干扰的图像与原图像进行匹配，并进行了相应的总结。在本节中对于具体的图像库进行了举例说明如图 5.1 所示。在图 5.1 中左侧为原始图像，右侧为进行了一定角度变换的图像，类似的图像在该组中还有 3 幅。在图 5.2，图 5.3 和图 5.4 中，相应的图的左侧都是原始的图像，右侧分别进行了压缩变换，光强变换和模糊变换。

...............

结论

本文在第一章绪论中主要介绍了相关研究背景，还介绍了有关图像检索的研究现状，包括立足于文本、立足于图像内容、结合文本和内容的的三个方向。对颜色特征、形状特征和纹理特征进行的相关的介绍。并给出了现有的图像检索的例子。着重提出了现在研究和应用中常用的尺度不变特征变换算法（SIFT）和主要成分分析算法（PCA），这两点也是本文实验方法中的立足点，在本章的第三小节主要说明了全文的总体结构安排和创新点。在第二章对 SIFT 描述子进行了详细的介绍，包括算法的基本原理和对图像提取特征点的过程都进行了详细的分步细化解释。揭示了 SIFT 描述子作为局部图像特征有极好的鲁棒性原因，从原理上解释了其对于旋转、尺度变换和光照变化情况下的不变性。充分验证了作为应用最为广泛的特征描述子所特有的稳定性，在多种噪音的影响下依然能够保证其有效性。SIFT 算法特别适合应用在海量数据中进行高速匹配，而且可以保证极高的准确率。而且 SIFT 算法可以和很多其他形式的特征进行联合操作，更好的适用于图像检索中。

参考文献（略）

本文编号：582821