英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

---

多层多级颜色分布–带有小波分析的用户反馈模型

用于彩色图像检索

A 坎大萨米, M Sundaram博士

钦奈安娜大学研究学者，金奈-600025，印度泰米尔纳德邦

Virudhunagar区V.P.M.M.女子工程学院电子与通信工程系教授

泰米尔纳德邦-626190，印度

文章历史：

2017年3月7日收到

2017年6月15日修订

2017年6月23日

摘 要

为了避免检索过程中的错误分类，本文提出了一种有效的多层多级颜色分布（MLMLCD）方法来提高图像检索质量。在这里，MLMLCD矢量生成阶段将小波变换应用于图像层，从而生成颜色分布矢量。在MLMLCD图像检索阶段，在所提出的技术与较大数据库中的值之间进行MLMLCD 颜色分布矢量值的相似性测量。最终，通过用户反馈和查询模型可以得到精确的检索结果，该模型可以多次运行。在两个数据集即McGill和CalTech数据库之间测试了所提出技术的性能。在此，根据检索效率，分类率和时间复杂度来测试性能。与传统技术相比，可以实现较高的检索效率（98.5％）和较少的错误分类率（3.4％），并且值得关注。

关键字：图像 检索大型数据 库颜色直方图 颜色分布小波分析MLMLCD

1. 介绍

大型图形数据库包含几种类别的图像。每个图像与其他几个图像具有巨大的相似性。数据库中存在的图像可以分为几类。随着后端大小的增加，相似图像中存在的特征几乎没有偏差。例如，数据库中存在的狗图像包含狗特征，但是狗的大小和颜色会有所不同。人类绝大部分的信息来源于视觉，客观事物通过视觉或成像设备形成图像，呈现的信息往往比文字和语言更为客观、真实。但图像的数据量比较大，因此实际应用中存在着海量数据与有限存储空间和网络带宽的矛盾，对图像数据进行有效压缩成了缓解这个矛盾的关键所在。当然是信息的大小：就像通常集成了另一种测量方法一样，多少信息显着增加而又不产生开发周期的不同方法所需的任何压缩。此外，涉及空间和频谱关系时，与经典规则相关联的3D压缩已过时。最后，研究人员采用多层多级颜色信息的一些重大预期需要确保压缩不会破坏数据质量的水平。在少数地方，狗毛的颜色也几乎没有偏差。特征中的此类微偏差会更改查询结果。现在，要从大型数据库中识别出相似的彩色图像已经成为研究人员面临的挑战。从大型数据库中检索相关图像已通过许多功能来处理，例如颜色，形状和纹理。但是，在所有情况下，图像的颜色值都起着至关重要的作用。

图1.基于MLMLCD的图像检索体系结构。

基于内容的图像检索是一种有效的方法，可根据其显着特征自动检索图像.使用上述特征已经以许多方式执行了图像检索，并且对于分类，已经使用了许多算法。流行的K均值算法使用颜色值和边缘相似度来计算图像相似度。同样，在早期，已经使用了许多算法。图像检索的效率高度取决于所考虑的功能。

颜色分布是根据受任何特定颜色影响的像素数计算得出的度量。图像像素可能有多种颜色，每种颜色都包含唯一的颜色值。也许有是具有相同值的N个像素。通过为所考虑的值计算受影响的像素数，可以计算颜色值的特征分布。每个相似的图像都比其他图像具有合理的闭合特征分布。颜色基本上是从红色绿色和蓝色（RGB）联盟中分类的。RGB的混合物可提供多种级别的颜色组合。每个组合都有唯一的颜色代码。即使颜色值不同，它们也仅影响红色层而不影响蓝色层。

在本文中，颜色直方图用于分类过程，并根据像素的颜色值生成特征向量。图像将具有任何对象，并且对象的颜色也会根据类型而变化。通过为每个不同的颜色值计算图像中存在的颜色值的数量来计算颜色直方图。然后计算分布概率以用新值恢复像素.该方法集中在与顶层相似的底层图像层上，并且颜色分布的计算解决了与图像检索过程相关的问题。对于任何图像检索算法，效率随时间的复杂度非常重要，因此应用小波变换来提高效率。小波变换减少了信号失真，并且通过改变小波参数将图像变换为不同的电平.颜色分布矢量在每个小波变换输出上生成，并为每个级别生成三个不同的分布矢量。多层多级颜色分布（MLMLCD）向量用于计算图像之间的相似度。在两个数据库上评估了所提出的多层多级颜色分布（MLMLCD）方法，以计算其检索效率，错误分类率和时间复杂度。

在预处理阶段，该方法从所选数据库中为单个图像生成三级图像，然后所提出的方法产生三种不同的颜色分布矢量。整个阶段分为多个阶段，即预处理，MLMLCD矢量生成，MLMLCD图像检索。通过应用小波变换（阶段1）并使用颜色分布矢量（阶段2）来生成不同的图像。因此，这些方法计算颜色分布相似度值以执行图像检索.使用彩色图像检索的MLMLCD的体系结构显示在图1.

本文的提纲如下：第二部分提供有关基于内容的图像检索中使用的常规技术的见解。第三部分给出了基于小波分析的基于内容的图像检索。第四部分用常规技术评估拟议的工作。最后，第五部分最后对本文进行了总结。

2.相关作品

前面已经讨论了许多图像检索方法，本节简要介绍了与该问题有关的方法。

使用颜色边缘检测和离散小波变换的基于内容的图像检索，生成结合了颜色和边缘特征的特征向量。在这里，小波变换用于减少特征向量的大小，并同时使用曼哈顿距离保留内容测量，具有相似性指标测量的系统有助于提高图像检索质量。还针对查询图像更改（例如几何变形和噪声添加等）测试了系统的鲁棒性。基于假设的彩色图像检索的统计测试使用带纹理的或结构化的信息（形状特征）检查输入的查询图像在结构化图像中，形状被分为多个区域。纹理图像不包含任何形状，出于实验目的，它被视为单个对象。所提出方法中的数据库使用了两个图像.

基于颜色直方图和颜色矩的图像检索特征向量被组合。使用色矩和Gabor纹理特征的基于内容的图像检索在HSV色彩空间中使用色彩特征，色相的色彩矩，饱和度和值（HSV）分量图像.由于它使用纹理特征，因此采用了Gabor纹理描述符。在这里，权重分配给每个特征，并且根据归一化的欧几里得距离，使用颜色和纹理的组合特征来计算相似度减少时间复杂度。

基于分割和色彩矩的图像检索新方法，提出了一种基于颜色矩原语的彩色图像检索方法，该方法为：

(1)

(2)

(3)

在这里，图像被分为四个部分，并且提取所有部分的色矩并将其聚类为不同的类别。本地结构描述符（LSD），基于边缘方向和LSD的相似性（有效地将颜色，纹理和形状作为一个整体有效地组合以进行图像检索），用于彩色图像检索。

基于地理位置的图像检索方法可识别地理位置或带有地理标签的照片 Flickr数据库中具有视觉注意力和颜色布局描述符的图像的显示。该方法通过融合无监督主成分分析（PCA）进一步细化图像。此处，地理标记可用于图像的高低级特征高级特征和低级特征之间始终存在差异，使用神经网络来减小这种差异。为了减少这种差异，基于内容的图像检索利用神经网络来解释图像内容并匹配来自复杂数据库的查询图像.使用多个区域的某些图像检索系统用于识别输入图像内的分水岭感兴趣区域（ROI）。这有助于从肯定的分类结果中使用贝叶斯学习来发现语义和视觉元素之间的关系。相似图像细化检索使用PCA和频谱聚类的开发和融合。

3.使用改进的小波分析的基于内容的图像检索

3.1. 预处理

读取输入图像，并计算每个图像的颜色直方图。最初，该方法在每一层识别唯一颜色值的列表。该方法将图像分为三层，即 RGB，并找到其值。对于每一层，

(4)

该方法都会生成颜色直方图，并找到分布概率（PDF）值。最后，该方法使用PDF值恢复该值，直方图均衡化有助于改善图像质量，其表示为：

其中，floor（）向下舍入为最接近的整数，L表示可能的像素强度，而pn

表示f的标准化直方图。归一化直方图定义为强度为n的像素数与总像素之比。算法（算法1）和流程图（图2）表示彩色图像的直方图均衡化，显示为：

预处理算法和流程图计算每个图像层上分布值的概率。在这里，每一层都使用直方图均衡以提高图像层的质量。

3.2.多层多级颜色分布矢量生成

在此阶段，该方法读取输入图像层，并对其应用小波变换。小波变换

公式为：

(5)

其中，a是缩放参数，b是平移参数，m是分解级别指数，g是母小波，s（n）是原始信号。

在每个级别应用小波变换之后，所提出的方法生成图像并将每个图像分为三层。然后在每个图层上计算颜色直方图，并使用不同的值来生成每个图层的颜色分布矢量并执行图像检索过程。使用所考虑的颜色值的总出现次数以及受相同和总像素数影响的像素数来计算颜色分布过程。向量生成过程如算法所示（算法2）和流程图（图3).

颜色分布矢量算法和流程图为数据库的每个输入图像计算颜色分布矢量。生成的分布向量用于执行图像分类和检索。

3.3.MLMLCD相似度测量

为了测量相似度值，该方法用于计算多层多级颜色分布。考虑图像的每一层颜色分布矢量，该方法计算与其他级别的相同分布矢量的颜色分布相似度。迭代到每一层，然后该方法计算颜色分布相似度。基于颜色分布矢量的值之间的距离来计算相似度值。最后，计算出累积的MLMLCD度量，如算法3。

算法1 预处理直方图均衡化

输入：图像IM

输出：增强图像EI

开始

读取输入图像IM

将图像拆分为多个级别

Im = int;3i=1 Split(Im, i)

对于lm中的每个级别l

确定唯一值uv

uv = Distinct(l) isin; L

对于来自uv的每个值v

计算分布概率Pdf

使用标识的像素还原值

结束

结束

停止

算法2 计算颜色分布矢量

输入：图像IM

输出：颜色分布矢量 Cdv

开始

读取输入图像IM

用三个层次初始化小波变换

生成变换图像Tm

Tm = int;3i=1 WaveletTrans f orm(Im, i)

对于来自Tm的每个图像

生成多层图像传销Mlm

Mlm = int;3i=1 Split(I, i)

对于Mlm中的每层1

计算机颜色直方图Ch

Ch =Distinctvalue(l) exist;ch

对于来自Ch的每个值v

计算分配值Dv = T n(c)d/lsize(Ch) times; size(l)

结束

生成分布向量Dvset（I，1）=Dv

结束

结束

停止

图2.预处理直方图均衡化

3.4.基于用户反馈模型的图像检索

通过计算每个图像矢量处的多层多级颜色分布值来执行图像检索。在训练阶段，该方法计算多层多级颜色分布矢量，并且该矢量计算相似性度量对于每个图像分布矢量，该方法计算相似度值并识别最相关的图像。该方法从用户接收反馈，并基于其值，该方法迭代查询以产生更精确的结果。

图3.计算颜色分布矢量

4.结果和讨论

所提出的MLMLCD方法已使用Matlab编程工具实现，并且为了进行评估，该方法已使用各种数据库，例如具有1500张图像的McGill数据库和具有186张图像的CalTech数据库。检索效率来自图5 证明了所提出的MLMLCD方法比SURF-DCD（89％），局部敏感方法（87％）和局部不变特征方法（83％）的时间复杂度更低（98.5％）。因此，由于其最简单的计算过程，该方法的检索效率被证明优于其他方法

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[239449]，资料为PDF文档或Word文档，PDF文档可免费转换为Word