【正文】 ...........................................................................................1 研究現(xiàn)狀 ....................................................................................................3 應(yīng)用領(lǐng)域 ....................................................................................................4 主要工作內(nèi)容 ............................................................................................5 第 2 章 CBIR 系統(tǒng)關(guān)鍵技術(shù)環(huán)節(jié) .......................................................................6 特征提取技術(shù) ............................................................................................6 圖像特征基礎(chǔ) .....................................................................................6 點(diǎn)特征提取算子 .................................................................................7 各算法性能比較 ............................................................................... 11 匹配與相似性度量 ..................................................................................13 CBIR 系統(tǒng)性能評(píng)價(jià) ................................................................................14 本章小結(jié) ..................................................................................................14 第 3 章 SIFT 算法原理及性能驗(yàn)證 ..................................................................15 SIFT 算法原理 ..........................................................................................15 DoG 尺度空間的構(gòu)造 .......................................................................15 關(guān)鍵點(diǎn)搜索與定位 ...........................................................................19 特征點(diǎn)方向賦值 ...............................................................................21 關(guān)鍵點(diǎn)描述 .......................................................................................22 SIFT 算法性能實(shí)驗(yàn) ..................................................................................24 SIFT 算法在 CBIR 系統(tǒng)中的應(yīng)用 ..........................................................28 本章小結(jié) ..................................................................................................30 第 4 章 基于 SIFT 算法的 CBIR 系統(tǒng) .............................................................31 系統(tǒng)概述 ..................................................................................................31 系統(tǒng) GUI ..................................................................................................32 性能實(shí)驗(yàn) ..................................................................................................33 本章小結(jié) ..................................................................................................34 結(jié)論 .....................................................................................................................35 參考文獻(xiàn) .............................................................................................................36 致謝 .....................................................................................................................38 附錄 .....................................................................................................................39 哈爾濱理工大學(xué)學(xué)士學(xué)位論文 1 第 1章 緒 論 研究背景 人類進(jìn)入現(xiàn)代社會(huì)以來，多媒體技術(shù)、計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)和通信技術(shù)迅速發(fā)展，使得信息總量不斷飆升。 圖像檢索技術(shù)共經(jīng)歷了基于文本的圖像檢索技術(shù)（ TBIR, Text Based Image Retrieval）、基于內(nèi)容的圖像檢索技術(shù)（ CBIR， Content Based Image Retrieval，為敘述方便，以下皆簡(jiǎn)稱 CBIR）兩個(gè)發(fā)展階段。隨著圖像庫規(guī)模的增加， TBIR 技術(shù)的弊端日益顯露。另外，對(duì)圖像的文本標(biāo)注是通過人工操作完成的，當(dāng)需要處理大量的圖像信息時(shí)，這無疑是一項(xiàng)浩大的工程，處理速度也會(huì)很慢。 它不同于 TBIR 技術(shù)，不需要人工參與圖像特征的描述，而是按照一定的方法有計(jì)算機(jī)自動(dòng)完成，然后建立索引，因此相對(duì)于 TBIR 技術(shù)，它擁有許多優(yōu)點(diǎn)： 計(jì)算機(jī)進(jìn)行特征的分析與提取取，無需人工參與，避免了由于主觀意識(shí)不同而引起的誤差，又節(jié)省了大量的人力物力財(cái)力，同時(shí)大大提高了建立索引的時(shí)間，圖像庫的管理也更加方便高效。 綜上， CBIR 突破 TBIR 系統(tǒng)的許多局限，使圖像 檢索的效率和查準(zhǔn)率都有了質(zhì)的飛躍，因此很快在各個(gè)領(lǐng)域推廣開來。因此，要想利用高層語義特征進(jìn)行圖像檢索，勢(shì)必需要人工智能、機(jī)器學(xué)習(xí)等相關(guān)理論的發(fā)展，這還有待更加深入的研究和探索。良好的匹配與相似性度量標(biāo)準(zhǔn)映與人眼的相似性判斷保持良好的一致性。 查詢模式是指用戶用何種方式向系統(tǒng)提交何種類型的查詢信息 ，主要有以下幾種模式 ： 由用戶提供一個(gè)查詢圖像 (query image)進(jìn)行檢索的 按例查詢 (QBE, Query By Example)、 以用戶繪制簡(jiǎn)單的圖形為標(biāo)準(zhǔn)進(jìn)行查詢 的 按草圖查詢 (query by sketch)、 由用戶指定對(duì)檢 索條件的描述 ，然后據(jù)此查詢的 按描述查詢例。 圖 21 給出了一個(gè)典型的 CBIR 系統(tǒng)整體框圖： 用 戶用 戶 界 面輸 入 圖 像圖 像 預(yù) 處 理特 征 提 取檢 索 結(jié) 果匹 配 情 況特 征 匹 配圖 片 轉(zhuǎn) 存樣 圖圖 像 預(yù) 處 理特 征 提 取特 征 索 引 圖 像 集 圖 11 CBIR 系統(tǒng)整體框圖 研究現(xiàn)狀 如上所述， CBIR 技術(shù)是利用圖像特征進(jìn)行圖像庫索引的生成與檢索的，對(duì)圖像特征的研究是開發(fā) CBIR 系統(tǒng)的基礎(chǔ)。 早在 1977 年 Moravec就提出了點(diǎn)特征這個(gè)概念 ， 他 將圖像 特征點(diǎn) 稱 為“興趣點(diǎn)” ， 通過灰度自相關(guān)函數(shù)來衡量某像 元與 其鄰域 像元的關(guān)系。 1999 年 Lowe 提出 的 高效 SIFT 局部特征檢測(cè)算法 可以說是圖像特征研究領(lǐng)域里程碑式的成果 。其基本原理及具體實(shí)現(xiàn)方法將在第三章詳細(xì)介紹。隨著研究的不斷深入， CBIR 技術(shù)也逐漸滲透到越來越多的領(lǐng)域，它所帶來的效益也刺激人們不斷將其理論研究推向更高的層次。另外也可以迅速查找典型病例進(jìn)行教學(xué)，對(duì)醫(yī)學(xué)研究也會(huì)產(chǎn)生深遠(yuǎn)影響。 可將已注冊(cè)的所有商標(biāo)提取特征后建立索引，注冊(cè)新商標(biāo)時(shí)，都要對(duì)原有商標(biāo)進(jìn)行檢索，防止重復(fù)或雷同，避免糾紛事件的發(fā)生。 主要工作內(nèi)容 CBIR 系統(tǒng)的組成和各個(gè)模塊的原理和細(xì)節(jié)，涉及的關(guān)鍵技術(shù)，對(duì)比分析了現(xiàn)有的幾個(gè)著名的 CBIR 系統(tǒng)的基本原理和特點(diǎn)。 哈爾濱理工大學(xué)學(xué)士學(xué)位論文 6 第 2章 CBIR 系統(tǒng)關(guān)鍵技術(shù)環(huán)節(jié) 特征提取技術(shù) 在 CBIR 系統(tǒng)中，圖像庫中的每張圖像的特征信息被預(yù)先提取出來并存入 特征數(shù)據(jù)庫，檢索時(shí)通過匹配待查圖像和庫中圖像的特征信息來判斷二者的相似程度。 點(diǎn)特征是最重要的圖像特征，目前 大部分 局部特征 提取 算法都是基于點(diǎn)特征提出的。 綜上所述，角點(diǎn)出現(xiàn)在 圖像灰度梯度變化最為激烈處、兩條或兩條以上邊緣線 段以一定的角度交叉處和 邊界方向發(fā)生劇烈變化處 ，這些點(diǎn)也是引起視覺刺激最劇烈的點(diǎn)。顏色特征與圖像中的物體或背景息息相關(guān)，因此對(duì)圖像具有較強(qiáng)的描述性，另外顏色特征的提取方法相對(duì)簡(jiǎn)單，描述準(zhǔn)確。常用的紋理分析方法有 Tamura 哈爾濱理工大學(xué)學(xué)士學(xué)位論文 7 紋理特征、小波變換和自回歸紋理模型等。后者的描述子主要為各種矩不變量，如 Hu 不變矩、 Legenda 矩、 Zernike 矩等。劃分圖像并描述其空間位置關(guān)系的方法有兩種：一是通過圖像分割劃分出圖像的各個(gè)區(qū)域或?qū)ο螅枋鏊鼈兊目臻g關(guān)系存入索引；二是將圖像劃分為幾個(gè)子圖像，然后分別提取子圖像的特征建立索引。 點(diǎn)特征提取算子 點(diǎn)特征在相同條件下與其他圖像特征相比，能夠概括更多的圖像信息，而且具有更少的計(jì)算量，現(xiàn)階段局部特征算法的研究也主要以點(diǎn)特征的提取與匹配為研究方向。 算 子 SUSAN 是最小吸收核同值區(qū)的縮寫， 是由由 英國(guó)牛津大學(xué)學(xué)者 . Smith 和 提出的 。 首先 ， 將模板放置在圖像某一像元上，然后比較模板內(nèi)部每個(gè)圖像像元的灰度值都與模板中心像素的灰度值。 圖 21 SUSAN 模板離散圖與核 當(dāng)圓形模板完全處在 圖像中某一對(duì)象內(nèi)部時(shí)，模板內(nèi) USAN 區(qū)域面積最大 (如圖 22 中的 a 和 b)；當(dāng) 在 模板移 到 圖像邊緣 的過程中 ， USAN 區(qū)域逐漸變??；當(dāng)模板中 心移動(dòng)到圖像 邊緣時(shí)， USAN 區(qū)域很小 (如圖 22 中的c)；當(dāng)模板中心 移動(dòng)到 角點(diǎn)時(shí)， USAN 區(qū)域最小 (如圖 22 中的 d)。 SUSAN 算子的突出有點(diǎn)是 對(duì)局部的噪聲不敏感，抗干擾性強(qiáng)。 Harris 角點(diǎn)檢測(cè)算法的原理可以描述為以下幾個(gè)過程： 首先將 待處理圖像中的矩形窗口 W 向任意的方向移動(dòng)微小 的 位移 ( x , y )，那么灰度的改變量 由式 21 計(jì)算得到 。 于是角點(diǎn)定義為下式的局部最大值。 Harris 算子的局限性有： (1)它對(duì)尺度很敏感，不具有尺度不變性 ； (2)提取的角點(diǎn)是像素級(jí)的。 各算法性能比較 為比較各上文提出的三種點(diǎn)特征檢測(cè)算法的性能，本文設(shè)計(jì)了實(shí)驗(yàn)對(duì)上述算法進(jìn)行驗(yàn)證。 在實(shí)驗(yàn)中， Harris 算子在圖像 (a)中提取出 165 個(gè)角點(diǎn)，同時(shí)在待配準(zhǔn)圖像 (b)中提取出 129 個(gè)角點(diǎn) ； SUSAN 算子在圖像 (a)中提取出 799 個(gè)角點(diǎn)，同時(shí)在待圖像 (b)中提取出 640 個(gè)角點(diǎn)； SIFT 算法在圖像 (a)中檢測(cè)