【正文】 部圖像分為四類：A、檢索到的且與 I 相似的圖像； B、檢索到的但與 I 無關(guān)的圖像； C、未檢索到但與 I 相似的圖像； D、未檢索到且與 I 無關(guān)的圖像。也就是說當(dāng)距離比率大于某一閾值時，認為特征點成功匹配，相反，則認為與特征點不匹配。并按并按距離比率(distanceratio)準(zhǔn)則進行特征匹配，即對于某一特征點，設(shè) 其描述向量 另一圖像中 與該特征點 最 相似的特征點描述向量的 歐幾里得距離為 1d ， 與 次 相似點描述向量 歐幾里得距離為 2d ， 計算 1d 與 2d 的比率 ratio = 1d / 2d ?；谙嗨凭嚯x的度量方法具有計算簡單，比較有效等優(yōu)點，但和人體視覺實際的相似度感知還存在差距。一般認為，好的相似性度量方法應(yīng)與人體的視覺系統(tǒng)保持良好的一致性，即視覺上認為相似的圖像它們的度量相似性就應(yīng)該大，反之則小。 考慮到 SIFT 算法的以上優(yōu)點，選用 SIFT 算法作為本課題中實現(xiàn)的CBIR 系統(tǒng)的特征提取方案。 Harris 算子在圖像灰度值變化較大的部分能較好得檢測出圖像的特征點，但在灰度值變化較為緩和的部位則出現(xiàn)漏檢現(xiàn)象，因而檢測出的特征點總數(shù)較少，但 (a)(b)兩幅圖像檢測出的特征點總數(shù)相差不大，因而對旋轉(zhuǎn)和平移具有較好的穩(wěn)定性； SUSAN 算法對圖像中每一個區(qū) 域中的特征點都有良好的敏感度，但卻出現(xiàn)了冗余的邊緣與角點，而且兩幅圖像檢測出的特征點數(shù)量相差較大，體現(xiàn)出它對旋轉(zhuǎn)的不穩(wěn)定性；而 SIFT 算法出了檢測出合適數(shù)量的邊緣與角點外，還檢測出圖像中線段交叉點和曲線曲率較大的點，能更全面的反映圖像特征，而且對旋轉(zhuǎn)具有出色的穩(wěn)定性。 (a) (b) 圖 23 測試圖像 (a) (b) 圖 24 Harris 算子特征檢測效果 哈爾濱理工大學(xué)學(xué)士學(xué)位論文 12 (a) (b) 圖 25 SUSAN 算子特征檢測效果 (a) (b) 圖 26 SIFT 算法特征檢測效果 在實驗中， Harris 算子在圖像 (a)中提取出 165 個角點，同時在待配準(zhǔn)圖像 (b)中提取出 129 個角點； SUSAN 算子在圖像 (a)中提取出 799 個角點，同時在待圖像 (b)中提取出 640 個角點； SIFT 算法在圖像 (a)中檢測出722 個特征點，在 圖像 (b)中檢測出 736 個特征點。 在實驗中， Harris 算子在圖像 (a)中提取出 165 個角點，同時在待配準(zhǔn)圖像 (b)中提取出 129 個角點 ； SUSAN 算子在圖像 (a)中提取出 799 個角點，同時在待圖像 (b)中提取出 640 個角點； SIFT 算法在圖像 (a)中檢測出722 個特征點，在圖像 (b)中檢測出 736 個特征點。 實驗分別使用 Harris 算子、 SUSAN 算子和 SIFT 算子對這兩幅圖片進行特征提取，比較取得的特征點數(shù)量。 各算法性能比較 為比較各上文提出的三種點特征檢測算法的性能，本文設(shè)計了實驗對上述算法進行驗證。 本設(shè)計采用 SIFT 算子作為圖像的特征描述子，分別為兩幅圖像提取 SIFT 特征后，便可使用獲得的特征向量對其進行相似性匹配和聚類。 Harris 算子的局限性有： (1)它對尺度很敏感，不具有尺度不變性 ； (2)提取的角點是像素級的。由于： 212()D e t M A B C??? ? ? (27) 12()T r M A B??? ? ? ? (28) 所以 Harris 角點響應(yīng)函數(shù) CRF 定義為： 22( ) ( )CRF A B C k A B? ? ? ? (29) Harris 算子是一種有效的角點提取算子，其優(yōu)點總結(jié)起來有： (1)計算簡單： Harris 算子中只用到灰度的一階差分以及濾波，操作簡單，整個過程的自動化程度高； (2)提取的點特征均勻而且合理： Harris 算子對圖像中的每個點都計算其特征值，然后在鄰域中選取最優(yōu)點； (3)可以定量的提取特征點： Harris 算子最后一步是對所有的局部極值進行排序，所以可以根據(jù)需要提取一定數(shù)量的最優(yōu)點； (4)Harris 算子在計算時用到了圖 像數(shù)據(jù)的一階導(dǎo)數(shù)，具有各向同性。 于是角點定義為下式的局部最大值。 然后 通過 由 像素點對應(yīng)的矩陣 M 的特征值來確定角點的位置：如果12??、 都 很小， 那么 它的局部自相關(guān)函數(shù)很平坦，說明被檢測區(qū) 域的灰度值變化不大，該區(qū)域為 平坦區(qū)域；如果 12??、 一個大，一個小時， 那么該像素點 的局部自相關(guān)函數(shù)呈現(xiàn)山脊?fàn)?，說明 該像素點 處于 圖像 邊沿；如果12??、 都很大， 那么圖像 的局部自相關(guān)函數(shù)呈現(xiàn)山峰狀，說明 該像素點 是一個角點。 Harris 角點檢測算法的原理可以描述為以下幾個過程： 首先將 待處理圖像中的矩形窗口 W 向任意的方向移動微小 的 位移 ( x , y )，那么灰度的改變量 由式 21 計算得到 。 算子 Harris 算子 是 1988 年由 和 提出的一種點特征提取算子。 SUSAN 算子的突出有點是 對局部的噪聲不敏感，抗干擾性強。由此可以得出 SUSAN 算子 提取邊緣和角點的基本 方法 ： 計算圖像中每一像素點的USAN 值， USAN 較小的像素點可以確定為 邊緣、角點， 并能 根據(jù) USAN值 的大小 或 矩形特征來 確定 邊緣、角點等特征的位置 和 方向信息。 圖 21 SUSAN 模板離散圖與核 當(dāng)圓形模板完全處在 圖像中某一對象內(nèi)部時，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 心移動到圖像 邊緣時， USAN 區(qū)域很小 (如圖 22 中的c)；當(dāng)模板中心 移動到 角點時， USAN 區(qū)域最小 (如圖 22 中的 d)。將模板內(nèi)所有像素點比較一次后，移動模板到下一像素點重復(fù)以上過程。 首先 ， 將模板放置在圖像某一像元上，然后比較模板內(nèi)部每個圖像像元的灰度值都與模板中心像素的灰度值。 SUSAN 算子 將 使用窗口模板對圖像進行處理 ，從而 得 出 圖像 各向同性的響應(yīng)。 算 子 SUSAN 是最小吸收核同值區(qū)的縮寫， 是由由 英國牛津大學(xué)學(xué)者 . Smith 和 提出的 。 在 一幅圖像中，特征點要遠遠少于像元，但卻攜帶大量的圖像信息，在圖像匹配、目標(biāo)識別等方面也有廣泛的應(yīng)用，成為眾多學(xué)者的研究重點，也提出了許多優(yōu)秀的特征提取算法。 點特征提取算子 點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，而且具有更少的計算量，現(xiàn)階段局部特征算法的研究也主要以點特征的提取與匹配為研究方向。所以在一些 CBIR 系統(tǒng)中為了提高系統(tǒng)的實用性，更加全面準(zhǔn)確地描述圖像，提高檢索準(zhǔn)確率，便將多種特征綜合起來作為描述子，這便是綜合特征檢索技術(shù)。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區(qū)域或?qū)ο?，描述它們的空間關(guān)系存入索引；二是將圖像劃分為幾個子圖像，然后分別提取子圖像的特征建立索引。 上文所講述的顏色、紋理和形狀等描述的是圖像的整體特征，但圖像中各個區(qū)域或?qū)ο笾g的相對位置關(guān)系卻無法體現(xiàn)。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。前者的典型描述子有傅里葉描述子、小波形狀描述子和 Delaunay 三角剖分法等。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。 紋理特征至今沒有一個完整的定義。顏色特征與圖像中的物體或背景息息相關(guān)，因此對圖像具有較強的描述性，另外顏色特征的提取方法相對簡單，描述準(zhǔn)確。 顏色是圖像的重要特征之一，也是最早被應(yīng)用到 CBIR 技術(shù)中的一種特征。 綜上所述，角點出現(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 ，這些點也是引起視覺刺激最劇烈的點。角點常用的提取方法如下： (1)基于曲率提取法： 尋找 圖像的凸包邊界上 的最大 曲率 點或曲率 的零交叉點； (2)基于灰度 的 提取 方 法： 尋找 圖像灰度 值 變化劇烈 部位 的 像素 點， 方法為 求 圖像函數(shù)的 一階導(dǎo)數(shù)， 尋找 導(dǎo)數(shù)中的局部極值點， 這些極值點即 為在各個方向的鄰域中灰度變化 最 劇烈的角點； (3)基于邊緣提取法： 尋找 兩 條 或兩 條 以上線段邊緣的交叉點 ，或者 兩個指向不同方向半邊緣的交叉點，且兩個半邊緣間角度不 等于 180176。 點特征是最重要的圖像特征，目前 大部分 局部特征 提取 算法都是基于點特征提出的。下面我們將從圖像特征基礎(chǔ)開始逐步剖析特征提取技術(shù)的原理及實現(xiàn)算法。 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。 SIFT 算法的原理及細節(jié)，并編寫了 matlab 程序以驗證它的各項性能，對將 SIFT 算法應(yīng)用到圖像檢索領(lǐng)域的可能性進行了論證。 主要工作內(nèi)容 CBIR 系統(tǒng)的組成和各個模塊的原理和細節(jié)，涉及的關(guān)鍵技術(shù)，對比分析了現(xiàn)有的幾個著名的 CBIR 系統(tǒng)的基本原理和特點。 正是由于 CBIR 系統(tǒng)有著越來越廣泛的應(yīng)用領(lǐng)域，創(chuàng)造著越來越多的社會財富，引起越來越多的生產(chǎn)及運作方式的革新，進行 CBIR 技術(shù)的深入研究，也擁有了重要的經(jīng)濟及學(xué)術(shù)價值。 可將已注冊的所有商標(biāo)提取特征后建立索引，注冊新商標(biāo)時，都要對原有商標(biāo)進行檢索，防止重復(fù)或雷同，避免糾紛事件的發(fā)生。 不斷對實時獲取的圖像進行檢索，及時發(fā)現(xiàn)關(guān)鍵目標(biāo)，可哈爾濱理工大學(xué)學(xué)士學(xué)位論文 5 應(yīng)用于武器制導(dǎo)和目標(biāo)偵查。另外也可以迅速查找典型病例進行教學(xué)，對醫(yī)學(xué)研究也會產(chǎn)生深遠影響。 利用 CBIR 系統(tǒng)，可以迅速找到所需要的素材，提高設(shè)計效率。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?，F(xiàn)階段大部分 CBIR 系統(tǒng)都在應(yīng)用低層視覺特征進行圖像檢索，少數(shù)系統(tǒng)能夠應(yīng)用局部特征進行圖像中部分對象的識別與檢索，而高層語義特征的研究還在進行中，目前沒有成熟的應(yīng)用。其基本原理及具體實現(xiàn)方法將在第三章詳細介紹。然而高斯拉 普拉斯變換計算相當(dāng)繁瑣， Lowe 便采用高斯差分算子近似高斯拉普拉斯變換，首先 圖像轉(zhuǎn)化為灰度圖，然后 對圖像進行不同尺度的高斯平滑濾波處理，進而獲得圖像在高斯差分尺度空間中的表達 ， 最后將尺度空間中的極值點最為圖像的特征點 ，特征提取 速度提高的同時， 又具備 對各類縮放、光照強度、旋轉(zhuǎn)等 變化 的不變性 和穩(wěn)定性。 1999 年 Lowe 提出 的 高效 SIFT 局部特征檢測算法 可以說是圖像特征研究領(lǐng)域里程碑式的成果 。 M 矩陣的特征值是自相關(guān)函數(shù)的一階曲率，如果兩個曲率值都高，那么就認為該點是特征點。 早在 1977 年 Moravec就提出了點特征這個概念 ， 他 將圖像 特征點 稱 為“興趣點” ， 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。圖像特征從提取范圍角度可分為局部特征（點特征、線特征等）和全局特征 ；從獲取方式角度可分為自然特征（大小、方向、位置等）和人工特征（直方圖、距、邊緣等）；從特征屬性角度可分為高層語義特征（知識語義、人工交互語義、外部信息源語言等）和低層視覺特征（顏色、紋理、形狀等）。 圖 21 給出了一個典型的 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)是利用圖像特征進行圖像庫索引的生成與檢索的，對圖像特征的研究是開發(fā) CBIR 系統(tǒng)的基礎(chǔ)。采用這種方式可以提高檢索的準(zhǔn)確性，并從一定程度上彌補了用戶與計算機之間的語義鴻溝。 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 ： 由用戶提供一個查詢圖像 (query image)進行檢索的 按例查詢 (QBE, Query By Example)、 以用戶繪制簡單的圖形為標(biāo)準(zhǔn)進行查詢 的 按草圖查詢 (query by sketch)、 由用戶指定對檢 索條件的描述 ，然后據(jù)此查詢的 按描述查詢例。采用合理有效的數(shù)據(jù)結(jié)構(gòu)對這些特征信息進行存儲對節(jié)省存儲空間、提高檢索效率非常重要。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。 特征提取是 CBIR 技術(shù)的基礎(chǔ)