【正文】 CMenu* mmenu = GetMenu()。 }//打開關(guān)鍵圖void CImageRetrievalDlg::OnOpenImage() { CFileOpen fileOpenDlg(TRUE)。 pStaicReleaseDC(amp。 (amp。 //顯示位圖 pStaicGetDC()StretchBlt( , ,(),(), amp。lRect)。 CRect lRect。 (GetDC())。bm)。 //獲取圖片格式 BITMAP bm。 //裝載資源 hbitmap=(HBITMAP)::LoadImage (::AfxGetInstanceHandle(),pathfile, IMAGE_BITMAP,0,0,LR_LOADFROMFILE|LR_CREATEDIBSECTION)。 //將pStatic指向要顯示的地方 CStatic *pStaic。附錄主要函數(shù)：// picture中顯示圖片void CImageRetrievalDlg::ShowPic(CString pathfile,int idc){ CBitmap hbmp。 用戶指定一個(gè)檢索圖像, 系統(tǒng)從圖像庫中自動檢索與檢索圖像最相似的圖像,檢索結(jié)果按距離的降序排列。 選擇圖像庫顯示關(guān)鍵圖直方圖 }obj_set[4]。 struct obj_sets { int x。 double o_dis1。//部分方法略 protected://部分變量定義略 struct pairs { int x1。 //計(jì)算子塊的顏色對表 void SortColorPair()。 //計(jì)算顏色直方圖 void HistogramShow(int idc)。 strfile2)。 strfile1)。 CImageRetrievalDlg類class CImageRetrievalDlg { public: void ShowPic(CString pathfile,int idc)。 BOOL DrawPicture(HDC hdc,long x,long y,long cx,long cy)。 DWORD _GetWidth ( VOID )。 HDC _GetDC ( VOID )。 HBITMAP LoadPicture(char * FileName, HDC hdc)。 HGLOBAL hGlobal。 virtual ~CPicture()。主要類方法和數(shù)據(jù)結(jié)構(gòu)位圖類該系統(tǒng)的實(shí)現(xiàn)，沒有采用數(shù)據(jù)庫的形式，直接以文件夾的形式調(diào)用圖像庫。 系統(tǒng)結(jié)構(gòu)圖Visual C++經(jīng)歷了從 到 版本的發(fā)展，軟件系統(tǒng)逐漸龐大，功能日益完善。1998 年，C++由 ISO(InternationalStandards Organization)完成了標(biāo)準(zhǔn)化，C++標(biāo)準(zhǔn)提供了統(tǒng)一的 C++標(biāo)準(zhǔn)庫，為用戶提供了最為廣泛的編程基礎(chǔ)設(shè)施。開發(fā)工具的選取本文的系統(tǒng)實(shí)現(xiàn)選用的開發(fā)工具為 Microsoft 公司的 Visual C++ 。；。算法的描述顏色直方圖的實(shí)現(xiàn)算法描述；；，即指定用戶輸入的圖征對象所在子塊坐標(biāo)位置；（①）計(jì)算兩幅圖像的各對應(yīng)子塊的相似度；。 j = 1, 2, ?, n) 的顏色對表就是該子塊與周圍子塊歐氏距離的顏色對。距離度量圖像檢索的性能不僅依賴于所抽取的圖像特征, 而且也與所采用的距離度量或相似度量函數(shù)密切相關(guān). 所謂相似度量函數(shù), 就是根據(jù)某些預(yù)先設(shè)定的準(zhǔn)則來計(jì)算并返回兩個(gè)圖像之間的相似度. 為了確定合適的相似度量函數(shù), 我們對不同的距離度量進(jìn)行了實(shí)驗(yàn), 例如, L p 距離、余弦距離等. 我們在實(shí)驗(yàn)中發(fā)現(xiàn), 使用不同的L p 距離度量均能得到較滿意的檢索結(jié)果, 并且不同的L p 距離度量幾乎均給出相同的檢索結(jié)果. 因此, 我們就選取最簡單的歐氏距離作為距離度量[7].設(shè)x= (x1,x2,……,xk) , y= (y1,y2, ……,yk ) 為兩個(gè)圖像, 則它們之間的距離定義為:d2hist(x,y)=(x1 y1)2+(x2y2)2+ ……+(xn yn)2　　　（①）（②）設(shè)G和S 表示要進(jìn)行比較的兩幅圖像, N 表示圖片中出現(xiàn)的顏色級數(shù), gk 和sk 分別表示圖G和S中k級色出現(xiàn)的頻數(shù),則兩幅圖像的相似度可用如下公式表示:　?。á郏? Sim 值越接近1,兩幅圖像越相似。 我們知道分塊太大則失去分塊的意義,若分塊太小則會增加檢索過程的計(jì)算量[3]。事實(shí)上,顏色的不同空間分布極大地影響了人們對圖像的相似性判斷。兩幅顏色直方圖非常相似的圖像其內(nèi)容可能絲毫無相似之處。全局顏色直方圖雖然具有計(jì)算簡單,對平移和旋轉(zhuǎn)不敏感的優(yōu)點(diǎn),但無法捕捉顏色組成之間的空間關(guān)系,丟失了圖像的空間信息。因此,對于一幅場景復(fù)雜的圖像,可以從結(jié)構(gòu)分布的角度,用特征組合的方式描述。因?yàn)楣庹諒?qiáng)度不影響圖像的內(nèi)容表示,所以V分量可以忽略不計(jì)。用具有視覺一致性的HSV 顏色空間模型分析圖像顏色信息。為了避免圖像分割的困難,文中采用幾何劃分的方法對圖像進(jìn)行局部特征提取,并用特征組合描述整幅圖像。一般情況下,圖像的目標(biāo)形狀可以通過圖像分割獲得。特征提取與圖像子塊的劃分特征提取是圖像分析和識別的基礎(chǔ)。 對于基于顏色特征的圖像檢索，科學(xué)工作者們提出了多種方案。人們對于一幅圖像的印象，往往從圖像中顏色的空間分布開始。相對于幾何特征而言，顏色對圖像中子對象的大小和方向的變化都不敏感，具有相當(dāng)強(qiáng)的魯棒性。本文主要是針對顏色特征的提取進(jìn)行研究。低層次的圖像特征是形狀、紋理、顏色、輪廓等圖像某一方面的特征。這在很大程度上依賴于圖像處理技術(shù)的發(fā)展。 圖像特征的提取的方法 圖像特征提取的好壞，將直接影響著圖像檢索系統(tǒng)的性能，特征提取是基于內(nèi)容的圖像檢索的基礎(chǔ)。(3).結(jié)果輸出，將滿足一定相似性條件的一組候選結(jié)果按相似度大小排列后返回給用戶。(2).圖像匹配在選取了特征之后，需要選擇或?qū)ふ疫m當(dāng)?shù)呐袆e準(zhǔn)則，從而判斷出待識別的圖像的特征與數(shù)據(jù)庫中的哪些圖像的特征最接近。 基于內(nèi)容的圖像檢索是一個(gè)逐步求精的過程，大致可以經(jīng)過以下幾個(gè)步驟: (1).特征提取對圖像數(shù)據(jù)進(jìn)行自動或半自動的特征提取，提取用戶感興趣的、適合檢索要求的特征。目前這種較成熟的檢索技術(shù)主要應(yīng)用于圖像數(shù)據(jù)庫的檢索。將該圖像的特征向量和特征庫中的特征向量進(jìn)行匹配，根據(jù)匹配的結(jié)果到圖像庫中搜索就可以提取出所需要的檢索圖。小基于內(nèi)容的圖像檢索(CBIR)所謂基于內(nèi)容圖像的檢索是指由圖像分析軟件對輸入的圖像先進(jìn)行圖像分析，根據(jù)圖像中物體或區(qū)域的顏色(color)、形狀(shape)或紋理(texture)等特征以及這些特征的組合，自動抽取特征，在將輸入圖像存入圖像庫的同時(shí)將其相應(yīng)的特征向量也存入與圖像庫相連的特征庫。中 字號：大 瀏覽次數(shù)： 1819 發(fā)表時(shí)間：20060605 來源：基于改進(jìn)的顏色直方圖的圖像檢索算法作者： 在進(jìn)行檢索圖像時(shí)，對每一幅給定的查詢圖，進(jìn)行圖像分析，并提取圖像特征向量。這是一種基于圖像固有屬性的機(jī)械匹配，特別適用于檢索目標(biāo)明確的查詢要求(例如對商標(biāo)的檢索)，產(chǎn)生的結(jié)果也比較準(zhǔn)確。在基于Web的圖像搜索引擎中應(yīng)用這種檢索技術(shù)雖還具有一定的困難，但已有部分圖像搜索引擎進(jìn)行了嘗試，如、yahoo, WebSEEK就提供了基于圖像的形狀或顏色直方圖的粗陋的可視檢索功能。特征提取可以是全局性的，如整幅圖像，也可能是針對某個(gè)目標(biāo)，如圖像中的子區(qū)域等。常用的度量準(zhǔn)則是距離度量法。(4).特征調(diào)整，對系統(tǒng)返回的結(jié)果可通過瀏覽來挑選，直至找到滿意的結(jié)果，或從候選結(jié)果中選擇一個(gè)示例，經(jīng)過特征調(diào)整，形成一個(gè)新的查詢。特征的提取可以分為手工提取、半自動提取和自動提取。 從圖像中提取出來的圖像特征，主要分為三個(gè)層次:低層次、中層次和高層次。高層次的圖像特征是在圖像中層次特征基礎(chǔ)上的再一次抽象，它賦予圖像一定的語義信息，是圖像所包含內(nèi)容的一種抽象概括，也是基于內(nèi)容的圖像檢索所要達(dá)到的最終目標(biāo)?；陬伾卣鞯膱D像檢索 在圖像的形狀、顏色、紋理等特征中，顏色特征是最顯著、最可靠、最穩(wěn)定的視覺特征，是人識別圖像的主要感知特征。同時(shí)，在許多情況下，顏色又是描述一幅圖像最簡便而有效的特征。所有這些都促使顏色成為基于內(nèi)容的圖像檢索所采取的主要手段之一。譬如顏色直方圖、主色調(diào)、顏色矩(Color Moments)，顏色集(Color sets)、聚類、掃描線投影等檢索算法，顏色直方圖是目前較常使用的檢索方法。特征提取的方法是決定圖像檢索系統(tǒng)效率的關(guān)鍵。但是,圖像分割是圖像分析中公開的難題,尤其對于場景復(fù)雜的圖像,通過分割直接提取有意義的形狀特征幾乎是不可能的。本文將圖像劃分成大小相等的柵格狀區(qū)域,提取每塊的顏色直方圖作為特征矢量。為了減少計(jì)算復(fù)雜性,將HSV 空間的每一維分量都均勻量化為10 份。這樣計(jì)算顏色直方圖時(shí),通過劃分后,每一個(gè)塊的特征包含了顏色的局部分布信息,而所有塊的空間分布,又反映了圖像內(nèi)容的顏色模式結(jié)構(gòu)。在基于劃分的特征表示方法中,劃分尺度的選擇直接影響圖像內(nèi)容描述的有效性[6] 。這無疑是不夠準(zhǔn)確的。因此,在基于顏色的圖像檢索中引入空域的信息對于確保檢索精度是十分重要的。鑒于此,解決方法之一就是基于圖像空間的固定劃分,即人為地將圖像劃分成適當(dāng)?shù)姆謮K,然后為每個(gè)分塊提取相應(yīng)的局部顏色特征。 顯示了分別劃分成4 塊和16 塊的情形,當(dāng)然我們可以劃分更多的子塊,劃分的子塊越多,圖像的距離矩陣攜帶的空間信息越完備,檢索精度也越高,計(jì)算復(fù)雜度也越高?！?設(shè)圖像G分割成(m n) 個(gè)子塊,用顏色對來表示圖像G的特征,如果顏色對的值用兩個(gè)子塊顏色直方圖的