http://blog.csdn.net/fire_woods/category/322168.aspx基于内容的图像检索技术zh-CNMon, 01 Oct 2007 11:25:28 GMT60风林火山http://blog.csdn.net/fire_woods/archive/2007/08/17/1748466.aspxFri, 17 Aug 2007 16:30:00 GMThttp://blog.csdn.net/fire_woods/archive/2007/08/17/1748466.aspxhttp://blog.csdn.net/fire_woods/comments/1748466.aspxhttp://blog.csdn.net/fire_woods/archive/2007/08/17/1748466.aspx#Feedback0http://blog.csdn.net/fire_woods/comments/commentRss/1748466.aspxhttp://tb.blog.csdn.net/TrackBack.aspx?PostId=1748466内容也称为数字内容，一般被定义为任何人在每天的商业和个人生活中都会使用到的电子信息。它包括以数字方式展现的文档、出版物、图像、视频、音频、软件、表格、收据、票据、设计、合同、以及电子邮件等等。内容管理就是要将不同类型的数字内容全部以数字化的方式妥善保存起来，并利用足够的信息、高效的查询手段对所保存的数字资产进行查询和检索，用智能分析技术对其进行数据挖掘，最终使得这些数字内容能够得到最充分的利用。 <img src ="http://blog.csdn.net/fire_woods/aggbug/1748466.aspx" width = "1" height = "1" />风林火山http://blog.csdn.net/fire_woods/archive/2007/08/17/1747924.aspxFri, 17 Aug 2007 11:00:00 GMThttp://blog.csdn.net/fire_woods/archive/2007/08/17/1747924.aspxhttp://blog.csdn.net/fire_woods/comments/1747924.aspxhttp://blog.csdn.net/fire_woods/archive/2007/08/17/1747924.aspx#Feedback0http://blog.csdn.net/fire_woods/comments/commentRss/1747924.aspxhttp://tb.blog.csdn.net/TrackBack.aspx?PostId=1747924为了避免准确的图像自动分割的困难，同时又要提供一些有关图像区域空间关系的基本信息，一种折衷的方法是将图像预先等分成若干子块（可能是重叠的），然后分别提取每个子块的各种特征。此方法可以支持对象空间关系的检索方法，例如“找出草地上是蓝色天空的图片”的查询可以通过把图像分割成上下两个子块，在每个子块中匹配相应的特征来实现。<img src ="http://blog.csdn.net/fire_woods/aggbug/1747924.aspx" width = "1" height = "1" />风林火山http://blog.csdn.net/fire_woods/archive/2007/08/15/1744856.aspxWed, 15 Aug 2007 13:14:00 GMThttp://blog.csdn.net/fire_woods/archive/2007/08/15/1744856.aspxhttp://blog.csdn.net/fire_woods/comments/1744856.aspxhttp://blog.csdn.net/fire_woods/archive/2007/08/15/1744856.aspx#Feedback0http://blog.csdn.net/fire_woods/comments/commentRss/1744856.aspxhttp://tb.blog.csdn.net/TrackBack.aspx?PostId=1744856这类方法中的图像空间关系特征主要包括二维符号串，空间四叉树和符号图像。匹兹堡大学的Chang提出了用二维符号串（2D-String）[43]的方法，其基本思想是将图像沿x轴和y轴方向进行投影，然后按2D子串匹配进行图像空间关系的检索。符号图像[44]（symbolic image）方法是基于图像中全部有意义的对象已经被预先分割出来的假设，将每个对象用质心坐标和一个符号名字代表，从而构成整幅图像的索引。这种模拟方法在处理以上科技图像有良好的效果，但处理一般图像的效果还有待进一步证实。<img src ="http://blog.csdn.net/fire_woods/aggbug/1744856.aspx" width = "1" height = "1" />风林火山http://blog.csdn.net/fire_woods/archive/2007/08/14/1742578.aspxTue, 14 Aug 2007 13:43:00 GMThttp://blog.csdn.net/fire_woods/archive/2007/08/14/1742578.aspxhttp://blog.csdn.net/fire_woods/comments/1742578.aspxhttp://blog.csdn.net/fire_woods/archive/2007/08/14/1742578.aspx#Feedback0http://blog.csdn.net/fire_woods/comments/commentRss/1742578.aspxhttp://tb.blog.csdn.net/TrackBack.aspx?PostId=1742578上述的颜色、纹理和形状等多种特征反映的都是图像的整体特征，而无法体现图像中所包含的对象或物体。事实上，图像中对象所在的位置和对象之间的空间关系同样是图像检索中非常重要的特征。打个比方，蓝色的天空和蔚蓝的海洋的在颜色直方图上是非常接近而难以辨别。但如果我们指明是“处于图像上半部分的蓝色区域”，则一般来说就可以区分天空和海洋。由此可见，包含空间关系的图像特征对检索有很大帮助。 空间关系特征可以分为两类：一类方法首先对图像进行自动分割，划分出其中所含的对象或颜色区域，然后根据这些区域对图像索引；另一类方法则简单地将图像均匀划分若干规则子块，对每个图像子块提取特征建立索引。下面我们分别介绍这两类方法。 <img src ="http://blog.csdn.net/fire_woods/aggbug/1742578.aspx" width = "1" height = "1" />风林火山http://blog.csdn.net/fire_woods/archive/2007/08/13/1740332.aspxMon, 13 Aug 2007 11:22:00 GMThttp://blog.csdn.net/fire_woods/archive/2007/08/13/1740332.aspxhttp://blog.csdn.net/fire_woods/comments/1740332.aspxhttp://blog.csdn.net/fire_woods/archive/2007/08/13/1740332.aspx#Feedback1http://blog.csdn.net/fire_woods/comments/commentRss/1740332.aspxhttp://tb.blog.csdn.net/TrackBack.aspx?PostId=1740332物体和区域的形状是图像表达和图像检索中的另一重要的特征。由于当前的技术无法做到准确而鲁棒的自动图像分割，图像检索中的形状特征只能用于某些特殊应用，在这些应用中图像包含的物体或区域可以直接获得。另一方面，由于人们对物体形状的变换、旋转和缩放主观上不太敏感，合适的形状特征必须满足对变换、旋转和缩放无关，这对形状相似度的计算也带来了难度。<img src ="http://blog.csdn.net/fire_woods/aggbug/1740332.aspx" width = "1" height = "1" />风林火山http://blog.csdn.net/fire_woods/archive/2007/08/10/1735705.aspxFri, 10 Aug 2007 10:22:00 GMThttp://blog.csdn.net/fire_woods/archive/2007/08/10/1735705.aspxhttp://blog.csdn.net/fire_woods/comments/1735705.aspxhttp://blog.csdn.net/fire_woods/archive/2007/08/10/1735705.aspx#Feedback0http://blog.csdn.net/fire_woods/comments/commentRss/1735705.aspxhttp://tb.blog.csdn.net/TrackBack.aspx?PostId=1735705除了上述的Tamura特征、SAR模型和小波变换等纹理特征之外，还有许多其它的纹理特征。它首先建立一个基于象素之间方向性和距离的共生矩阵，然后从矩阵中提取有意义的统计量作为纹理特征。Thyagarajan等[27]用小波变换和共生矩阵来进行纹理分析，结合了统计和变换两者的优点。<img src ="http://blog.csdn.net/fire_woods/aggbug/1735705.aspx" width = "1" height = "1" />风林火山http://blog.csdn.net/fire_woods/archive/2007/08/08/1731258.aspxWed, 08 Aug 2007 11:23:00 GMThttp://blog.csdn.net/fire_woods/archive/2007/08/08/1731258.aspxhttp://blog.csdn.net/fire_woods/comments/1731258.aspxhttp://blog.csdn.net/fire_woods/archive/2007/08/08/1731258.aspx#Feedback0http://blog.csdn.net/fire_woods/comments/commentRss/1731258.aspxhttp://tb.blog.csdn.net/TrackBack.aspx?PostId=1731258有两种类型的小波变换可以用于纹理分析，其中是金字塔结构的小波变换（pyramid-structured wavelet transform 或PWT）和树桩结构的小波变换（tree-structured wavelet transform或TWT）。TWT区别于PWT的主要之处在于它除了递归分解LL波段之外，还会分解其它的LH、HL和HH等波段。小波变换表示的纹理特征可以用每个波段的每个分解层次上能量分布的均值和标准方差。<img src ="http://blog.csdn.net/fire_woods/aggbug/1731258.aspx" width = "1" height = "1" />风林火山http://blog.csdn.net/fire_woods/archive/2007/08/07/1729480.aspxTue, 07 Aug 2007 16:09:00 GMThttp://blog.csdn.net/fire_woods/archive/2007/08/07/1729480.aspxhttp://blog.csdn.net/fire_woods/comments/1729480.aspxhttp://blog.csdn.net/fire_woods/archive/2007/08/07/1729480.aspx#Feedback0http://blog.csdn.net/fire_woods/comments/commentRss/1729480.aspxhttp://tb.blog.csdn.net/TrackBack.aspx?PostId=1729480最近二十年中有大量的研究集中在应用随机场模型表达纹理特征，这方面Markov随机场（MRF）模型取得了很大的成功。为此，有人提出过多维度的自回归纹理模型（multi-resolution SAR或MRSAR）[16]，能够在多个不同的相邻像素集合范围下计算纹理特征。文献[17,18]中给出了MRSAR纹理特征和其他纹理特征对于图像检索的性能对比。实验结果表明MRSAR纹理特征能够较好地识别出图像中各种纹理特征。<img src ="http://blog.csdn.net/fire_woods/aggbug/1729480.aspx" width = "1" height = "1" />风林火山http://blog.csdn.net/fire_woods/archive/2007/08/03/1724489.aspxFri, 03 Aug 2007 14:38:00 GMThttp://blog.csdn.net/fire_woods/archive/2007/08/03/1724489.aspxhttp://blog.csdn.net/fire_woods/comments/1724489.aspxhttp://blog.csdn.net/fire_woods/archive/2007/08/03/1724489.aspx#Feedback0http://blog.csdn.net/fire_woods/comments/commentRss/1724489.aspxhttp://tb.blog.csdn.net/TrackBack.aspx?PostId=1724489基于人类对纹理的视觉感知的心理学的研究，Tamura等人提出了纹理特征的表达[14]。Tamura纹理特征的六个分量对应于心理学角度上纹理特征的六种属性，分别是粗糙度（coarseness）、对比度（contrast）、方向度（directionality）、 线像度（linelikeness）、规整度（regularity）和粗略度（roughness）。<img src ="http://blog.csdn.net/fire_woods/aggbug/1724489.aspx" width = "1" height = "1" />风林火山http://blog.csdn.net/fire_woods/archive/2007/08/02/1722260.aspxThu, 02 Aug 2007 11:28:00 GMThttp://blog.csdn.net/fire_woods/archive/2007/08/02/1722260.aspxhttp://blog.csdn.net/fire_woods/comments/1722260.aspxhttp://blog.csdn.net/fire_woods/archive/2007/08/02/1722260.aspx#Feedback0http://blog.csdn.net/fire_woods/comments/commentRss/1722260.aspxhttp://tb.blog.csdn.net/TrackBack.aspx?PostId=1722260纹理特征是一种不依赖于颜色或亮度的反映图像中同质现象的视觉特征[12]。在本节中，我们将着重介绍那些在基于内容的图像检索中所常用的那些纹理特征，主要有Tamura纹理特征、自回归纹理模型、方向性特征、小波变换和共生矩阵等形式。<img src ="http://blog.csdn.net/fire_woods/aggbug/1722260.aspx" width = "1" height = "1" />风林火山http://blog.csdn.net/fire_woods/archive/2007/08/01/1720632.aspxWed, 01 Aug 2007 10:19:00 GMThttp://blog.csdn.net/fire_woods/archive/2007/08/01/1720632.aspxhttp://blog.csdn.net/fire_woods/comments/1720632.aspxhttp://blog.csdn.net/fire_woods/archive/2007/08/01/1720632.aspx#Feedback0http://blog.csdn.net/fire_woods/comments/commentRss/1720632.aspxhttp://tb.blog.csdn.net/TrackBack.aspx?PostId=1720632昨天，《新京报》的人物版用了整整三个版的篇幅介绍了不是明星胜似明星的Paris.Hilton，标题好像是“从大欲女到大狱女”。也许是我太孤陋寡闻，在此之前从来没有听说这么号人物，便随口问了问在旁边看书的爱人。娱乐通的爱人立马告诉了很多Paris.Hilton的奇闻轶事。乖乖，原来这位现在可谓红得发紫、紫得发黑。<img src ="http://blog.csdn.net/fire_woods/aggbug/1720632.aspx" width = "1" height = "1" />风林火山http://blog.csdn.net/fire_woods/archive/2007/08/01/1720513.aspxWed, 01 Aug 2007 09:22:00 GMThttp://blog.csdn.net/fire_woods/archive/2007/08/01/1720513.aspxhttp://blog.csdn.net/fire_woods/comments/1720513.aspxhttp://blog.csdn.net/fire_woods/archive/2007/08/01/1720513.aspx#Feedback1http://blog.csdn.net/fire_woods/comments/commentRss/1720513.aspxhttp://tb.blog.csdn.net/TrackBack.aspx?PostId=1720513颜色相关图（color correlogram）是图像颜色分布的另一种表达方式[16]。这种特征不但刻画了某一种颜色的像素数量占整个图像的比例，还反映了不同颜色对之间的空间相关性。实验表明，颜色相关图比颜色直方图和颜色聚合向量具有更高的检索效率，特别是查询空间关系一致的图像。<img src ="http://blog.csdn.net/fire_woods/aggbug/1720513.aspx" width = "1" height = "1" />风林火山http://blog.csdn.net/fire_woods/archive/2007/07/31/1718656.aspxTue, 31 Jul 2007 11:18:00 GMThttp://blog.csdn.net/fire_woods/archive/2007/07/31/1718656.aspxhttp://blog.csdn.net/fire_woods/comments/1718656.aspxhttp://blog.csdn.net/fire_woods/archive/2007/07/31/1718656.aspx#Feedback0http://blog.csdn.net/fire_woods/comments/commentRss/1718656.aspxhttp://tb.blog.csdn.net/TrackBack.aspx?PostId=1718656针对颜色直方图和颜色矩无法表达图像色彩的空间位置的缺点，Pass[9]提出了图像的颜色聚合向量（color coherence vector）。假设αi与βi分别代表直方图的第i个bin中聚合像素和非聚合像素的数量，图像的颜色聚合向量可以表达为。<img src ="http://blog.csdn.net/fire_woods/aggbug/1718656.aspx" width = "1" height = "1" />风林火山http://blog.csdn.net/fire_woods/archive/2007/07/31/1718651.aspxTue, 31 Jul 2007 11:17:00 GMThttp://blog.csdn.net/fire_woods/archive/2007/07/31/1718651.aspxhttp://blog.csdn.net/fire_woods/comments/1718651.aspxhttp://blog.csdn.net/fire_woods/archive/2007/07/31/1718651.aspx#Feedback0http://blog.csdn.net/fire_woods/comments/commentRss/1718651.aspxhttp://tb.blog.csdn.net/TrackBack.aspx?PostId=1718651为支持大规模图像库中的快速查找，Smith和Chang提出了用颜色集（color sets）作为对颜色直方图的一种近似[8]。然后，他们用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达一个二进制的颜色索引集。<img src ="http://blog.csdn.net/fire_woods/aggbug/1718651.aspx" width = "1" height = "1" />风林火山http://blog.csdn.net/fire_woods/archive/2007/07/30/1716407.aspxMon, 30 Jul 2007 11:08:00 GMThttp://blog.csdn.net/fire_woods/archive/2007/07/30/1716407.aspxhttp://blog.csdn.net/fire_woods/comments/1716407.aspxhttp://blog.csdn.net/fire_woods/archive/2007/07/30/1716407.aspx#Feedback0http://blog.csdn.net/fire_woods/comments/commentRss/1716407.aspxhttp://tb.blog.csdn.net/TrackBack.aspx?PostId=1716407另一种非常简单而有效的颜色特征使由Stricker 和Orengo所提出的颜色矩（color moments） [7]。这种方法的数学基础在于图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。与颜色直方图相比，该方法的另一个好处在于无需对特征进行向量化。颜色的三个低次矩在数学上表达为：<img src ="http://blog.csdn.net/fire_woods/aggbug/1716407.aspx" width = "1" height = "1" />