專利名稱：一種基于感興趣區(qū)域的圖像檢索方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理和模式識(shí)別領(lǐng)域，尤其涉及一種基于感興趣區(qū)域的圖像檢索
方法。
背景技術(shù)：
圖像具有內(nèi)容豐富、不受語(yǔ)言限制、便于國(guó)際交流等優(yōu)點(diǎn)。近年來(lái)，無(wú)論是國(guó)防軍 事、工業(yè)制造、新聞媒體、醫(yī)療衛(wèi)生還是大眾娛樂(lè)，社會(huì)的各行各業(yè)對(duì)圖像信息的使用越來(lái) 越廣。 隨著存儲(chǔ)技術(shù)、多媒體、壓縮技術(shù)和網(wǎng)絡(luò)帶寬等技術(shù)的不斷發(fā)展，每天都有成千上 萬(wàn)的圖片產(chǎn)生，如何從海量的圖像庫(kù)中快速而準(zhǔn)確地找到滿足用戶需求的圖像，就成為了 圖像檢索領(lǐng)域需迫切解決的關(guān)鍵問(wèn)題。 傳統(tǒng)的圖像檢索方式是基于文本的圖像檢索技術(shù)，這種圖像檢索技術(shù)存在著嚴(yán)重 的問(wèn)題。 首先，目前的計(jì)算機(jī)視覺(jué)和人工智能技術(shù)都無(wú)法自動(dòng)對(duì)圖像進(jìn)行標(biāo)注，而必須依 賴于人工對(duì)圖像做出標(biāo)注。這項(xiàng)工作不但費(fèi)時(shí)費(fèi)力，而且手工的標(biāo)注往往是不準(zhǔn)確或不完 整的，還不可避免地帶有主觀偏差。也就是說(shuō)，不同的人對(duì)同一幅圖像有不同的理解方法， 這種主觀理解的差異將導(dǎo)致圖像檢索中的失配錯(cuò)誤。 其次，圖像中所包含的豐富的視覺(jué)特征(顏色或紋理等)往往無(wú)法用文本進(jìn) 行客觀地描述。為了克服這些問(wèn)題，基于內(nèi)容的圖像檢索技術(shù)(Content-Based Image Retrieval)應(yīng)運(yùn)而生。即根據(jù)圖像所包含的顏色、紋理、形狀以及它們的組和特征等特征信 息建立索引并且通過(guò)圖像特征向量間的近似度量來(lái)進(jìn)行相似性檢索。 然而，現(xiàn)有的大部分圖像檢索算法均是側(cè)重于考慮圖像全局特征表示和檢索圖
像。這種方法不區(qū)分圖像的前景和背景，把圖像作為不可細(xì)分的整體提取整幅圖像的全局
特征進(jìn)行檢索，優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單，對(duì)平移和旋轉(zhuǎn)不敏感。但是基于全局特征的方法無(wú)法描述
圖像內(nèi)容在空間上的差異，不能體現(xiàn)圖像的時(shí)空關(guān)系，通常很難或不能反映圖像真實(shí)的語(yǔ)
義內(nèi)容，只能比較圖像全局統(tǒng)計(jì)相似性，不能在物體層次上比較圖像的相似性，檢索效率不
高。同時(shí)，在相當(dāng)多的情況下用戶并不關(guān)心圖像全局的相似性，而是更多關(guān)注于圖像中具有
一定語(yǔ)義的區(qū)域，人們需要找到包含特定目標(biāo)的圖像，如檢索出含花朵的圖像。 為了克服全局特征在描述圖像內(nèi)容上的不足，基于區(qū)域的圖像檢索
(Region-Basedlmage Retrieval, RBIR)技術(shù)被提出。這種基于區(qū)域的檢索方法試圖從對(duì)
象層次上理解和表示圖像，這和人理解圖像的方式是一樣的。該方法不是把圖像看成是一
個(gè)不可分的整體，而是看成由一些區(qū)域(對(duì)象)組成。它首先把圖像分成若干個(gè)區(qū)域，如果
分割效果理想，這些區(qū)域?qū)?duì)應(yīng)于一個(gè)個(gè)對(duì)象，然后提取各個(gè)區(qū)域的顏色、紋理和形狀等特
征，則一幅圖像的特征由這些區(qū)域?qū)ο蟮奶卣骶C合而成。然后根據(jù)一定的區(qū)域匹配準(zhǔn)則，計(jì)
算待查圖像的各個(gè)區(qū)域與數(shù)據(jù)庫(kù)圖像的各個(gè)區(qū)域之間的相似度，將可得到圖像之間的相似度。
但是，現(xiàn)有的基于區(qū)域的圖像檢索方法不僅感興趣目標(biāo)選擇方式不夠靈活，而且 具有特征指標(biāo)過(guò)多弓I發(fā)的檢索效率低的問(wèn)題。 因此，如何有效提高圖像檢索的查準(zhǔn)率和查全率，增強(qiáng)了圖像檢索的靈活性，成為 急待解決的問(wèn)題。

發(fā)明內(nèi)容
本發(fā)明目的在于提供一種基于感興趣區(qū)域的圖像檢索方法，有效提高了圖像檢索
的查準(zhǔn)率和查全率，增強(qiáng)了圖像檢索的靈活性。 為解決本發(fā)明的技術(shù)問(wèn)題，本發(fā)明公開(kāi)一種基于感興趣區(qū)域的圖像檢索方法，其 中，包括 使用矩形框選定需要檢索的目標(biāo)所在的區(qū)域； 將示例彩色圖像轉(zhuǎn)換成灰度圖像，并利用融合區(qū)域信息與邊緣檢測(cè)的圖像分割算 法提取矩形框中可能的目標(biāo)區(qū)域； 在用戶確定一個(gè)感興趣目標(biāo)區(qū)域后，根據(jù)灰度圖像中目標(biāo)區(qū)域的位置確定彩色圖 像中對(duì)應(yīng)的區(qū)域； 在彩色圖像目標(biāo)區(qū)域中分別提取顏色特征、紋理特征和形狀特征，然后在提取了 區(qū)域特征的基礎(chǔ)上進(jìn)行區(qū)域匹配； 按照相似度從大從小的順序?qū)?duì)應(yīng)的圖像顯示給用戶。 較優(yōu)地，所述利用融合區(qū)域信息與邊緣檢測(cè)的圖像分割算法提取矩形框中可能的 目標(biāo)區(qū)域具體包括 利用融合區(qū)域信息與邊緣檢測(cè)的圖像分割算法來(lái)提取矩形框所包含的一個(gè)或幾 個(gè)區(qū)域作為目標(biāo)區(qū)域。
較優(yōu)地，所述提取顏色特征具有包括 使用累加直方圖來(lái)提取表征感興趣區(qū)域的顏色特征。
較優(yōu)地，所述提取紋理特征具體包括 采用灰度共生矩陣方法來(lái)提出紋理特征。
較優(yōu)地，所述采用灰度共生矩陣方法來(lái)提出紋理特征具體包括
選擇能量、慣量、熵和相關(guān)性四個(gè)參數(shù)作為紋理特征； 分別計(jì)算(T 、45° 、90° 、135°四個(gè)方向的共生矩陣的上述4個(gè)紋理參數(shù)，并進(jìn) 行內(nèi)部歸一化。
較優(yōu)地，所述提取形狀特征具體包括 使用分別具有變換、旋轉(zhuǎn)、縮放不變性的7個(gè)矩作為目標(biāo)區(qū)域的形狀特征，并使用 高斯歸一化方法對(duì)不變矩特征進(jìn)行內(nèi)部歸一化處理。
較優(yōu)地，所述在提取了區(qū)域特征的基礎(chǔ)上進(jìn)行區(qū)域匹配具體包括 采用直方圖相交法作顏色特征的距離度量方式，顏色和紋理特征的歐氏距離進(jìn)行
度量； 使用加權(quán)平均法進(jìn)行區(qū)域之間相似匹配計(jì)算。 較優(yōu)地，所述采用直方圖相交法作顏色特征的距離度量方式，顏色和紋理特征的 歐氏距離進(jìn)行度量具體包括
使用感興趣區(qū)域特征匹配方式在圖像庫(kù)進(jìn)行檢索，并計(jì)算相關(guān)區(qū)域與目標(biāo)區(qū)域的 相似度； 當(dāng)相似度達(dá)到預(yù)設(shè)的閾值時(shí)，則將此被搜索圖像作為命中目標(biāo)； 使用直方圖相交法作顏色特征的距離度量方式，顏色和紋理特征的距離采用歐氏
距離進(jìn)行度量。 較優(yōu)地，所述利用圖像分割確定目標(biāo)區(qū)域具體包括 將彩色圖像轉(zhuǎn)換成灰度圖像，利用0tsu閾值分割法對(duì)灰度圖像的矩形框包含的 對(duì)象進(jìn)行區(qū)域分割，提取閉合連通的輪廓及確定出一個(gè)最佳的閾值，該閾值作為下一步 Ca皿y算子的高門(mén)限值； 利用Ca皿y算子作用于原灰度圖像提取出邊緣圖像； 將獲得的區(qū)域輪廓圖和邊緣圖按一定的準(zhǔn)則進(jìn)行融合，得到最終分割結(jié)果。
與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果 本發(fā)明利用用戶感興趣區(qū)域目標(biāo)自動(dòng)分割和用戶交互的方式，在對(duì)感興趣目標(biāo)區(qū) 域綜合特征提取的基礎(chǔ)上，通過(guò)優(yōu)化選取特征指標(biāo)，使用區(qū)域特征匹配方式進(jìn)行圖像搜索 和相似度計(jì)算，實(shí)現(xiàn)了基于感興趣區(qū)域的圖像檢索。


圖1為本發(fā)明實(shí)施例的一種基于感興趣區(qū)域的圖像檢索方法流程示意圖；
圖2為本發(fā)明另一實(shí)施例的一種基于感興趣區(qū)域的圖像檢索方法流程示意圖。
具體實(shí)施例方式
針對(duì)目前基于全局特征的圖像檢索方法不能在物體層次上比較圖像相似性的不 足，以及基于區(qū)域的圖像檢索方法中存在的感興趣目標(biāo)選擇方式不夠靈活和檢索效率低的 問(wèn)題，本發(fā)明公開(kāi)了一種基于感興趣區(qū)域的圖像檢索方法，在提高圖像檢索系統(tǒng)性能的同 時(shí)，增強(qiáng)了圖像檢索的靈活性和簡(jiǎn)便性。 如圖1所述，為本發(fā)明實(shí)施例的一種基于感興趣區(qū)域的圖像檢索方法流程示意 圖，主要可以如下所述。 步驟ll，使用矩形框選定需要檢索的目標(biāo)所在的區(qū)域。 步驟12，將示例彩色圖像轉(zhuǎn)換成灰度圖像，并利用融合區(qū)域信息與邊緣檢測(cè)的圖 像分割算法提取矩形框中可能的目標(biāo)區(qū)域。 本發(fā)明的方法是在用戶使用矩形框劃定需要檢索的目標(biāo)所在的區(qū)域后，利用融合 區(qū)域信息與邊緣檢測(cè)的圖像分割算法來(lái)提取矩形框所包含的一個(gè)或幾個(gè)區(qū)域作為目標(biāo)區(qū) 域。 步驟13，在用戶確定一個(gè)感興趣目標(biāo)區(qū)域后，根據(jù)灰度圖像中目標(biāo)區(qū)域的位置確 定彩色圖像中對(duì)應(yīng)的區(qū)域。 步驟14，在彩色圖像目標(biāo)區(qū)域中分別提取顏色特征、紋理特征和形狀特征，然后在 提取了區(qū)域特征的基礎(chǔ)上進(jìn)行區(qū)域匹配。 感興趣區(qū)域顏色特征的提取，顏色是區(qū)分圖像區(qū)域的最有效的特征，因?yàn)橄鄬?duì)于 其他特征，顏色特征非常穩(wěn)定，對(duì)于旋轉(zhuǎn)、平移、尺度變化甚至各種形變都不敏感，并且顏色
6特征計(jì)算簡(jiǎn)單。直方圖具有良好的尺度和旋轉(zhuǎn)不變性，是描述圖像顏色信息的一種有效方 法。由于累加直方圖體現(xiàn)了兩種顏色在顏色軸上的距離與相似性之間的關(guān)系，累加直方圖 法的檢索效率優(yōu)于一般的直方圖法。因此，本發(fā)明使用累加直方圖來(lái)提取表征感興趣區(qū)域 的顏色特征。在顏色的表示方法上，對(duì)每個(gè)區(qū)域，本發(fā)明選擇了符合人眼的視覺(jué)感應(yīng)的HSV 模型，可得到了 HSV空間的36維顏色直方圖。 感興趣區(qū)域紋理特征的提取，紋理通常定義為圖像的某種局部性質(zhì)，是相鄰像素 的灰度或顏色的空間相關(guān)性。本發(fā)明采用灰度共生矩陣方法來(lái)提出紋理特征。具體過(guò)程為 選釋能量、慣量、熵和相關(guān)性四個(gè)參數(shù)作為紋理特征，分別計(jì)算0。 、45° 、90° 、135°四個(gè) 方向的共生矩陣的上述4個(gè)紋理參數(shù)，并進(jìn)行內(nèi)部歸一化。 感興趣區(qū)域形狀特征的提取，形狀特征作為刻畫(huà)圖像中物體和區(qū)域特點(diǎn)的重要特 征，是描述高層視覺(jué)特征(如目標(biāo)、對(duì)象等)的重要手段。圖像的形狀信息不隨圖像顏色的 變化而變化，是物體穩(wěn)定的特征。利用形狀特征進(jìn)行檢索可提高檢索的準(zhǔn)確性和效率。各 種利用基于形狀的特征進(jìn)行圖像檢索時(shí)，都可以比較有效的利用圖像中感興趣的目標(biāo)來(lái)進(jìn) 行檢索。本發(fā)明采用形狀不變矩(moment invariant)方法來(lái)提取圖像區(qū)域形狀特征，使用 分別具有變換、旋轉(zhuǎn)、縮放不變性的7個(gè)矩作為目標(biāo)區(qū)域的形狀特征，并使用高斯歸一化方 法對(duì)不變矩特征進(jìn)行內(nèi)部歸一化處理。 區(qū)域特征匹配，在分別提取感興趣目標(biāo)區(qū)域的顏色、紋理和形狀特征向量后，就可 以將這些特征向量結(jié)合起來(lái)進(jìn)行特征匹配和圖像檢索。由于顏色特征、紋理和形狀特征的 物理意義不同，不直接具有可比性。為了使綜合特征的顏色、紋理和形狀特征向量在相似距 離計(jì)算中的地位相同，本發(fā)明使用外部歸一化方法將三者進(jìn)行外部歸一化。另外，特征的相 似性度量是影響圖像檢索性能的一個(gè)重要方面。本發(fā)明采用直方圖相交法作顏色特征的距 離度量方式，顏色和紋理特征的歐氏距離進(jìn)行度量。最后，使用加權(quán)平均法進(jìn)行區(qū)域之間相 似匹配計(jì)算。 步驟15，按照相似度從大從小的順序?qū)?duì)應(yīng)的圖像顯示給用戶。 本發(fā)明利用用戶感興趣區(qū)域目標(biāo)自動(dòng)分割和用戶交互的方式，在對(duì)感興趣目標(biāo)區(qū)
域綜合特征提取的基礎(chǔ)上，通過(guò)優(yōu)化選取特征指標(biāo)，使用區(qū)域特征匹配方式進(jìn)行圖像搜索
和相似度計(jì)算，實(shí)現(xiàn)了基于感興趣區(qū)域的圖像檢索，克服了全局統(tǒng)計(jì)方法不能在物體層次
比較圖像的相似性的缺陷，避免了基于區(qū)域的圖像檢索方法中存在的感興趣目標(biāo)選擇方式
不夠靈活和檢索效率低的問(wèn)題，有效提高了圖像檢索的查準(zhǔn)率和查全率。同時(shí)，在檢索性能
上，綜合特征檢索要比單一特征檢索性能更好，檢索所得到的結(jié)果在色彩、紋理及其形狀上
都要比單一利用某類特征進(jìn)行檢索更符合用戶的檢索要求。 如圖2所示，為本發(fā)明另一實(shí)施例的一種基于感興趣區(qū)域的圖像檢索方法流程示 意圖，主要如下所示。 步驟S100，用戶打開(kāi)或選擇一副待檢索圖像。 步驟S101，用戶選擇感興趣目標(biāo)區(qū)域所在的矩形區(qū)域。 步驟S102，利用圖像分割確定目標(biāo)區(qū)域。本發(fā)明的圖像分割方法如下首先將彩 色圖像轉(zhuǎn)換成灰度圖像，利用Otsu閾值分割法對(duì)灰度圖像的矩形框包含的對(duì)象進(jìn)行區(qū)域 分割，提取閉合連通的輪廓及確定出一個(gè)最佳的閾值，該閾值作為下一步Ca皿y算子的高 門(mén)限值。然后，利用Ca皿y算子作用于原灰度圖像提取出邊緣圖像。最后，將獲得的區(qū)域輪廓圖和邊緣圖按一定的準(zhǔn)則進(jìn)行融合，得到最終分割結(jié)果。
步驟S103，用戶選取感興趣的目標(biāo)區(qū)域作為檢索對(duì)象。 步驟S104，提取感興趣目標(biāo)區(qū)域的36維顏色特征值。在顏色的表示方法上，對(duì)每 個(gè)區(qū)域，本發(fā)明選擇了符合人眼的視覺(jué)感應(yīng)的HSV模型，其中色調(diào)H、飽和度S和亮度V分量 的非均勻量化過(guò)程，分別按下式進(jìn)行。
0 if A e (330,22]
1 if/ e (22,45]
2 if/ze (45,70] // = ,3 if/ze(70,155]
4 if (155,186]
5 if/ze (186,278]
6 if/ze (278,330]
(1) 「=
r0 if (0.2,0.7] 1 if ve (0.7,1]
(2)
(3) 丄=
if s<0.2,1^0.2
(4) 結(jié)合非均勻量化方法和下面的計(jì)算公式，可得到HSV空間的36維顏色直方圖，最
終結(jié)果用L來(lái)表示。最后對(duì)36維數(shù)據(jù)進(jìn)行歸一化處理，便于特征匹配運(yùn)算。
力 ifv<0.2
—(v-0.2)x7-
~"^"~—
++ F + 8 Others 步驟S105，提取感興趣目標(biāo)區(qū)域的4維紋理特征值。本發(fā)明采用灰度共生矩陣方 法來(lái)提出紋理特征。具體過(guò)程為選擇能量、慣量、熵和相關(guān)性四個(gè)參數(shù)作為紋理特征，分別 計(jì)算0° 、45° 、90° 、135°四個(gè)方向的共生矩陣的上述4個(gè)紋理參數(shù)，并進(jìn)行內(nèi)部歸一化。 具體的步驟如下 (1)將原彩色圖像對(duì)應(yīng)的256級(jí)的灰度圖像目標(biāo)區(qū)域進(jìn)行再次量化，即使用"象素 灰度值/ (256/8)"的方法，并將每一象素的灰度值量化在0-7之間。
(2)將灰度圖像目標(biāo)區(qū)域縱橫均勻的分為kXk個(gè)子窗口。 (3)在每一子窗口中，構(gòu)造O。 、45° 、90° 、135°四個(gè)方向的歸一化后的共生矩 陣，分別計(jì)算每個(gè)共生矩陣的上述4個(gè)紋理參數(shù)，將這些紋理參數(shù)分別累加，累加結(jié)果作為 這個(gè)子窗口的紋理特征值。 (4)將kXk個(gè)子窗口依次按照(3)中的方法求出每個(gè)共生矩陣的上述4個(gè)紋理參 數(shù)，并將紋理參數(shù)值累加。 (5)最后，將k X k個(gè)子窗口中累加的4個(gè)紋理參數(shù)值分別除以k X k，獲得其均值， 作為整個(gè)目標(biāo)區(qū)域的紋理特征值。 步驟S106，提取感興趣目標(biāo)區(qū)域的7維形狀特征值。本發(fā)明采用形狀不變矩(momentinvariant)方法來(lái)提取圖像區(qū)域形狀特征，使用分別具有變換、旋轉(zhuǎn)、縮放不變性 的7個(gè)矩作為目標(biāo)區(qū)域的形狀特征，并使用高斯歸一化方法對(duì)不變矩特征F = M2， M3， M4，M5，M6，M7)進(jìn)行內(nèi)部歸一化處理。假設(shè)R是用二值圖像表示的物體，則R形狀的第p+q階
中心矩為Z、 = Sd(x —"^1。)"式中，(x。， y。)是物體的中心。為獲得縮放不變性，對(duì)
該中心矩進(jìn)行標(biāo)準(zhǔn)化操作A M工
p + g + 2
各不變矩的描述如下










20+ P 02 似2 -(/^—/O'+^l
M3 M4 M5
M6 M7
=(y3( =(y3( =(y3( + (P c =(y2( =(3ii
-3y 12)2+(ii 03_3ii 21):
"12) +(P 「3 12) (3 3_3ii 21) (ii,
y 02) [ (y 3
2「 P 03) ( P 3
》:
2) [ (y 03+ y: -2) [ (y 03+ y 2)2- (y 03+ y J [ (y 30+ y )[(y 03+y 21) 2-3 (y 30+y 12)2]
(M丄，M2， M3， M4， M5， M6， M7)。
3(P, )2-(y
+ ]i :
+ il 91
J2] 21)2]
30+y )2]
2) (i!。3+ii2,)
+ 0 30-3il 21)
最后得到不變矩特征為F = 步驟S107，區(qū)域特征匹配。
使用感興趣區(qū)域特征匹配方式在圖像庫(kù)進(jìn)行檢索，并計(jì)算相關(guān)區(qū)域與目標(biāo)區(qū)域的 相似度，當(dāng)相似度達(dá)到預(yù)設(shè)的閾值時(shí)，則將此被搜索圖像作為命中目標(biāo)。另外，本發(fā)明使用 直方圖相交法作顏色特征的距離度量方式，顏色和紋理特征的距離采用歐氏距離進(jìn)行度 量。最后，本發(fā)明采用加權(quán)平均法進(jìn)行區(qū)域之間相似匹配計(jì)算，區(qū)域b和b'的距離定義如
下 D (b ， b' ) = wj)^。r (b ， b' ) +wtDtexture (b ， b' ) +wsDshape (b ， b' ) (5) 其中，We，Wt和^分別代表顏色、紋理和形狀特征的權(quán)重，且We+Wt+l = 1 ， De。lOT (b ，
b' )、Dtexture(b，b')和Dsh，(b，b')分別代表顏色、紋理和形狀特征的相似度。檢索結(jié)果
是一個(gè)圖像序列，在該序列中根據(jù)各區(qū)域與目標(biāo)區(qū)域的相似距離按從小到大排列各圖像，
距離越小認(rèn)為兩幅圖像越相似，當(dāng)距離為零時(shí)，可以認(rèn)為兩幅圖像相同。 步驟S108，當(dāng)數(shù)據(jù)庫(kù)中所有圖像的相應(yīng)區(qū)域按要求檢索完畢，則按照相似度降序
的方式顯示檢索結(jié)果。 綜上所述，本發(fā)明利用用戶感興趣區(qū)域目標(biāo)自動(dòng)分割和用戶交互的方式，在對(duì)感 興趣目標(biāo)區(qū)域綜合特征提取的基礎(chǔ)上，通過(guò)優(yōu)化選取特征指標(biāo)，使用區(qū)域特征匹配方式進(jìn) 行圖像搜索和相似度計(jì)算，實(shí)現(xiàn)了基于感興趣區(qū)域的圖像檢索。 與已有的基于圖像全局特征的檢索方案相比，本發(fā)明克服了全局統(tǒng)計(jì)方法不能在
物體層次比較圖像的相似性的缺陷，有效提高了圖像檢索的查準(zhǔn)率和查全率。 與已有的基于圖像某類區(qū)域特征的檢索方案相比，本發(fā)明在查全率-查準(zhǔn)率性能
上，綜合特征檢索要比單一特征檢索性能更好，檢索所得到的結(jié)果在色彩、紋理及其形狀上
都要比單一利用某類特征進(jìn)行檢索更符合用戶的檢索要求。 與已有的基于圖像區(qū)域綜合特征的檢索方案相比，本發(fā)明不僅在目標(biāo)區(qū)域的選取
9方式上，能更加靈活更加準(zhǔn)確地表達(dá)用戶的檢索意圖，而且對(duì)特征指標(biāo)的選取進(jìn)行了優(yōu)化， 使檢索效率大大提高。
權(quán)利要求
一種基于感興趣區(qū)域的圖像檢索方法，其特征在于，包括使用矩形框選定需要檢索的目標(biāo)所在的區(qū)域；將示例彩色圖像轉(zhuǎn)換成灰度圖像，并利用融合區(qū)域信息與邊緣檢測(cè)的圖像分割算法提取矩形框中可能的目標(biāo)區(qū)域；在用戶確定一個(gè)感興趣目標(biāo)區(qū)域后，根據(jù)灰度圖像中目標(biāo)區(qū)域的位置確定彩色圖像中對(duì)應(yīng)的區(qū)域；在彩色圖像目標(biāo)區(qū)域中分別提取顏色特征、紋理特征和形狀特征，然后在提取了區(qū)域特征的基礎(chǔ)上進(jìn)行區(qū)域匹配；按照相似度從大從小的順序?qū)?duì)應(yīng)的圖像顯示給用戶。
2. 如權(quán)利要求1所述的方法，其特征在于，所述利用融合區(qū)域信息與邊緣檢測(cè)的圖像 分割算法提取矩形框中可能的目標(biāo)區(qū)域具體包括利用融合區(qū)域信息與邊緣檢測(cè)的圖像分割算法來(lái)提取矩形框所包含的一個(gè)或幾個(gè)區(qū) 域作為目標(biāo)區(qū)域。
3. 如權(quán)利要求1所述的方法，其特征在于，所述提取顏色特征具有包括 使用累加直方圖來(lái)提取表征感興趣區(qū)域的顏色特征。
4. 如權(quán)利要求1所述的方法，其特征在于，所述提取紋理特征具體包括 采用灰度共生矩陣方法來(lái)提出紋理特征。
5. 如權(quán)利要求4所述的方法，其特征在于，所述采用灰度共生矩陣方法來(lái)提出紋理特 征具體包括選擇能量、慣量、熵和相關(guān)性四個(gè)參數(shù)作為紋理特征；分別計(jì)算0。 、45° 、90° 、135°四個(gè)方向的共生矩陣的上述4個(gè)紋理參數(shù)，并進(jìn)行內(nèi) 部歸一化。
6. 如權(quán)利要求1所述的方法，其特征在于，所述提取形狀特征具體包括 使用分別具有變換、旋轉(zhuǎn)、縮放不變性的7個(gè)矩作為目標(biāo)區(qū)域的形狀特征，并使用高斯歸一化方法對(duì)不變矩特征進(jìn)行內(nèi)部歸一化處理。
7. 如權(quán)利要求1所述的方法，其特征在于，所述在提取了區(qū)域特征的基礎(chǔ)上進(jìn)行區(qū)域匹配具體包括采用直方圖相交法作顏色特征的距離度量方式，顏色和紋理特征的歐氏距離進(jìn)行度 使用加權(quán)平均法進(jìn)行區(qū)域之間相似匹配計(jì)算。
8. 如權(quán)利要求7所述的方法，其特征在于，所述采用直方圖相交法作顏色特征的距離度量方式，顏色和紋理特征的歐氏距離進(jìn)行度量具體包括使用感興趣區(qū)域特征匹配方式在圖像庫(kù)進(jìn)行檢索，并計(jì)算相關(guān)區(qū)域與目標(biāo)區(qū)域的相似度；當(dāng)相似度達(dá)到預(yù)設(shè)的閾值時(shí)，則將此被搜索圖像作為命中目標(biāo)；使用直方圖相交法作顏色特征的距離度量方式，顏色和紋理特征的距離采用歐氏距離 進(jìn)行度量。
9. 如權(quán)利要求1所述的方法，其特征在于，所述利用圖像分割確定目標(biāo)區(qū)域具體包括 將彩色圖像轉(zhuǎn)換成灰度圖像，利用0tsu閾值分割法對(duì)灰度圖像的矩形框包含的對(duì)象進(jìn)行區(qū)域分割，提取閉合連通的輪廓及確定出 一個(gè)最佳的閾值，該閾值作為下一步Ca皿y 算子的高門(mén)限值；利用Ca皿y算子作用于原灰度圖像提取出邊緣圖像；將獲得的區(qū)域輪廓圖和邊緣圖按一定的準(zhǔn)則進(jìn)行融合，得到最終分割結(jié)果。
全文摘要
本發(fā)明公開(kāi)一種基于感興趣區(qū)域的圖像檢索方法，包括使用矩形框選定需要檢索的目標(biāo)所在的區(qū)域；將示例彩色圖像轉(zhuǎn)換成灰度圖像，并利用融合區(qū)域信息與邊緣檢測(cè)的圖像分割算法提取矩形框中可能的目標(biāo)區(qū)域；在用戶確定一個(gè)感興趣目標(biāo)區(qū)域后，根據(jù)灰度圖像中目標(biāo)區(qū)域的位置確定彩色圖像中對(duì)應(yīng)的區(qū)域；在彩色圖像目標(biāo)區(qū)域中分別提取顏色特征、紋理特征和形狀特征，然后在提取了區(qū)域特征的基礎(chǔ)上進(jìn)行區(qū)域匹配；按照相似度從大從小的順序?qū)?duì)應(yīng)的圖像顯示給用戶。通過(guò)本發(fā)明，可以有效提高圖像檢索的查準(zhǔn)率和查全率，增強(qiáng)圖像檢索的靈活性。
文檔編號(hào)G06T7/00GK101789005SQ201010100999
公開(kāi)日2010年7月28日 申請(qǐng)日期2010年1月22日 優(yōu)先權(quán)日2010年1月22日
發(fā)明者班會(huì)斌 申請(qǐng)人:深圳創(chuàng)維數(shù)字技術(shù)股份有限公司