基于图像识别的视觉认知与搜索技术研究8400字论文

基于图像识别的视觉认知与搜索技术研究现代心理学研究也表明，在我们平时生活中，有83%的信息内容是靠视觉来感知。视矩等方法提取图像特征，进行建库来进行图像识别搜索。本文选择以图像Hu不变矩边缘检测；接下来，利用Hu的7个不变矩作为形状特征向量；然后，进行图像相似关键词：图像检索；Hu不变矩；相似度1导论…………1.1选题背景与意义 21.2国内外文献综述 31.3论文的结构 41.4论文的主要内容 41.5论文的研究方法 41.6本章小结 42图像预处理 2.1图像灰度化 52.2二值化操作 52.3本章小结 63计算不变矩 73.1不变矩计算 73.2本章小结 74图像检索 84.1特征计算 4.2对比特征值向量 84.3相关度 84.4本章小结 5结果分析 5.1结果分析 5.2本章小结 6总结与展望 6.1总结 参考文献 视觉通道是人类感知外部世界的主要入口，图像则是多维度信息最直接的表现方式，更有“一图值千金”的谚语。但是，图像往往包含较多的信息量，文本方式很难表达其全面内容，因此对图像信息进行检索很难进行抽象建模。此外，随着互联网信息技术的发展，如何有效的存储、检索海量图像数据也越来越引起人们的关注。因此，通过有效构建图像数据库，搭建图像检索引擎，高效地利用图像的关键数据信息，结合已有的搜索技术来实现海量图像的智能检索系统具有重要的现实意义。目前许多主流的搜索引擎均提供了图像搜索通道，如谷歌相似图像搜索、百度识图等。搜索图象是不仅可以根据与图像相关联的文字信息来搜索，而且能够按照图像内容本身来搜图像的识别属于当代计算机科学研究的重要领域，已经发展成为一门独立的学科。这一学科在近几年里，发展十分迅速，应用范围相当 (1)数字化图书馆的建立与管理。随着数字化成技术的发展与广泛应用，越来越多的图书馆开始把已有的馆藏资料扫描成图像，对这些图像数据进行存储和检索。(2)用于这些照片的自动分类和管理。(3)网络图像检索。随着互联网技术的发展与普(4)视频分析与检索。在信息化时代，每天都会有大量的视频在网上分享。因为图引人们的注意和引起读者的兴趣。在“互联网+”时代，人们的生活和消费场景正不网站的用户们大约每天会上传3亿幅照片到网站上。人们在享受丰富图像信息所带来文献《ImageRetrievalusingContourletTransform》1提出了一种基于Contourlet像检索方法研究》3提出把颜色纹理形状特征分层融合图像检索方法研究提出把颜色本思路是：将图像的可视特征如颜色特征、纹理结构、边缘轮廓、位置关系等作为图像内容来进行匹配查找，利用已有的模式识别算法及进行相似度计算，实现目标检索。其中，图像特征抽取和匹配完全可以借助于数字图像处理技术自动完成，节省了人工成本，提高了执行效率。第一章绪论。陈述研究背景及意义，简单的叙述本文每个章节的内容及本文的第二章图像预处理。论述图像预处理里面两个关键步骤：图像灰度化以及二值第三章计算不变矩。详细介绍了计算不变矩的过程。第四章图像检索。着重讲述特征计算，对比特征值向量，相关度。第五章结果分析。根据之前章节的成果和数据，客观的总结分析此次结果。主要内容：先将图像库中的图像进行尺寸统一化操作，建立标准的图像库，然后计算Hu不变矩特征量：首先，将一幅彩色RGB的图像转换为灰度图像，对其进行二值化；然后归一化二值图像的尺寸，提取边缘图像；最后，统一计算其Hu不变矩，组成特征向量，将其提供给图像检索流程来执行图像查询，返回检索结果排序。(1)文献研究法：根据图象识别的研究目的，通过调查文献来获得资料，从而全面地、正确地了解掌握所要研究问题。(2)观察法：根据图像识别的研究目的，观察被研究对象，从而获得资料。能够启发思维从而得到新的思路。(3)信息研究方法：通过对信息的收集、传递、加工和整理获得知识，并应用于实践，以实现新的目标，并揭示事物的更深一层次的规律，帮助提高和掌握运用规本章提出了选题的背景，意义，对论文主题相关的国内外文献综述，论文的结构，内容，研究方法作了相应介绍。2图像预处理2.1图像灰度化在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),注意这里的2.2次方和2.2次方根，RGB颜色值不能简单直接相加，而是必须用2.2这个函数的指数称为Gamma值，一般为2.2,而这个换算过程，称为Gamma校正。时保留亮度实现将RGB图像或彩色图转换为灰度图像，即灰度化处理的功能，调用这个功能的格式是I=rgb2gray(RGB),意思是将真彩色图像RGB转换为灰度强度图像I⁴]。但是，这个方法对于Gamma校正的图片(平常所见到的24位真彩色图片均为Gamma校正的图片)并不适用，因为Gamma校正后的分量值不是物理上的功率，不这里的2.2次方和2.2次方根，RGB颜色值不能简单直接相加，而是必须用2.2这个函数的指数称为Gamma值，一般为2.2,而这个换算过程，称为Gamma校正6。(注意，rgb2ntsc函数也使用相同的权重来计算2.2二值化操作灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果。二于某个临界灰度值的像素灰度设为灰度极大值，把小于这个值的像素灰度设为灰度极小值，从而实现二值化。根据阈值选取的不同，二值化的算法分为固定阈值和自适应阈值。比较常用的二值化方法则有：双峰法、P参数法、迭代法和OTSU法等。2.2.1im2bw概念matlab中DIP工具箱函数im2bw使用阈值(threshold)变换法把灰度图像(grayscaleimage)转换成二值图像7。一般意义上是指只有纯黑(0)、纯白(255)两种颜色的图像。当然，也可以是其他任意两种颜色的组合[81。在Matlab中使用im2bw函数进行图像二值化处理时(将图像转换为二值图像),人为设定阈值并不总是十分有效。matlab工具箱为我们提供了graythresh函数。该函数使用最大类间方差法得到一个阈值，利用这个阈值进行图像二值化通常是十分有效的91。2.2.2im2bw算法BW=im2bw(I,level)将灰度图像转换为二进制图像[101。输出图像BW将输入图像中亮度值大于level的像素替换为值1(白色),其他替换为值0(黑色)。你指定level在果你不指定level,im2bw使用0.5[1。BW=im2bw(X,map,level)将颜色表为map的索引图像X转换为二进制图像。BW=im2bw(RGB,level)将RGB真彩图像转换为二进制图像。Level是归一化的阈值，值域为[0,1]。Level可以由函数graythresh来计算。图像预处理主要包括图像灰度化、二值化操作，为后续的不变矩计算提供了图像数据。本章采用MATLAB库函数rbg2gray进行图像灰度化操作，采用im2bw进行图像二值化操作。3计算不变矩3.1不变矩计算本文在的到二值边缘图像后，可以利用不变矩的公式提取不变矩，组成特征向量，考虑到图像库不变矩的计算复杂度较高，因此可以预先执行建库算法，提取其7个Hu不变矩特征，存放于图像的形状特征索引库中，将其提供给图像检索流程来执行图像查询，返回检索结果排序[12]。其中，计算图像Hu不变矩并建库的过程如下所述。(1)边缘图像，确定边缘提取算子对图像进行边缘提取，得到边缘图像。(2)提取轮廓，确定边缘图像，并进行轮廓跟踪，得到外轮廓图像。(3)细化轮廓，确定外轮廓图像，并进行预处理：首先，平滑轮廓得到连续的轮廓线，采用自适应二值化的方法二值化该轮廓线；然后，轮廓线细化操作；最后，提取连续平滑、单像素、二值化的外轮廓图像131。(4)目标区域，确定经过细化的外轮廓图像，并进行种子填充，获取图像的外轮廓线所包围的目标区域作为输入图像。(5)不变矩计算，确定目标区域图像，并计算目标区域的7个Hu不变矩，将其构造成这幅图像的形状特征向量。(6)归一化，确定形状特征向量，并对其进行内部归一化处理，将特征值存入本章根据图像不变矩计算公式，直接将图像视为数据矩阵进行计算。[R,P]=corrcoef(..)[[….]=corrcoef(….'param的值为1。R是一个对称矩阵，R(ij)表示第i列与第j列做相关。做相关时，是对P值如果小于0.05,表示相关显著性强，越接近0越强。RLO和RUP表示每一个相x=randn(30,4);%Uncorrelatedx(:,4)=sum(x,2);%Introducecorrelation.[i,j]=find(p<0.05);%Find在matlab当中可以使用xcorr函数来求序列的自相关和互相关。c=xcorr(x,y)返回矢量长度为2*N-1互相关函数序列，其中x和y的矢量长度均为N,如果x和y的长度不一样，则在短的序列后补零直到两者长度相等。在Matalb中，求解xcorr的过程事实上是利用Fourier变换中的卷积定理进行的。在概率论和统计学中，相关(Correlation,或称相关系数或关联系数),显示两方差除以两个变量的标准差(方差的平方根)。相关的程度。因为不是等单位的度量，因而不能说相关系数0.7是0.35两倍，只能说相关系数为0.7的二列变量相关程度比相关系数为0.35的二列变量相关程度更为密切和更高。也不能说相关系数从0.70到0.80与相关系数从0.30到0.40增加的程度一样认为的：相关系数相关程度实相关在matlab中使用corrcoef函数可以求两个序列的相关度：corrcoef(x,y)表示序列x和序列y的相关系数，得到的结果是一个2*2矩阵，其中对角线上的元素分别表示x和y的自相关，非对角线上的元素分别表示x与y的相关系数和y与x的相关5结果分析图像检索完毕后对检索结构根据其相关度排序并进行显示。8■8H待检索图像日画时▶显示区域控制面板上一页上一页计算Hu特征显示区域图像检素待检索图像钱入待检索图像选择图像数据库计算颜色特征图像检素退出系统基于Hu不变矩的图像检索应用上一页下一页图5-3选择图像数据库国载入待检索图像选择图像数据库计算颜色特征图像检索上一页下一页退出系统图5-4计算Hu特征载入待检索图像选择图像数据库计算颜色特征图像检索××上一页下一页图5-5计算颜色特征本文主要来分析研究基于Hu不变矩的图像检索技术，通过提取图像特征进行建论文撰写的各项流程和步骤，一无所知。但是这些迷茫并没有影响到自己。在寒假高自己的学习能力和接受能力。本人从这次的论文淮备与撰写学到了很多课外的知重要位置的研究课题。虽然到目前为止，研究人员已经提出了许多特征提取的方义指通过有效定义和提取具有普遍适用性的图像形状特征来提高检索算法的通用图像特征提取，并将其应用于检索智能程度的提升。因此，选择在CBIR技术的基础底层视觉特征，而用户对语义的理解要远高于底层特征的表达。因此，对图像的语义特征的表达和基于语义内容的图像检索将是今后研究的热点之一。[1]BORDES,BHOSLEU.ImageRetrievalusingJournalofComputerApplications,2011,34(5):37-43.[2]舒彬，王军锋，陈惠惠.基于小波变换的图像检索算法[J].计算机工程，2011(s1):[3]李冰.颜色纹理形状特征分层融合图像检索方法研究[J].西南师范大学学报(自然科学版),2017,42