3551人阅读
void&GetHu(string&image_path)&&
{&&&&&&IplImage&*src_image&=&cvLoadImage(image_path.c_str(),0);&&&&&&&&CvMoments&&&&&&&CvHuMoments&hu_&&&&&&cvMoments(src_image,&&moments,0);&&&&&&cvGetHuMoments(&moments,&&hu_moments);&&&&&&for(int&i&=&1;&i&&&8;&++i)&&&&&&{&&&&&&&&&&cout&&((double*)&hu_moments)[i]&&&\t&;&&&&&&}&&}&&
void GetHu(string image_path)
IplImage *src_image = cvLoadImage(image_path.c_str(),0);
CvHuMoments hu_
cvMoments(src_image, &moments,0);
cvGetHuMoments(&moments, &hu_moments);
for(int i = 1; i & 8; ++i)
cout&&((double*)&hu_moments)[i]&&&\t&;
另外，opencv中的cvMatchShapes()方法可以直接实现两个轮廓的相似性计算，结果越小越相似。这个函数也是基于Hu不变量的相似性匹配。
k-最近邻是一个非常简单的机器学习算法,并且在OpenCV中已经实现。在这篇文章中，我们将使用免费的数据集中的手写数字，作为K最近算法的训练集。训练之后通过它来识别数字。我们将用到一些文件操作，如：fopen,fread,etc.如果你对文件操作不熟悉，建议先复习一下。
手写数字数据集
这个网页提供了大量的手写数据集供下载。把上面的4个文件都下载下来。这些文件包含训练图像，训练图像的标号，测试图像和测试图像对应的真实标号。文件不能通过一般的图像浏览器打开。我们必须自己写代码来读取图像和标号。
训练：加载数据集
我们使用C/C++中的标准文件操作来加载数据集。数据的在文件中的存储格式在Yann的网页中有介绍。
在图片文件中，前16个字节包含的是文件信息。其中，开头的4个字节是magic number，用来确保所读的文件正确。接下来的4个字节代表图像的数量（因为整型通常4个字节表示）。第8-12个字节代表行数，最后4个字节代表列数。之后存储的就是图像数据，逐行存储每一副图像的像素点。
在标号文件中，前4个字节同样是magic number。接下来的4个字节是标号的个数。再之后，一个标号用一个字节表示，来代表手写体对应的数字0~9中的一个。
有了对文件格式的理解，我们开始创建一个新工程，要包含OpenCV的头文件。
#include&cv.h&
#include&highgui.h&
#include&ml.h&
#include&time.h&
#include&stdio.h&
#include&stdlib.h&
int main()
& &return 0;
我将会使用到OpenCV的C++接口，因此也包含了CV命名空间。首先，我们创建2个新的文件指针：
& &int main()
& && &&&FILE *fp = fopen(&C:\\train-images.idx3-ubyte&, &rb&);
& && && &FILE *fp2 = fopen(&C:\\train-labels.idx1-ubyte&, &rb&);
& && &&&return 0;
上面的语句以二进制只读的方式打开文件。然后就是异常处理语句，如果文件没有打开，我们直接返回。
if(!fp || !fp2)
& &return0;
接下来，从这两个文件中读取参数：
& & int magicNumber =readFlippedInteger(fp);
& & int numImages =readFlippedInteger(fp);
& & int numRows =readFlippedInteger(fp);
& & int numCols =readFlippedInteger(fp);
fseek(fp2, 0x08, SEEK_SET);
我们一会儿会用到readFlippedInteger函数。如果你使用的是Intel的机子（以低字节优先排列）的话，就要用到这个函数。如果你使用的是高字节优先的处理器，就可以直接使用fread函数。
标号从第8个字节开始，在fp2文件中同样需要跳过开始的2个整数。
现在，我们申请空间来存储所有的图片和标号：
int size = numRows*numC
& & CvMat *trainingVectors =cvCreateMat(numImages, size, CV_32FC1);
CvMat *trainingLabels = cvCreateMat(numImages,1, CV_32FC1);
其中“vectors”代表所有手写数字图像，即K-最近邻的输入向量，“Labels”则代表手写数据的标号，即K-最近邻的分类类别。分配好内存之后，就能从文件中读取数据了：
& &BYTE *temp = new BYTE[size];
& & BYTEtempClass=0;
& & for(inti=0;i&numIi++)
& && &&&fread((void*)temp,size, 1, fp);
& && & fread((void*)(&tempClass), sizeof(BYTE), 1, fp2);
& && & trainingLabels-&data.fl = tempC
& && &&&for(intk=0;k&k++)
& && && &&&trainingVectors-&data.fl[i*size+k] = temp[k];
这段代码加载第i副图像到temp，并且读取他的标号到tempClass.然后，在trainningVectors和trainingLabels矩阵中依次填充元素值。为什么要这样做呢？因为矩阵的数据类型是浮点型。而文件中的数据是单个字节数据。4个字节对应一个字节
是不能匹配的。所以就采用逐个数据的方式对矩阵赋值。如果你知道更好的方法，可以告诉我。
将数据存入内存之后，我们可以将它们作为输入导入到K-最近邻算法中：
KNearest knn(trainingVectors,trainingLabels);
然后，打印出k的最大值，关闭文件。
printf(&Maximum k: %d\n&,knn.get_max_k());&&
& & fclose(fp);
fclose(fp2);
我们也可以释放矩阵，因为OpenCV中的K-最近邻算法会自己另外保存一份向量和类别的备份。
& &cvReleaseMat(&trainingVectors);
cvReleaseMat(&trainingLabels);
测试：使用K-最近邻识别
训练完成之后，就要对测试图像进行测试，来看看识别的准确性。
在同一个工程下，在底部添加下面代码：
fp = fopen(&C:\\t10k-images.idx3-ubyte&,&rb&);
fp2 = fopen(&C:\\t10k-labels.idx1-ubyte&,&rb&);
然后，从文件中读取初始信息，并且设置fp2的文件指针到第8个字节：
magicNumber = readFlippedInteger(fp);
& & numImages =readFlippedInteger(fp);
& & numRows =readFlippedInteger(fp);
& & numCols =readFlippedInteger(fp);&&
fseek(fp2, 0x08, SEEK_SET);
接下来，为测试图像和图像类别（标号）分配内存：
CvMat *testVectors = cvCreateMat(numImages, size,CV_32FC1);
& & CvMat*testLabels = cvCreateMat(numImages, 1, CV_32FC1);
CvMat *actualLabels = cvCreateMat(numImages, 1,CV_32FC1);
testVectors存储测试图像，testLavels存储通过算法预测的图像的标号，actualLabels存储实际的标号（也就是从fp2中读取的真实标号）；
然后，创建一些临时变量：
& &temp = new BYTE[size];
& & tempClass=1;
& & CvMat*currentTest = cvCreateMat(1, size, CV_32FC1);
& & CvMat*currentLabel = cvCreateMat(1, 1, CV_32FC1);
int totalCorrect=0;
temp和tempClass存储当前图像和它真实的标号。totalCorrect对正确的预测进行跟踪。现在，我们迭代文件中的所有图像：
for(int i=0;i&numIi++)
& && & fread((void*)temp, size, 1, fp);
& && & fread((void*)(&tempClass), sizeof(BYTE), 1, fp2);
& && & actualLabels-&data.fl = (float)tempC
& && &&&for(intk=0;k&k++)
& && && &&&testVectors-&data.fl[i*size+k] = temp[k];
& && && &&&currentTest-&data.fl[k] = temp[k];
这段代码仅仅是读取一副图像并存储数据到矩阵。接下来还要在外面的for循环中添加如下代码来预测这幅图像的标号：
& && &&&knn.find_nearest(currentTest,5, currentLabel);
& && &&&testLabels-&data.fl =currentLabel-&data.fl[0];
& && & if(currentLabel-&data.fl[0]==actualLabels-&data.fl)
& && && &&&totalCorrect++;
最后，打印出识别正确的数字的个数：
printf(&Time: %d\nAccuracy: %f\n\n&,(int)time, (double) totalCorrect*100/(double)numImages);
整数的翻转和字节存储次序
不同的处理器有不同的字节存储次序。假设一个整数32个比特，那么就要用4个字节来存储。一些处理器将4个字节中最低位作为整数的最高有效位，另外一些则把最高位作为整数的最高有效位。这样的差异确实容易混淆，但是我们也无法控制。也许，MINST数据集的创建有非Intel的机器，所以才设计了这样的文件存储格式。以下是读取“flipped 整数”的方法：
int readFlippedInteger(FILE *fp){& & int ret = 0;& & BYTE *&
& temp = (BYTE*)(&ret);& & fread(&temp[3], sizeof(BYTE), 1, fp);& & fread(&temp[2], sizeof(BYTE), 1, fp);&
& fread(&temp[1], sizeof(BYTE), 1, fp);& & fread(&temp[0], sizeof(BYTE), 1, fp);& &
这段代码中创建了一个字节指针来指向整数ret的首地址，然后从高位挨着读取4个字节，最后返回整数ret。
通过以上的方法，就实现了机器学习。当然，还有一些更好的分类方法可供选择，你也可以尝试。或者你可以改进一下K-最近邻算法（提示：也许不是图像中的所有像素点都有用）。试试吧！
图像处理的傅里叶变换&&
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：757600次
积分：10164
积分：10164
排名：第655名
原创：127篇
转载：85篇
译文：115篇
评论：182条
文章：10篇
阅读：74744
(1)(14)(3)(6)(5)(1)(3)(1)(1)(1)(1)(1)(3)(2)(2)(2)(2)(11)(14)(4)(4)(8)(8)(7)(10)(7)(11)(10)(1)(3)(1)(1)(1)(1)(1)(5)(1)(1)(1)(7)(3)(5)(3)(2)(10)(2)(3)(1)(8)(11)(6)(1)(1)(11)(71)(22)(1) 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
非均匀光照图像中粘连手写体和印刷体的辨别
下载积分：3000
内容提示：非均匀光照图像中粘连手写体和印刷体的辨别
文档格式：PDF|
浏览次数：0|
上传日期： 18:32:18|
文档星级：
该用户还上传了这些文档
非均匀光照图像中粘连手写体和印刷体的辨别
官方公共微信扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
P形傅里叶变换在手写体汉字识别中的应用
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口文档分类：
在线文档经过高度压缩，下载原文更清晰。
淘豆网网友近日为您收集整理了关于光照不变性特征在图像检索与识别中的应用研究---优秀毕业论文 参考文献 可复制黏贴的文档，希望对您的工作和学习有所帮助。以下是文档介绍：光照不变性特征在图像检索与识别中的应用研究---优秀毕业论文 参考文献 可复制黏贴 光照不变性特征在图像检索与识别中的应用研究重庆大学硕士学位论文学生姓名:李文龙指导教师:尚赵伟副教授专业:计算机应用技术学科门类:工学重庆大学计算机学院二 O 一一年十一月Research and Application of IlluminantInvariant Features in Image Retrieval andRecognitionA Thesis Submitted to Chongqing Universityin Partial Fulfillment of the Requirement for theDegree of Master of EngineeringByLi WenlongSupervised by Ass. Prof. Shang ZhaoweiMajor: Computer Application TechnologyCollege puter Science ofChongqing University, Chongqing, ChinaNovember 2(来源：淘豆网[/p-5368418.html])011重庆大学硕士学位论文中文摘要I摘要经过几十年的发展,图像检索与识别技术已经取得了一定的成果,并已广泛地应用于工业制造、金融、公安、司法、军事等领域。它们不仅速度快、效率高,而且还具有比人更胜一筹的准确度。图像检索与识别技术紧密联系,检索技术的发展进一步的推动了识别技术的发展,特别体现在手写体图像识别等应用当中。光照问题是图像检索与识别面临的主要难题之一,由于光照变化改变了图像灰度空间的分布,影响图像检索的准确率,制约了图像识别系统的推广应用。本文在多尺度几何分析理论的基础上,主要研究光照不变性特征的提取与应用,进一步提高图像检索与识别的准确度,主要工作如下:○1 针对离散小波变换不具备时移不变性、方向信息少的缺点,以及 Contourlet变换存在频谱混叠的缺陷,提出基于抗混叠轮廓波变换与去噪模型结合提取光照不变性特征的图像检索改进算法。首先将图像转换到对数域,然后通过抗混叠轮廓波变换与去噪模型结合的方法提取光照不变性特征,最后采用 K-最近特征线分类器进行分类。实验结果表明,改进算法的(来源：淘豆网[/p-5368418.html])识别率比小波变换与去噪模型相结合方法提高 5.48%,比基于形态学纹理特征的方法提高 13.38%。○2 根据金字塔对偶树方向滤波器组变换的相位信息具有光照不变性的特点,提出基于金字塔对偶树方向滤波器组变换提取光照不变性特征的图像检索算法。首先通过金字塔对偶树方向滤波器组变换和基于相对相位的 Vonn 模型得到图像的光照不变表示,然后利用提取的特征计算出 RA 距离,最后得到图像的检索率。实验结果表明,该算法比基于不变矩方法的查全率提高 1.83%-13.42%,查准率提高10.76%-21.22%。○3 将光照不变性特征相对相位应用于手写体文本图像识别。光照变化对手写体文本图像识别的影响虽然不是太明显,但是具有光照不变性的相对相位信息应用于识别当中能进一步改善识别系统的性能。首先通过金字塔对偶树方向滤波器组变换和基于幅度的 DMD 模型、基于相对相位的 VM、WC 分布模型得到图像的特征表示,然后利用提取特征运算出 RA 距离,最后根据多属性决策的思想,进行特征融合,并实现笔迹识别。实验结果(来源：淘豆网[/p-5368418.html])表明,该方法的检索率最好能达到 100%,优于现有的几种方法。关键词:抗混叠轮廓波,金字塔对偶树方向滤波器组,图像检索,相对相位,光照不变性特征重庆大学硕士学位论文英文摘要IIABSTRACTAfter several decades of development, technologies of image retrieval andrecognition have made great achievements and been widely applied in many fields, suchas industrial manufacturing, finance, public security, judicial branch and military. Theyare not only fast and highly efficient, but also have superior pared withhuman. There is a close relationship (来源：淘豆网[/p-5368418.html])between image retrieval and recognition, theachievements of image retrieval technology further promote the advance of imagerecognition, which has been reflected in the application of handwriting recognitionparticularly.Illumination condition is one of the main challenges in image retrieval andrecognition. Because light changes the distribution of image in gray space, affects uracy of retrieval, limits the advanced promotion and application of imager(来源：淘豆网[/p-5368418.html])ecognition system. Based on the theory of multiscale geometric analysis, the mainresearch of this paper focuses on extraction and application of illuminant invariantfeature, which will further improve the accuracies of image retrieval and recognition.The main work is as follows:①Considering the lack of time-shift invariance and directional information indiscrete wavelet transform and the aliasing problem in Contourlet domain, we proposeda novel imag(来源：淘豆网[/p-5368418.html])e retrieval algorithm of extracting illuminant invariant feature bingnon-aliasing Contourlet transform (NACT) and denoising model. First, the image isconverted to the logarithmic domain, and then we extract illuminant invariant featurewith the method of NACT and denoising model. Finally retrieval pleted by usingK-nearest feature line classifier. Experimental results show that the recognition rate ofimproved algorithm is higher than that of discrete (来源：淘豆网[/p-5368418.html])wavelet bined withdenoising model by 5.48%, compared with methods based on morphological featurestexture increased 13.38%.②According to the illumination invariance of phase information of the pyramidaldual-tree directional filter bank (PDTDFB) transform, an image retrieval algorithm ofextracting illuminant invariant feature is proposed. First, we obtain a robust illuminationfeature of image using PDTDFB and relative phase depicted by Vonn distributi(来源：淘豆网[/p-5368418.html])on model.Then, the resistor-average(RA) distance is used to measure the similarity betweenimages using the extracted features. Our experimental results show the effectiveness of重庆大学硕士学位论文英文摘要IIIthe proposed algorithm. Compared with algorithm based on moment invariants, therecall rates improve by 1.83%-13.42%, precision rates increase by 10.76%-21.22%.③An illuminant invariant feature based on relative phase information is applied inrecognition of Chi(来源：淘豆网[/p-5368418.html])nese handwriting image. Although the light changes of handwritingimage are not that obvious, relative phase information with illuminant invariance couldfurther improve the performance of recognition systems. First, we obtain the featuredescription of image using PDTDFB, magnitude described by derived magnitudedistribution (DMD) and relative phase which is depicted by Von Mises(VM)distribution and Wrapped Cauchy(WC) distribution model. Then we apply (来源：淘豆网[/p-5368418.html])the RAdistance to measure the similarity between images using the extracted features. Finally,motivated by the idea of multiple attribute decision making (MADM), the two kinds offeatures extracted from magnitude and relative phase are fused appropriately to realizewriter identification. Experimental results show that our method performs better thanother traditional methods, the accuracy reaches 100% in the best situation.Key words: Non-aliasing Contourlet Transform, Pyramidal Dual-tree Directional FilterBank, Image Retrieval, Relative Phase, Illuminant Invariant Feature重庆大学硕士学位论文目录IV目录中文摘要..........................................................................................................................................I英文摘要........................................................................................................................................ II1 绪论.........................................................................................................................................11.1 图像检索与识别技术概述...................................................................................................11.2 研究背景和使用意义...........................................................................................................41.3 论文的结构...........................................................................................................................62 图像检索与识别中消除光照变化影响的方法介绍.........................................72.1 引言.......................................................................................................................................72.2 光照变化对图像检索与识别的影响...................................................................................72.3 消除光照变化影响的几种方法...........................................................................................92.4 本章小结............................................................................................................................. 113 基于 NACT 与去噪模型提取光照不变性特征的图像检索.....................133.1 引言.....................................................................................................................................133.2 小波变换.............................................................................................................................133.3 轮廓波变换.........................................................................................................................143.4 抗混叠轮廓波变换.............................................................................................................153.5 算法思想.............................................................................................................................183.5.1 基于 NACT 的光照不变性特征提取......................................................................183.5.2 K-最近特征线分类器...............................................................................................193.6 实验.....................................................................................................................................213.6.1 实验图像库..............................................................................................................213.6.2 参数的设定..........................................................................................................213.6.3 实验过程及分析......................................................................................................223.7 本章小结.............................................................................................................................254 基于 PDTDFB 变换提取光照不变性特征的图像检索...............................264.1 引言.....................................................................................................................................264.2 双树复小波变换.................................................................................................................264.3 金字塔对偶树方向滤波器组.............................................................................................284.4 光照不变性特征的提取.....................................................................................................314.4.1 相位信息的光照不变性..........................................................................................314.4.2 相对相位的光照不变性...........................................................................................31重庆大学硕士学位论文目录V4.4.3 基于相对相位的 Vonn 分布....................................................................................324.5 实验.....................................................................................................................................344.5.1 实验图像库..............................................................................................................344.5.2 实验与分析..............................................................................................................364.6 本章小结.............................................................................................................................405 光照不变性特征在手写体文本图像识别中的应用.......................................415.1 引言.....................................................................................................................................415.2 统计模型及相似性度量.....................................................................................................425.2.1 Von Mises 分布.........................................................................................................425.2.2 Wrapped Cauchy 分布...............................................................................................445.2.3 基于幅度的统计模型..............................................................................................455.2.4 相似性度量..............................................................................................................475.3 特征融合.............................................................................................................................475.3.1 多属性决策思想......................................................................................................475.3.2 幅度和相对相位特征的融合..................................................................................485.4 实验.....................................................................................................................................495.4.1 实验图像库..............................................................................................................495.4.2 实验过程与分析......................................................................................................495.5 本章小结.............................................................................................................................536 总结与展望............................................................................................................................54致谢.......................................................................................................................................55参考文献.......................................................................................................................................56附录.......................................................................................................................................60重庆大学硕士学位论文 1 绪论11 绪论伴随着科学技术的迅速发展,图像的来源不断扩大,需要生成、传输、分析和存取的图像信息呈爆炸式增长,各行业对图像的使用越来越广泛, 面对浩瀚纷繁的图像信息海洋,快速高效地找到所需图像信息犹如大海捞针,人们对图像检索与识别工具的依赖与日俱增,如何有效地进行图像检索与识别,已经成为当前研究的一个热点课题。1.1 图像检索与识别技术概述图像检索与识别技术的发展密切相关,在图像处理与分析中,图像检索的特征提取与相似性计算方法都能应用于图像识别,因此从某种意义可以认为,图像检索与识别技术的发展是同步进行,检索技术的发展促进了识别技术的发展。图像检索技术的发展主要经历了以下两个阶段:第一阶段,始于上世纪 70 年代,该阶段主要是基于文本的图像检索(Text-basedImage Retrieval,TBIR),沿用了传统的文本检索方法,把关键字或文本标题以及一些附加描述信息作为图像的索引;当按照关键字的方法检索时,文本描述中包括该关键字的图像都将被检索出来。当前,计算机自动完成图像的注释还不能实现,需要手工进行注释,因而工作量较大,不可避免地带入了主观性;百度、搜狐、谷歌所提供的图像检索技术,都是采用了 TBIR 技术。TBIR 使用了成熟的搜索引擎技术与图像检索技术,实现简单、与人们对图像的认知一致,但是标注工作量大和由于人认知的主观性导致的标注结果模糊性,已经一定程度上制约了 TBIR 技术的应用;第二阶段,始于上世纪 90 年年代,由于大规模图像信息的出现,基于文本的图像检索技术面临的困难更加严峻,变得越来越不可行。这个阶段出现利用图像的视觉内容,例如图像的颜色、纹理、形状等作为图像的索引, 计算查询图像和目标图像的相似距离,按相似性匹配进行检索,即基于内容的图像检索(Content-based Image Retrieval,CBIR)。CBIR 不需要人为的干预和解释,由计算机自动完成对图像本身存在的客观特征信息的提取和存储,减少了手工操作的工作量,避免了因人认知主观性造成的错误。与 TBIR 相比,CBIR 具有从图像内容中提取信息线索、提取特征方法多种多样、人机交互进行和检索是一种近似匹配的特点。图 1.1 为图像内容的层次模型,CBIR 技术所提取的特征属于图像物理特征层位于图像内容的层次模型的第二层;特征的提取是 CBIR 技术的基础,它在很大程度上决定了 CBIR 检索系统性能的好坏[1];重庆大学硕士学位论文 1 绪论2语义特征层(图像内容概念级的反映)物理特征层(图像的颜色、纹理、形状和轮廓等低层物理特征)原始数据层(图像的原始像素点)第三层第二层第一层图 1.1 图像内容的层次模型Fig.1.1. Hierarchical structure model of image content基于内容的图像检索,使用了反映图像内容并与图像共存的各种量化特征来建立索引,采用基于相似性度量的查询方式,能够满足多层次检索的要求,检索效率高,图 1.2 为 CBIR 系统的体系结构。图 1.2 CBIR 系统的体系结构Fig.1.2 CBIR System Architecture特征库图像库特征提取检索结果相关反馈相似性度量特征集合示例图像特征提取人机接口相似性度量结果输出和相关反馈图像数据库管理重庆大学硕士学位论文 1 绪论3CBIR 系统的核心是图像数据库管理模块,该模块中数据库由图像库和特征库组成;图像处理模块主要完成图像输入和特征提取;查询模块主要是根据相似度量结果,进行检索匹配和筛选;结果输出和相关反馈模块的主要任务是输出检索结果并反馈给用户,让用户可以根据系统查询反馈来进一步改进查询。CBIR 系统的查询方式可以分为示例查询和草图查询,其中示例查询是由用户提交一个或多个例子图像,草图查询是由用户提交简单绘制的草图,然后系统给出查询结果。目前在 CBIR 系统中应用最广的几种检索方法如下:①基于颜色特征的检索颜色特征描述了图像表面的视觉特性,是一种基于像素点的特征。对于旋转、平移、尺度大小变化等,颜色特征表现出一种相当强的鲁棒性,不能很好地捕捉到图像中对象的局部特征。基于颜色特征的检索方法可以分为全局颜色特征检索法和局部颜色特征检索法。全局颜色特征检索法最常用的是颜色直方图,但是它不包含一点图像色彩的空间信息;局部颜色特征可表示为平均色彩、主色彩、色彩直方图和二进制色彩集[2];②基于纹理特征的检索纹理特征是对图像灰度变化的特征进行量化,与图像的平均灰度无关,与对象的位置、大小、形状和走向相关,需要在有多个像素点组成的区域中进行统计计算,它描述了图像或图像区域所对应景物的表面性质,在图像局部区域呈现不规则性,而在整体上又表现出某种规律性;粗纹度、对比度、方向性、线性度、规则度和粗糙度是 Tamura 等人从感知心理学角度提出的纹理特征六种视觉特性;纹理分析的方法包括统计法、模型法、结构法和空间/频率域联合分析法等;纹理特征表示方法主要有:Tamura 法、小波变换和自回归纹理模型[3];③基于形状特征的检索形状特征与目标紧密地联系在一起,因而需要提取目标的轮廓或描述轮廓区域的性质。基于形状特征的检索方法可分为基于边界特征的方法和基于区域特征的方法。傅里叶描述子把傅里叶变换得到的边缘轮廓作为形状特征,是基于边界特征法中的一个代表;不变矩(Moment Invariants)法是计算区域内全部点的低阶矩,然后把它们非线性组合作为形状特征,是基于区域特征法的一个代表;在基于区域特征法中,区域特征主要有区域的面积、重心、纵横比、离散度和离心率等;④基于空间关系特征的检索图像中通常包括多个目标物体,它们之间的空间关系包括交叠/重叠、连接/邻接和包含/包容等关系,这些关系是图像中蕴涵的重要信息。在空间关系中,强调目标间相对情况(上下左右等关系)的是相对位置关系,强调目标间的距离大播放器加载中，请稍候...
该用户其他文档
下载所得到的文件列表光照不变性特征在图像检索与识别中的应用研究---优秀毕业论文 参考文献 可复制黏贴.pdf
文档介绍：
光照不变性特征在图像检索与识别中的应用研究---优秀毕业论文 参考文献 可复制黏贴 光照不变性特征在图像检索与识别中的应用研究重庆大学硕士学位论文学生姓名:李文龙指导教师:尚赵伟副教授专业:计算机应用技术学科门类:工学重庆大学计算机学院二 O 一一年十一月Research and Application of IlluminantInvariant Features ...
内容来自淘豆网转载请标明出处.