图像检索:FCTH(Fuzzy Color and Texture Histogram)算法

模糊颜色和纹理直方图(Fuzzy Color and Texture Histogram,FCTH)

本文节选自论文《基于半监督和主动学习相结合的图像的检索研究》

FCTH 特征可从 3 个模糊单元的组合求得结果。先将图像划分成若干分块,在第一个模糊单元中以 HSV
颜色空间的三个信道为输入,经模糊系统最终产生 10-bin 的直方图。在第二个模糊单元修改每个颜色的色调后,经模糊系统最终产生 24-bin
的直方图。以上两个模糊单元在颜色描述子的章节中已详细作了解释,且模糊颜色描述子与
CEDD中所提的颜色描述子是同一个概念,在此不再累述。在第三个模糊单元中,将图像分块经 Harr
小波变换成一组纹理元素,模糊系统以这些纹理元素集为输入将 24-bin 直方图转换成
192-bin 的直方图。最后是描述 FCTH 特征提取的实现。

2.1.3.2.1. 模糊纹理分割

模糊系统如图 2-8 所示,展示了模糊纹理直方图的求解过程,图像分块经 Harr 小波变换得到三个纹理元素fLH,fHL和fHH
这三个纹理元素作为模糊系统的输入,可得到 8-bin 直方图,8bins
对应的区域分别是:(0)低能量线性区,(1)低能量水平激活区,(2)低能量垂直激活区,(3)低能量水平和垂直激活区,(4)高能量线性区,(5)高
能量水平激活区,(6)高能量垂直激活区,(7)高能量水平和垂直激活区。

事实证明fLH,fHL和fHH等纹理元素能有效辨别图像的纹理。

2.1.3.2.2. FCTH 的实现

首先定义与提取颜色信息相关的单元为颜色单元,与提取纹理信息相关的单元为纹理单元,如图 2-9 所示,纹理单元所在的模糊系统产生了 8
个区间,颜色单元所在的模糊系统产生了 24 个独立区间,这样最终的直方图将产生 8*24=192bin
区域。为了塑造这个直方图,衡量图像的细节与计算要求,先将图像分割成 1600
个分块。如果定义纹理单元的bin为N并且颜色单元的bin为M,那么该图像分块的直方图位置将为:N*24+M。

整个 FCTH 的实现模型如图 2-9 所示,分为纹理单元模块与颜色单元模块。

a) 在纹理单元模块中,每个图像分块经 Harr 小波变换得到三个纹理元素fLH,fHL和fHH的值,经模糊关联系统分类可将该图像分块归类于 8-bin 直方图中的一种。假设该图像分块被归类到第二 bin 中,则它对应的纹理应为低能量水平激活区。

b) 在颜色单元模块中,每个图像分块被转化到 HSV 颜色空间。信道色调 H,饱和度
S,亮度V组成模糊系统的输入,得到输出为10-bin的直方图。假设输出结果为第4bin,对应的颜色为红色。第二个模糊系统(24-bin
模糊关联)将原先的每个色调再次分割成 3 色调,改变亮度 V 为两个模糊区间,得出输出为 24-bin 直方图。再假设输出结果为第
4bin,此时对应的颜色却为深红色。合并这三个模糊系统最终可将该图像分块归类为 27bin(1*24+3)。

c) 反复对图像的所有分块执行上(a),(b)两个步骤,得到整张图像的直方图,直方图会归一于{0-1}区间内,而每个直方图可量化为 3 比特。

2.1.3.2.3. FCTH 特征的相似度量

为了计算 FCTH 特征向量的相似性距离我们选择使用 Tanimoto 系数。

时间: 05-23

图像检索:FCTH(Fuzzy Color and Texture Histogram)算法的相关文章

HDU 1556 Color the ball【算法的优化】

/* 解题思路:每次仅仅求解一開始的第一个数字,让第一个数字加一,最后的一个数字的后面一个数减一.我们能够想想,最后加的时候,就是加上前面一个数出现的次数和自己本身出现的次数. 解题人:lingnichong 解题时间:2014-10-25 10:30:46 解题体会:因为測试区间非常大,所以此题非常easy超时 */ Color the ball Time Limit: 9000/3000 MS (Java/Others)    Memory Limit: 32768/32768 K (Jav

LIRe提供的图像检索算法的速度

在LIRe中主要实现的图像特征有:        1.       RGB和HSV空间的颜色直方图:        2.       MPEG-7的颜色特征,包括Scalable color,Color layout和Edge Histogram:        3.       Tamura纹理特征,包括粗糙度(Coarseness),对比度(Contrast)和方向度(Directionality):        4.       颜色和边缘的方向性描述符(Color and edge d

随机森林与集成算法

决策树: 使用决策树算法,我们从树根开始,基于可获得最大信息增益(information gain,IG)的特征来对数据进行划分,我们将在下一节详细介绍信息增益的概念. 通过迭代处理,在每个子节点上重复此划分过程,直到叶子节点.这意味着在每一个节点处,所有的样本都属于同一类别. 在实际应用中,这可能会导致生成一棵深度很大且拥有众多节点的树,这样容易产生过拟合问题,由此,我们一般通过对树进行“剪枝”来限定树的最大深度. 最大化信息增益——获知尽可能准确的结果 为了在可获得最大信息增益的特征处进行节

笔试算法题(51):简介 - 红黑树(RedBlack Tree)

红黑树(Red-Black Tree) 红黑树是一种BST,但是每个节点上增加一个存储位表示该节点的颜色(R或者B):通过对任何一条从root到leaf的路径上节点着色方式的显示,红黑树确保所有路径的差值不会超过一倍,最终使得BST接近平衡: 红黑树内每个节点包含五个属性:color, key, left, right和p,p表示指向父亲节点的指针:一棵BST需要同时满足下述五个性质才能称作红黑树: 每个节点只能是红色或者黑色节点中的一种: 根节点必须是黑色: 每个叶节点(NULL)必须是黑色:

[数据结构和算法]折半插入排序算法笔记

/// <summary> /// 步骤: /// 1.记录当前待排元素 /// 2.标记顺序表有序查找区域下界和上界 /// 3.在顺序表有序查找区域中折半查找等待排序元素的位置 /// 4.把顺序表有序查找区域的某些元素后移一位,以空出位置给等待排序的元素 /// 5.在空出的位置填写当前排序元素 /// </summary> /// <param name="elements"></param> static void SqList

Java 笔试面试 算法编程篇 一

方法 1 /* ********************************************************************************** 1.编写一个程序,将a.txt文件中的单词与b.txt文件中的单词交替合并到c.txt文件中, a.txt文件中的单词用回车符分隔,b.txt文件中用回车或空格进行分隔. *************************************************************************

&lt;OpenGL&gt; Texture Mapping

I. Steps in Texture Mapping To use texture mapping, you perform these steps. 1. Create a texture object and specify a texture for that object. 2. Indicate how the texture is to be applied to each pixel. 3. Enable texture mapping. 4. Draw the scene, s

ISP模块之彩色图像增强--ACE算法 .

ACE(Automatic Color Enhancement),自动色彩增强算法,是一种对于彩色图像增强十分行之有效的方法.它的改进算法以及快速实现在文章Automatic Color Enhancement (ACE) and its Fast Implementation,2012中提出. 在NxN的图像上,ACE算法的算法复杂度为O(N^4),文章提出的新的ACE算法采取了两种近似的方法,一是采用多项式函数逼近坡度函数(Slope function)降低卷积计算量,二是采用不同程度的插值

6. 集成学习(Ensemble Learning)算法比较

1. 集成学习(Ensemble Learning)原理 2. 集成学习(Ensemble Learning)Bagging 3. 集成学习(Ensemble Learning)随机森林(Random Forest) 4. 集成学习(Ensemble Learning)Adaboost 5. 集成学习(Ensemble Learning)GBDT 6. 集成学习(Ensemble Learning)算法比较 1. AdaBoost Vs GBDT 相同 AdaBoost和GBDT都是重复选择一个