基于内容的图像检索系统及sift算法的应用(编辑修改稿)

基于内容的图像检索系统及sift算法的应用(编辑修改稿)内容摘要：

哈尔滨理工大学学士学位论文 7 纹理特征、小波变换和自回归纹理模型等。 物体的形状是图像的另一重要特征，它可以分为基于边界或轮廓的形状描述和基于区域的形状特征两种。 前者的典型描述子有傅里叶描述子、小波形状描述子和 Delaunay 三角剖分法等。 其中傅里叶描述子性能最佳，它以边界的傅里叶 变换最为形状的特征描述。 后者的描述子主要为各种矩不变量，如 Hu 不变矩、 Legenda 矩、 Zernike 矩等。 另外也包括一些简单的如面积、圆度、主轴方向等形状因子。 上文所讲述的颜色、纹理和形状等描述的是图像的整体特征，但图像中各个区域或对象之间的相对位置关系却无法体现。 弱项应用这些位置关系则必须对图像进行划分。 划分图像并描述其空间位置关系的方法有两种：一是通过图像分割划分出图像的各个区域或对象，描述它们的空间关系存入索引；二是将图像划分为几个子图像，然后分别提取子图像的特征建立索引。 上述 每一种特征都各有优劣，所适合的图像类型也各不相同，很难找适合描述所有类型图像的特征描述子。 所以在一些 CBIR 系统中为了提高系统的实用性，更加全面准确地描述图像，提高检索准确率，便将多种特征综合起来作为描述子，这便是综合特征检索技术。 综合特征检索技术灵活性高，各种特征优势互补，性能较好。 点特征提取算子 点特征在相同条件下与其他图像特征相比，能够概括更多的图像信息，而且具有更少的计算量，现阶段局部特征算法的研究也主要以点特征的提取与匹配为研究方向。 本课题实现的 CBIR 系统也使用图像的点特征进行检索与匹配。 在 一幅图像中，特征点要远远少于像元，但却携带大量的图像信息，在图像匹配、目标识别等方面也有广泛的应用，成为众多学者的研究重点，也提出了许多优秀的特征提取算法。 下面我们将介绍几个非常重要的特征点检测技术，并对这几种算法在稳定性、有效性、处理速度及定位准确性这几个层面进行对比分析。 算 子 SUSAN 是最小吸收核同值区的缩写， 是由由 英国牛津大学学者 . Smith 和 提出的。 SUSAN 算子是 一种 简单有效的基于灰度的特征点获取方法， 主要应用于 图像 的 边缘和角点检测， 对噪声干扰具有一定的 鲁棒性。 SUSAN 算子 将 使用窗口模板对图像进行处理 ，从而 得 出 图像 各向同性的响应。 SUSAN 算子采用 了不同于传统卷积运算方形模板的近似圆形的模板，如图 21 所示。 首先 ， 将模板放置在图像某一像元上，然后比较模板内部每个图像像元的灰度值都与模板中心像素的灰度值。 如果 模板内某点像素 的 灰度与模板中心像素 (核 )灰度的差值 较小（通常要设定一个阈哈尔滨理工大学学士学位论文 8 值） ，则认为该点与核 的灰度值相同。 将模板内所有像素点比较一次后，移动模板到下一像素点重复以上过程。 所有与核灰度值相同的 像素 点 组成的区域称做核值相似区 (USAN)。 图 21 SUSAN 模板离散图与核 当圆形模板完全处在 图像中某一对象内部时，模板内 USAN 区域面积最大 (如图 22 中的 a 和 b)；当 在 模板移 到 图像边缘 的过程中 ， USAN 区域逐渐变小；当模板中 心移动到图像 边缘时， USAN 区域很小 (如图 22 中的c)；当模板中心 移动到 角点时， USAN 区域最小 (如图 22 中的 d)。 可以看出，在边缘处象素的 USAN 值都小于或等于 模板面积的 的一半，因此，计算图像中每一个像素的 USAN 值，如果某一像素点的 USAN 值小于某一阈值， 即可确定 该点 为边缘点，这就是 SUSAN 算法 基本思想。 由此可以得出 SUSAN 算子 提取边缘和角点的基本 方法 ： 计算图像中每一像素点的USAN 值， USAN 较小的像素点可以确定为 边缘、角点， 并能 根据 USAN值 的大小 或 矩形特征来 确定 边缘、角点等特征的位置 和 方向信息。 bcdae 图 22 USAN 区域大小确定 哈尔滨理工大学学士学位论文 9 总结 Susan 特征点检测算子， 计算过程可以总结 为如下四步： (1) 将近似圆形模板置于图像中移动，使模板核与每一 个像元重合 ； (2) 统计 在模板与核像元 灰度值 相似的像元数量， 得到核像元的 USAN 值 ； (3) 计算角点的相应值； (4) 利用 非最大值抑制 计算 特征点集。 SUSAN 算子的突出有点是 对局部的噪声不敏感，抗干扰性强。 由于SUSAN 算子 并不需要对图像进行分割 ， 因此也不需要计算图像的 梯度数据，同时， USAN 区域是通过模板内与模板中心像元具有相似 灰度 值的像元累加而得到的， 而 像元的累加过程实际上 类似 于积分的过程， 从而可以有效的抑制高斯噪声。 算子 Harris 算子 是 1988 年由 和 提出的一种点特征提取算子。 这种算子受信号处理中自相关函数的启发，可以给出图像中某一像素点的自相关矩阵肘，其特征值是自相关函数的一阶曲率，如果算， Y 两个方向上的曲率值都高，那么就认为该点是角点。 Harris 角点检测算法的原理可以描述为以下几个过程： 首先将 待处理图像中的矩形窗口 W 向任意的方向移动微小 的 位移 ( x , y )，那么灰度的改变量 由式 21 计算得到。 2, , , ,222,22()2= ( x , y ) M ( x , y )x y u v x u y v u vuvuvuvxyTE W I IW x X y Y o x yA x B y C      (21) 其中， M 是点 (x,y)自相关 函数矩阵，它 是 自相关函数在原点 形状的描述 ， X,Y 分别 是图像函数 在水平方向、竖直方向上的一阶导数， ,uvW 为高斯窗口的系数， A、 B、 C、 M 表示如下： ( 1, 0 , 1)( 1, 0 , 1)IXIxIYIy              (22) 2,2,uvuvuvA X WB Y WC XY W    (23) 哈尔滨理工大学学士学位论文 10 22, 2()e xp 2uv uvW  (24) ACM CB (25) 假设矩阵 M 的两个特征值 为 12、 ，某一像素点的像素灰度自相关函数的极值曲率 便由此表示， 12、 成正比。 然后 通过 由 像素点对应的矩阵 M 的特征值来确定角点的位置：如果12、 都 很小， 那么 它的局部自相关函数很平坦，说明被检测区 域的灰度值变化不大，该区域为 平坦区域；如果 12、 一个大，一个小时， 那么该像素点 的局部自相关函数呈现山脊状，说明 该像素点 处于 图像 边沿；如果12、 都很大， 那么图像 的局部自相关函数呈现山峰状，说明 该像素点 是一个角点。 在算法的实际 的实现过程 中， 往往使 用矩阵 M 的迹和行列式来代替特征值， 这样可以大大简化计算的繁琐程度 ，提高检索效率。 于是角点定义为下式的局部最大值。 2( ) ( )T D e t M k T r M (26) 为了降低高对比度的边界点的漏检率，于是添加了修正因子 k， k 一般设定为 ~。 由于： 212()D e t M A B C   (27) 12()T r M A B    (28) 所以 Harris 角点响应函数 CRF 定义为： 22( ) ( )CRF A B C k A B    (29) Harris 算子是一种有效的角点提取算子，其优点总结起来有： (1)计算简单： Harris 算子中只用到灰度的一阶差分以及滤波，操作简单，整个过程的自动化程度高； (2)提取的点特征均匀而且合理： Harris 算子对图像中的每个点都计算其特征值，然后在邻域中选取最优点； (3)可以定量的提取特征点： Harris 算子最后一步是对所有的局部极值进行排序，所以可以根据需要提取一定数量的最优点； (4)Harris 算子在计算时用到了图 像数据的一阶导数，具有各向同性。 因此对图像旋转、亮度变化、视角变化和噪声的影响具有较好的鲁棒性。 Harris 算子的局限性有： (1)它对尺度很敏感，不具有尺度不变性 ； (2)提取的角点是像素级的。 算法 SIFT 算法描述的是图像的局部特征，即图像特征点附近哈尔滨理工大学学士学位论文 11 的像素灰度梯度分布情况，并对尺度变化、平移、旋转和亮度变化等具有良好的鲁棒性。 本设计采用 SIFT 算子作为图像的特征描述子，分别为两幅图像提取 SIFT 特征后，便可使用获得的特征向量对其进行相似性匹配和聚类。 其算法原理和匹配方法将在下一张做详细 论述，本章暂不讨论。 各算法性能比较 为比较各上文提出的三种点特征检测算法的性能，本文设计了实验对上述算法进行验证。 实验使用两张图片 (图 23)，图像 (a)为一幅分辨率250260 的脑核磁共振图像，图像 (b)为图像 (a)经过平移与旋转后的图像。 实验分别使用 Harris 算子、 SUSAN 算子和 SIFT 算子对这两幅图片进行特征提取，比较取得的特征点数量。 以比较各个算法检测特正点的能力及对旋转及平移的稳定性。 在实验中， Harris 算子在图像 (a)中提取出 165 个角点，同时在待配准图像 (b)中提取出 129 个角点 ； SUSAN 算子在图像 (a)中提取出 799 个角点，同时在待图像 (b)中提取出 640 个角点； SIFT 算法在图像 (a)中检测出722 个特征点，在图像 (b)中检测出 736 个特征点。 实验图像和结果如下图所示。 (a) (b) 图 23 测试图像 (a) (b) 图 24 Harris 算子特征检测效果 哈尔滨理工大学学士学位论文 12 (a) (b) 图 25 SUSAN 算子特征检测效果 (a) (b) 图 26 SIFT 算法特征检测效果 在实验中， Harris 算子在图像 (a)中提取出 165 个角点，同时在待配准图像 (b)中提取出 129 个角点； SUSAN 算子在图像 (a)中提取出 799 个角点，同时在待图像 (b)中提取出 640 个角点； SIFT 算法在图像 (a)中检测出722 个特征点，在 图像 (b)中检测出 736 个特征点。 从实验结果来看， Harris 算子和 SUSAN 算子检测出的特征点主要是图像的边缘和角点，特征信息略显单调；而 SIFT 算法除能检测出图像的部分边缘外，还能检测出图像中的线段交叉点和边界曲率较大的点，能更加全面的反映图像特征。 Harris 算子在图像灰度值变化较大的部分能较好得检测出图像的特征点，但在灰度值变化较为缓和的部位则出现漏检现象，因而检测出的特征点总数较少，但 (a)(b)两幅图像检测出的特征点总数相差不大，因而对旋转和平移具有较好的稳定性； SUSAN 算法对图像中每一个区 域中的特征点都有良好的敏感度，但却出现了冗余的边缘与角点，而且两幅图像检测出的特征点数量相差较大，体现出它对旋转的不稳定性；而 SIFT 算法出了检测出合适数量的边缘与角点外，还检测出图像中线段交叉点和曲线曲率较大的点，能更全面的反映图像特征，而且对旋转具有出色的稳定性。 另外，在图像发生尺度、视角及亮度变化时，哈尔滨理工大学学士学位论文 13 SUSAN 算子及 Harris 算子将检测出完全不同的特征点，而此时 SIFT 算法将保持良好的鲁棒性。 考虑到 SIFT 算法的以上优点，选用 SIFT 算法作为本课题中实现的CBIR 系统的特征提取方案。 匹配与相似性 度量 相似性度量也是图像检 索系统 的重要组成部分，度量方法的好坏直接影响到检索的性能，而 匹配 方法的计算复杂 程 度则 直接 影响到 图像 检索的时间。 一般认为，好的相似性度量方法应与人体的视觉系统保持良好的一致性，即视觉上认为相似的图像它们的度量相似性就应该大，反之则小。 通常采用各种相似距离 (similarity distance)来度量相似性，常见的如下： ，其公式如下： 1nkkkd x y (210) ，公式为： 1 221()n kkkd x y (211) ： 1 21 122 211 c o s( ) ( )iiiixyd。