特征提取在圖像搜索和近似重復(fù)圖像去冗中的應(yīng)用.pdf

1、近年來(lái)，隨著信息技術(shù)和互聯(lián)網(wǎng)應(yīng)用的蓬勃發(fā)展，多媒體海量數(shù)據(jù)正以難以想象的速度增長(zhǎng)，數(shù)字圖像作為一種不可或缺的信息載體具有非常重要的地位，由于數(shù)字圖像信息冗余度較大，因此如何采用圖像特征提取等技術(shù)對(duì)日益龐大的圖像庫(kù)進(jìn)行有效的管理顯得尤為重要。本文圍繞圖像特征提取技術(shù)，在圖像搜索和近似重復(fù)圖像去冗兩個(gè)領(lǐng)域進(jìn)行了研究，提出了基于詞袋模型(Bag-of-Words)的手機(jī)拍照?qǐng)D像搜索改進(jìn)算法和分層次的近似重復(fù)圖像去冗余算法。
　　針對(duì)基于

2、詞袋模型的圖像搜索問(wèn)題，本文提出的方法包括利用改進(jìn)的詞袋模型對(duì)圖像進(jìn)行特征提取，對(duì)圖像的搜索采用粗匹配和細(xì)匹配相結(jié)合的方式，平衡圖像搜索的速度和精度。主要的貢獻(xiàn)：一、針對(duì)傳統(tǒng)詞袋模型中沒(méi)有考慮空間位置關(guān)系的缺點(diǎn)進(jìn)行了改進(jìn)，將圖像劃分為內(nèi)中外三個(gè)區(qū)域進(jìn)行匹配，在保留詞袋模型檢索速度的同時(shí)，一定程度提高了檢索精度；二、提出了一種基于同心圓環(huán)的特征點(diǎn)檢測(cè)算法，能夠均勻選取圖像特征且抗能抵抗平移、旋轉(zhuǎn)、縮放和噪聲等攻擊。三、針對(duì)GALIF(Ga

3、bor local line-based feature)特征描述進(jìn)行了改進(jìn)。將對(duì)整幅圖像濾波改為只對(duì)特征點(diǎn)周圍的局部區(qū)域進(jìn)行濾波，有效提高了濾波速度；將局部區(qū)域的濾波對(duì)象由原先的二值線條，改為圖像灰度信息，從而提高了特征辨識(shí)度；通過(guò)引入局部坐標(biāo)系統(tǒng)，使得GALIF特征能夠抵抗旋轉(zhuǎn)操作。四、提出了一種多尺度不變量，用來(lái)對(duì)歐式距離的匹配結(jié)果進(jìn)行矯正，有效地提高了匹配的精度。五、利用基于ORB(Oriented FAST and Rotat

4、ed BRIEF)的細(xì)匹配算法對(duì)檢索到的相似候選圖像進(jìn)行處理，提取出一幅最匹配的圖像。通過(guò)針對(duì)大量圖像的實(shí)驗(yàn)表明，該搜索算法能夠精確快速地從數(shù)據(jù)庫(kù)中搜索出手機(jī)拍照?qǐng)D像，是圖像特征提取的一個(gè)很好的應(yīng)用。
　　另外，本文針對(duì)海量圖像的近似重復(fù)圖像檢測(cè)和去冗余方法進(jìn)行了研究，提出了一種分層次圖像去冗算法，主要包括利用“嚴(yán)苛分組”和“深度分組”相結(jié)合的技術(shù)對(duì)近似重復(fù)圖像進(jìn)行檢測(cè)，并采用動(dòng)態(tài)分組方法對(duì)圖像進(jìn)行快速分組。主要貢獻(xiàn)點(diǎn)在于：一、提

5、出了一種基于疏密度的全局描述子，能對(duì)圖像全局和局部的疏密度信息進(jìn)行描述，用此描述子對(duì)圖像庫(kù)進(jìn)行“嚴(yán)苛分組”。二、利用ORB細(xì)匹配算法進(jìn)行“深度分組”和圖像去冗，最大程度的減少圖像庫(kù)冗余度。三、提出一種動(dòng)態(tài)分組策略，對(duì)某個(gè)圖像進(jìn)行分組的時(shí)候，只需要將每幅圖像與組內(nèi)中心向量比較即可決定其所在的分組，中心向量根據(jù)組內(nèi)所有特征向量動(dòng)態(tài)更新，該方法能大幅提高圖像分組的效率。四、提出一種綜合考慮圖像清晰度、構(gòu)圖、及前景比例的質(zhì)量評(píng)估策略。在計(jì)算圖像