基于關鍵點的NAM圖像特征表示及其相似性分類研究.pdf

1、隨著數(shù)字圖像采集和傳輸設備的廣泛使用，圖像數(shù)據(jù)量激增，圖像數(shù)據(jù)的自動分析理解成為海量媒體內(nèi)容管理的關鍵問題。針對圖像比較中的圖像對象的自動分類識別任務，基于NAM(Non-symmetry and Anti-packing Model)方法和SIFT(Scale Invariant Feature Transform)方法，提出了一種新的灰度圖像特征提取、表示和描述方法SNAM，并研究了SNAM的相似性分類檢索性能，提高了圖像特征提取和

2、表示的效率和效果，實驗表明能達到較為快速和準確的自動圖像分類目的。
　　首先，快速提取圖像模式中的大對象區(qū)域。視覺心理的研究成果表明在視覺初期對景物的認識由大對象開始，大對象在圖像中可理解為較大面積的灰度平滑區(qū)域。為有效提取圖像模式中的大對象，結(jié)合SIFT方法的關鍵點作為NAM圖像子模式表示的起始點，采用區(qū)域生長的方式提取圖像中較大面積的灰度平滑區(qū)域矩形塊，從而提出了SNAM圖像特征提取和表示方法。SNAM將圖像模式的大對象區(qū)域表

3、示為矩形子模式隊列，提高了NAM方法對圖像特征表示的一致性，具有尺度與仿射變形的不變性，在SIFT算法的基礎上所增加的計算量僅為O(M)，M為圖像規(guī)模。
　　第二，提高圖像子模式的特征表示效率。SIFT算法對每個關鍵點的灰度梯度特征采用128維的單變量向量表示，數(shù)據(jù)量較大且對同一種事物的不同對象難以聚類識別。改進SIFT算法的特征表示，將SNAM所提取的矩形子模式表示為2個16維的單變量向量，即反映子模式面積分布和布局分布特征的面

4、積向量和布局向量，以及一個16維的雙變量向量，即反映子模式位置特征的位置向量。大大降低了特征向量的維數(shù)，并且較SIFT描述值能更好地表示圖像模式中圖像對象的高層特征，如大對象區(qū)域的位置、布局和分布特征，實驗表明能夠有效地表現(xiàn)同一事物的不同對象在圖像模式中的一致性和不同種類事物在圖像模式中的區(qū)分性。SNAM圖像特征描述3種向量的計算復雜度分別為O(n)、O(n)和O(n2)，n為SNAM矩形子模式個數(shù)。
　　第三，提高相似性檢索的準

5、確度。通過研究面積特征、布局特征和位置特征的相似性距離計算和相似性檢索性能，采用順序距離、名稱距離和歐氏距離對3種向量的相似性距離計算和相似性檢索研究和實驗表明能達到較好的準確率和召回率，在結(jié)果集較小的情況下準確度較高。相似性計算的復雜度小于O(b2)，b為向量的維度，并且由于SNAM圖像特征向量數(shù)據(jù)規(guī)模較小，其相似性計算的空間復雜度較低，適合快速圖像檢索；
　　最后，優(yōu)化了SNAM面積向量和布局向量的SVM(Support Ve

6、ctor Machine)分類核函數(shù)參數(shù)。SVM核函數(shù)參數(shù)優(yōu)化的實驗表明在普通的點積、多項式和高斯核下，用60％的數(shù)據(jù)用于學習，40％的數(shù)據(jù)用于分類，其兩類分類正確率能穩(wěn)定達到75％左右；其用于學習的數(shù)據(jù)樣本量較小，且多項式核函數(shù)參數(shù)在5階以下，高斯核函數(shù)參數(shù)σ值在0.1以下；其多項式階次較低，高斯核的非線性程度較低；進一步說明SNAM圖像特征描述具有較好的快速分類識別意義。
　　總之，依據(jù)視覺心理原理，結(jié)合NAM方法和SIFT方