圖像低層特征提取與檢索技術(shù)

第1章 緒論
1.1 圖像檢索技術(shù)發(fā)展歷程
1.1.1 基于文本的圖像檢索
1.1.2 基于內(nèi)容的圖像檢索技術(shù)
1.2 基于內(nèi)容圖像檢索技術(shù)研究內(nèi)容
1.2.1 特征提取及匹配
1.2.2 索引機制
1.2.3 用戶接口
1.3 國內(nèi)外研究狀況
1.3.1 國內(nèi)外研究現(xiàn)狀
1.3.2 國內(nèi)外研究熱點
1.4 CBIR技術(shù)應用
1.5 經(jīng)典CBIR系統(tǒng)介紹
1.5.1 QBIC：
1.5.2 Virage
1.5.3 Photobook
1.5.4 VisualSEEK和WebSEEK
1.5.5 Blobworld
1.5.6 Netra
1.5.7 MARS
1.5.8 SIMPLIcity
1.5.9 其他系統(tǒng)
1.6 本書內(nèi)容安排
參考文獻
第2章 基于內(nèi)容圖像檢索關(guān)鍵技術(shù)
2.1 CBIR的基本檢索原理
2.2 圖像內(nèi)容及檢索層次
2.2.1 圖像內(nèi)容
2.2.2 圖像檢索層次
2.3 常用的低層視覺特征描述方法
2.3.1 顏色特征
2.3.2 紋理特征
2.3.3 形狀特征
2.3.4 MPEG－7中的圖像特征描述符
2.4 特征匹配技術(shù)
2.4.1 計量定理
2.4.2 常用的匹配算法
2.4.3 精確查詢與近似查詢
2.5 性能評價準則
2.5.1 精確度和檢索率
2.5.2 命中準確率
2.5.3 排序值評測法
2.5.4 ANMRR
2.5.5 前N個結(jié)果的正確率與檢索率
參考文獻
第3章 基于顏色特征的圖像檢索
3.1 引言
3.2 顏色空間
3.2.1 顏色基礎(chǔ)
3.2.2 RGB顏色空間
3.2.3 HSV顏色空間
3.2.4 CIELab和CIELuv顏色空間
3.2.5 YCrCb顏色空間
3.3 顏色量化
3.3.1 顏色量化的定義
3.3.2 常用的顏色量化方法
3.4 全局顏色特征
3.4.1 顏色直方圖
3.4.2 改進的顏色直方圖方法
3.4.3 顏色不變量
3.4.4 圖像主色
3.4.5 色調(diào)直方圖
3.4.6 顏色矢量角直方圖
3.4.7 顏色矩
3.4.8 顏色熵
3.4.9 改進的顏色熵及顏色矩
3.5 空間顏色特征
3.5.1 改進的顏色直方圖法
3.5.2 顏色聚合向量
3.5.3 顏色相關(guān)圖
3.5.4 局部顏色特征
3.6 顏色空間分布熵
3.6.1 環(huán)形顏色直方圖
3.6.2 改進的環(huán)形顏色直方圖
3.6.3 空間分布熵
3.6.4 加權(quán)顏色空間分布熵
3.6.5 消除孤立分布小顏色塊的影響
3.7 位平面熵
3.7.1 位平面分解與位平面
3.7.2 位平面熵
3.8 位平面熵增強法
3.8.1 改進的位平面熵
3.8.2 空間分布熵
3.9 基于顯著點的圖像檢索
3.9.1 塊逆概率差(BDIP)模型及BDIP圖像的提取
3.9.2 顯著點提取算法
3.9.3 基于顯著點的特征提取
參考文獻
第4章 基于形狀特征的圖像檢索
4.1 形狀表達和描述
4.2 基于輪廓的描述方法
4.2.1 鏈碼
4.2.2 傅里葉形狀描述符
4.2.3 曲率尺度空間描述符
4.2.4 小波描述符
4.3 基于區(qū)域的描述方法
4.3.1 幾何不變矩
4.3.2 Zemike矩
4.3.3 ART(AngularRadialTransformation)
4.3.4 通用傅里葉描述符
4.4 簡單幾何參數(shù)描述符
4.4.1 基于輪廓的方法
4.4.2 基于區(qū)域的方法
4.5 基于狀態(tài)矩陣描述方法
4.5.1 狀態(tài)矩陣定義
4.5.2 基于馬爾可夫鏈形狀特征提取
4.5.3 基于狀態(tài)相關(guān)圖的特征提取方法
4.6 基于平坦度及凹凸度的描述方法
4.6.1 平坦度及凹凸度定義
4.6.2 形狀特征量化
4.7 基于信息熵的描述方法
4.7.1 圖像信息熵定義
4.7.2 圖像的單元熵
4.7.3 利用熵矩陣的特征值向量進行檢索
4.7.4 利用熵矩陣的不變矩進行檢索
4.7.5 算法特性
4.8 基于方向鏈碼的描述方法
4.8.1 基于鏈碼的形狀檢索
4.8.2 鏈碼分布矢量(CCDV)
4.8.3 鏈碼相關(guān)矢量(CCCV)
4.8.4 鏈碼空間分布熵(CCSDE)
4.8.5 鏈碼相關(guān)熵(CCRE)
4.8.6 綜合特征描述
4.9 基于角點的描述方法
4.9.1 輪廓角點提取
4.9.2 基于內(nèi)角的輪廓角點檢測
4.9.3 基于鏈碼局部直方圖的角點檢測
4.9.4 基于CSS的角點檢測
4.9.5 改進的多尺度角點檢測方法
4.9.6 角點檢測算法比較
4.9.7 距離直方圖
4.9.8 相對位置分布
4.9.9 相關(guān)單元熵
4.10 基于矩的輪廓描述方法
4.10.1 輪廓矩
4.10.2 Chen不變矩
4.10.3 邊界序列矩
4.10.4 極半徑不變矩
4.10.5 組合矩
參考文獻
第5章 基于紋理特征的圖像檢索
5.1 圖像的紋理描述
5.1.1 紋理及紋理特征的定義
5.1.2 常用的紋理分析方法
5.1.3 紋理的分類
5.1.4 紋理研究及應用領(lǐng)域
5.1.5 紋理描述存在的問題
5.2 統(tǒng)計法紋理分析
5.2.1 直方圖的矩
5.2.2 二維灰度直方圖
5.2.3 灰度共生矩陣
5.2.4 灰度.梯度共生矩陣
5.2.5 紋理譜
5.2.6 LBP算法
5.2.7 Laws紋理能量
5.2.8 數(shù)學形態(tài)學分析法
5.2.9 自相關(guān)函數(shù)法
5.2.10 Tamura紋理特征
5.2.11 灰度游程長度法
5.3 結(jié)構(gòu)法紋理分析
5.3.1 結(jié)構(gòu)法基本知識
5.3.2 紋理鑲嵌
5.3.3 Voronoi多邊形方法
5.3.4 其他方法
5.4 頻譜法紋理分析
5.4.1 傅里葉變換法
5.4.2 貝塞爾.傅里葉變換法
5.4.3 小波變換法
5.4.4 Gabor變換法
5.5 模型法紋理分析
5.5.1 馬爾可夫隨機場模型法
5.5.2 Gibbs隨機場模型法
5.5.3 自回歸模型
5.5.4 多尺度自回歸模型
5.5.5 基于分形模型
5.5.6 Wold模型法
5.6 紋理基元共生矩陣
5.6.1 方塊編碼算法
5.6.2 紋理基元的提取
5.6.3 紋理基元共生矩陣
參考文獻
第6章 基于壓縮域的圖像檢索
6.1 概述
6.1.1 圖像壓縮技術(shù)
6.1.2 靜態(tài)圖像壓縮標準
6.1.3 壓縮域圖像檢索原理
6.1.4 壓縮域圖像檢索的研究內(nèi)容
6.1.5 壓縮域圖像檢索的研究方法
6.2 空間壓縮域
6.2.1 基于矢量量化
6.2.2 分形編碼
6.2.3 預測編碼
6.3 變換壓縮域
6.3.1 基于DFT變換域
6.3.2 基于DCT壓縮域
6.3.3 基于小波壓縮域
6.3.4 基于K.L變換域
6.4 空間域和變換域的融合檢索
6.5 DCT壓縮域內(nèi)的紋理特征
6.5.1 復雜度的定義
6.5.2 復雜度直方圖
6.6 DCT壓縮域內(nèi)的形狀特征
6.6.1 理想邊緣模型DCT。塊的分類
6.6.2 空間邊緣分布特征的提取
參考文獻
第7章 高維索引技術(shù)
7.1 高維索引技術(shù)
7.2 高維索引技術(shù)發(fā)展趨勢
7.2.1 向量近似方法
7.2.2 近似檢索方法
7.2.3 并行索引方法
7.3 向量空間中的高維特性
7.4 維數(shù)災難現(xiàn)象
7.4.1 查詢代價模型
7.4.2 維數(shù)災難現(xiàn)象的產(chǎn)生
7.5 基于矢量量化的向量近似方法
7.5.1 矢量量化
7.5.2 基于矢量量化技術(shù)的索引結(jié)構(gòu)(CuiJ.T.etal2007，崔江濤2005)
7.5.3 碼書長度分析與乘積碼書法
7.5.4.近鄰搜索算法
7.5.5 實驗分析
7.6 二次式距離上基于SVD的高維索引方法
7.6.1 奇異值分解
7.6.2 索引結(jié)構(gòu)
7.6.3 近鄰搜索算法
7.7 多分辨率高維索引方法
7.7.1 基本原理
7.7.2 索引結(jié)構(gòu)
7.7.3 近鄰搜索算法
7.8 向量近似方法在相關(guān)反饋技術(shù)中的應用
7.8.1 二次式距離方法
7.8.2 核函數(shù)方法
7.8.3 改進的近鄰搜索算法
7.9 高維索引技術(shù)評價準則
參考文獻
附錄A 基于輪廓的圖像檢索系統(tǒng)
A.1 系統(tǒng)框架
A.2 圖像數(shù)據(jù)管理
A.3 系統(tǒng)實現(xiàn)
附錄B 系統(tǒng)中本文算法實現(xiàn)代碼
B.1 基于MCP的角點檢測算法
B.2 組合矩算法