颜色与空间特征结合的图像检索算法

"桂林工学院学报，2007年8月，第27卷第3期，张志安，骆斌，基于颜色和空间特征的图像检索，提出了一种新的图像检索算法，结合HSV颜色空间和局部空间特征，提高了检索效果。" 在计算机视觉领域，基于内容的图像检索（CBIR）是重要的研究方向，它允许用户通过图像本身的特征，如颜色、纹理和形状，来搜索相似的图像。这篇2007年的论文提出了一种创新的图像检索算法，该算法结合了颜色和空间特征，以提高检索准确性和效率。 首先，论文中的方法将待检索的图像转化为HSV颜色空间。HSV（Hue, Saturation, Value）是一种更适合人类视觉感知的颜色模型，相比RGB颜色空间，HSV更易于处理颜色信息。在HSV空间中，图像被量化，提取环形颜色空间信息熵，这有助于捕捉颜色的分布特征，减少颜色维度带来的复杂性。 接着，算法计算每个像素点的多邻域量化颜色值的一阶和二阶中心矩。中心矩是统计学中用来描述数据分布的特征，可以捕获颜色值在局部区域内的变化情况。通过计算不同邻域大小（如3x3, 5x5, 7x7）的中心矩，算法能够获得颜色的空间分布信息，这弥补了传统颜色直方图忽视的空间信息。 然后，论文采用了高斯归一化对特征向量进行处理。高斯归一化可以使得特征向量的元素服从正态分布，从而降低不同特征之间的权重差异，提高比较的公正性。最后，利用特征向量的L1-norm距离来衡量彩色图像间的相似度，L1-norm距离对异常值不敏感，能更好地反映图像的整体差异。 实验结果显示，该方法与当时已有的CDE（颜色分布熵）和Geostat算法相比，具有更好的检索效果。CDE虽然在全局颜色分布上有优势，但忽略了局部空间信息，而Geostat则主要描述全局空间分布，对局部细节处理不足。论文所提出的算法结合了这两种方法的优点，同时考虑了颜色和空间的局部特性，从而提升了检索性能。 总结起来，这篇论文提出的图像检索方法通过综合颜色和空间信息，有效地提高了检索的准确性和鲁棒性，对于理解和改进基于内容的图像检索技术具有重要的参考价值。