小波与矩结合的形状基础图像检索算法

"该文提出了一种利用小波变换和矩进行基于形状的图像检索算法，旨在解决现有系统的性能不稳定性以及对平移、旋转和尺度变换的敏感性问题。通过小波模极大值变换获取多尺度边界图像，然后利用7个不变矩提取特征，形成图像的特征向量。相似度通过归一化加权欧氏距离计算，具有良好的平移、尺度、旋转不变性。实验证明该算法在服装和花卉图像数据库上表现出色。" 在基于内容的图像检索领域，形状特征是识别和检索图像的关键因素。传统的基于形状的图像检索方法往往面临性能不稳定和对几何变换（如平移、旋转和缩放）敏感的问题。为了解决这些问题，论文提出了一种创新的算法，结合了小波变换和矩的方法。 小波变换是一种多分辨率分析工具，它能够将图像在不同尺度和位置上进行分析，揭示图像的细节信息。在本文中，作者首先对原始亮度图像进行小波模极大值变换，这一步骤有助于提取图像的边缘信息，并生成多尺度的边界图像。每个尺度的边界图像都包含了不同级别的形状信息。 接下来，作者采用了不变矩的概念。不变矩是一种数学特性，能够在一定程度上保持不变，即使图像经历了平移、旋转或尺度变化。论文中特别提到了7个不变矩，它们可以有效地捕捉图像的形状特征，同时减少几何变换的影响。这些矩被用于构建每个尺度边界图像的特征向量，所有尺度的特征向量组合起来，形成了整个图像的综合特征表示。 为了衡量图像之间的相似性，论文采用了归一化的加权欧氏距离。这种方法考虑了各个尺度下的矩，使得距离度量更具有一致性和鲁棒性，增强了对图像平移、尺度和旋转不变性的处理能力。 实验部分，作者在服装图像数据库和更为复杂的花卉图像数据库上测试了该算法。实验结果表明，该算法能够有效地描述图像的形状和空间分布信息，且在面对几何变换时表现出良好的不变性。这些实验证据证实了该算法在图像检索领域的优越性能和实用性。 这篇论文提出的基于小波变换和矩的图像检索算法，通过提取多尺度的形状特征并利用不变矩，解决了传统方法的不足，提高了检索的稳定性和对几何变换的不变性，为内容为基础的图像检索提供了新的思路和技术支持。