基于混合特征和多种距离度量的图像检索

可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报5（2018）874基于混合特征和多种距离度量的图像检索Yogita Mistry， D.T.Ingole，医学博士因戈尔电子工程系，PRM技术研究所，Badnera，马哈拉施特拉邦444701，印度接收日期：2016年6月17日;接收日期：2016年9月28日;接受日期：2016年12月10日2017年1月5日在线发布摘要在过去的十年中，大型图像数据库迅速发展，并将在未来继续发展。为了从大型数据库中访问视觉内容，需要以有效的方式基于内容的图像检索（CBIR）为从这些庞大的图像数据库中高效地检索图像提供了解决方案。本文提出了一种基于混合特征的高效CBIR系统。空间域特征包括颜色自相关图，颜色矩，HSV直方图特征，和频域特征，如使用SWT的矩，使用Gabor小波变换的特征。此外，为了提高精度二值化的统计图像特征，颜色和边缘方向性描述符的功能，开发高效的CBIR系统。各种距离度量用于检索。实验使用WANG数据库，其中包括10个不同的类1000图像。实验结果表明，该方法在精度方面优于其他现有的系统。© 2017 电 子 研 究 所 （ ERI ） 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：CBIR; DTCWT; SWT矩; Minkowski距离; Mahalanobis距离1. 介绍最近，由于互联网的广泛使用，图像的收集迅速增长，并在未来继续增加。从书籍和报纸中收集的信息被数字化，并以数字图像格式提供。每个用户都可以通过互联网访问这些信息要访问这些大型数据库，需要有效的方法*通讯作者。电子邮件地址：yogitadhumal@rediffmail.com（Y. Mistry），dtingole@gmail.com（D.T. Ingole），mdingole@gmail.com（M.D.Ingole）。电子研究所（ERI）负责同行评审。https://doi.org/10.1016/j.jesit.2016.12.0092314-7172/© 2017电子研究所（ERI）。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。Y. Mistry等人/电气系统与信息技术杂志5（2018）874875Fig. 1. CBIR系统框图。用于查询索引图像数据库。要从如此庞大的数据库中找到相关信息是很困难的。基于内容的图像检索是一种有效的相关图像检索方法。图像内容可以分为三种类型：（a）空间，（b）语义和（c）低级别的内容。在图像的空间内容是从给定的图像对象的定位。图像的意义由语义内容来表示。颜色、形状和纹理特征被认为是低层内容。大多数基于内容的图像检索方法都是基于底层特征的。基于内容的算法利用图像的视觉内容进行检索，克服了基于文本检索系统的缺点。基于内容的图像检索（CBIR）是根据从图像本身提取的特征从数据库中搜索和检索图像的过程。在本文中使用的图像类，如非洲，海滩，建筑物，公共汽车，恐龙，大象，鲜花，食物，马和山。从整个图像数据库中提取特征，并存储特征向量。利用HSV直方图、二值化统计图像特征（BSIF）、颜色和边缘方向描述子（CEDD）和颜色矩提取特征基于HSV直方图的特征提取包括颜色空间转换、颜色量化和直方图计算。BSIF特征提取包括输入RGB图像到灰度图像的转换、灰度图像的块选择、所有分量的均值相减、块白化处理和ICA分量估计CEDD特征提取过程由HSV颜色两级模糊连接系统组成。颜色矩特征提取过程包括将RGB转换为各个分量，并涉及计算每个分量的平均值和标准差。然后将这些存储的特征向量与查询图像的特征向量进行比较。然后检索使用距离分类器（例如欧几里得距离、城市街区距离、Minkowski和Mahalanobis）的比较结果的最小距离。CBIR的过程如图1所示。详细说明了每一个特征提取过程在随后各节中。与现有的空域和频域有限元算法相比，本文提出了两个新的特征BSIF和CEDD，提高了算法的精度。图像检索的精度取决于（1）特征提取过程，（2）特征相似性方法。一些CBIR算法使用从对象和对象的形状提取的形状特征与纹理和颜色等传统特征相比，具有更高的准确性。颜色内容在基于内容的图像检索中，图像的特征提取起着非常重要的作用。全局直方图用于表示颜色内容的普遍性。三个RGB颜色通道用于表示全局颜色直方图。这些三个单独的颜色直方图提供了不同图像之间的相似性，因为它是尺度和旋转不变的特征。本文提出了一种基于空间特征、频率特征、CEDD特征和BSIF特征的混合特征提取算法。描述符的个体分析也是876Y. Mistry等人/电气系统与信息技术杂志5（2018）874研究和结果。本文的其余部分组织如下。第二节简要介绍了CBIR技术的主要算法。在第3节中解释了各种空间、频率和混合域特征提取方法。第4节介绍了模拟结果和讨论。最后，第五部分对本文进行了总结。2. 相关工作小波变换是随着多分辨率变换研究的进展而引入的。离散小波变换是一种多分辨率的图像处理方法，被应用于基于内容的图像检索.基于小波的特征首先在Mandal 等人（1996），其在3个颜色带的每一个中选择64个最大Haar小波系数。算法被证明是无效的，因为低频系数往往比高频系数更占优势对于具有急剧颜色变化的图像。Daubecheis小波用于生成特征向量，用于Jun-Lee等人。（2008年）。最低频带的小波系数及其方差作为768维的特征向量。包括高频带和每个子带的总能量的每个子带局部特征被计算为特征向量，导致良好的频率分辨率，但没有空间分辨率（Kekre等人， 2010年）的报告。Krishnamoorthy和Devi（2013）提出了一种新的基于边缘的形状特征表示方法，该方法具有多分辨率增强正交多项式模型和形态学运算，用于有效的图像检索。基于伪Zernike矩的全局形状特征，这是不变的基本几何变换，提取和检索相似的图像与堪培拉距离度量。 CBIR系统使用形状特征描述符和基于具有最小几何误差和数值积分误差的Zernike矩的修改的Zernike矩（Ma等人，2011年）。在Goyal和Walia（2014）中，对基于像素的密集描述符进行了实验分析，如局部二进制模式（LBP），局部方向模式（LDP）及其变体。这些描述符作为局部特征与ZMs的全局特征一起使用，以实现更高和准确的检索率在CBIR系统。提出了一种新的用于图像索引和检索的增强型Gabor小波相关图（EGWC）EGWC使用Gabor小波将图像分解为不同的尺度和方向，参考Moghills和Dehaji（2013）。在Daisy等人（2012）中，从查询和参考图像中提取形状和纹理等特征，并通过欧几里德距离进行比较特征提取采用空间变化结构元素的形态学操作基于HSV颜色模型，Huang等人提出了一种基于对象的空间颜色特征（OSCF）的彩色图像检索方法。（2012年）。 首先从颜色中提取目标，然后用目标表示图像特征。采用颜色和空间颜色特征对目标进行描述新方法只关注主要的中心对象。Lee等人（2012）提出了一种用于高效图像检索的方法，该方法分别基于空间颜色和二阶统计量将颜色和纹理的加权组合应用于小波变换 Smith和Chang使用为每个子带计算的统计特性（平均值和方差）作为纹理特征Smith和Chang（1994）。他们比较了通过小波方法、均匀分解成子带（没有缩放，每个子带包含特定频率的信号的一部分）、离散余弦变换和空间分解构造的特征的纹理分类的有效性。在Do和Vetterli（2000）中，小波变换系数的分布的平均值和标准差被用于构造特征向量。在利用N个滤波器进行变换的情况下，图像由维度为2N的特征向量表示 在Sumana et al. （2012），作者通过将广义高斯密度应用于曲波系数的分布来计算一种新的纹理特征，称为曲波GGD纹理特征。研究了曲波GGD纹理特征，并与曲波、小波和小波GGD纹理特征的检索性能进行了比较。 该工作包括最小化低级别的功能描述图像通过使用减少的描述符，结合颜色和纹理信息，这是小波变换在加拉等人探索。（2012年）。Wu等人提出了一种基于双树复小波变换和旋转小波滤波器的颜色和纹理特征相结合的检索方法。（2010年）。Priya和David（2011）提出了多特征融合和匹配以从图像数据库中检索图像。三个特征，即颜色，纹理和形状。采用改进的颜色直方图提取颜色特征，结合标准小波变换和RWF特征，结合DT-CWT提取纹理特征，并采用Y. Mistry等人/电气系统与信息技术杂志5（2018）874877Ci√2我我选择形状特征。描述了一种CBIR方法，该方法通过使用2D DWT Sai和Patil（2011）的CBIR图像的特征值行均值和列均值的向量来表示数据库中的每个图像。3. 特征提取在基于内容的图像检索系统中，特征提取是最关键的一步，它直接影响检索率。这个过程涉及提取图像特征到可区分的程度，以便更好地分类。CBIR中使用了多种特征提取技术我们使用从输入图像中提取的空间和频域特征的组合3.1. 彩色自相关图基于内容的图像检索算法采用颜色直方图作为特征之一，计算简单由于直方图只是图像中颜色ci的任何像素的概率，因此该特征不考虑图像不同区域中颜色的空间信息彩色自相关图是一种将空间信息与彩色直方图相考虑图像I中颜色为Ci的像素P1，在距离P1的距离k处选取另一个像素P2，P2也是颜色为Ci的概率是多少。图像I对于颜色Ci的自相关图，距离为k，定义为：γ k（I）=Pr [|p1−p2|=k，p2∈Ic|p1∈I c]（1）从上面的等式可以清楚地看出，颜色自相关图显示了颜色变化随距离变化的空间自相关性Huang（1998）。自相关图综合了颜色信息和空间信息。对于图像中的每个像素，自相关图方法需要遍历该像素的所有邻居。计算复杂度为O（k*n2），其中k是相邻像素的个数，这取决于距离的选择距离k越大，计算复杂度越高本文利用该方法提取了64维特征向量3.2. 颜色矩颜色矩是在该实验中提取的第二种类型的特征为此目的使用两个步骤(1)在第一步中，输入RGB图像被分离成R、G和B分量图像（2）第二步涉及计算每个分量的平均值（其描述信号的概率分布的中心）和标准偏差。颜色矩生成6维特征向量。N平均值=1μl（二）Nj=1i、j”。北纬1度。Σ2标准差=，N3.3. HSV直方图特征j=1Ii，j−Er，i（三）HSV直方图特征提取包括三个步骤：（1）颜色空间转换，（2）颜色量化，(3)直方图计算在第一步中，输入RGB图像被转换到HSV颜色空间。在HSV颜色空间中，颜色通过色调来区分，饱和度是添加到纯颜色的白光的百分比，并且值是指感知的光强度（LiHua等人， 1999年）。 RGB到HSV颜色空间的转换使用以下公式完成：H=cos−11/ 2[（R-G）+（R-B）]（R-G）+（R-B）（G-B）3[min（R，G，B）]（四）S=1−（五）R+G+B878Y. Mistry等人/电气系统与信息技术杂志5（2018）8743× ×图二. HSV颜色空间的平面。V=R+G+B（6）HSV是圆柱形几何形状，具有色调，它们的角尺寸从0°的红色原色开始，穿过120°的绿色原色和240°的蓝色原色，然后回到360°的红色。HSV平面如图所示。 二、为了减少计算复杂度和减少特征尺寸，HSV颜色模型被量化。颜色量化降低了图像中使用的颜色数量及其级别。在最后一步中，对于每个量化图像，获得直方图，其示出了给定图像中每个像素的量化HSV值的频率分布。在该方法中，使用各种间隔：H：8个仓; S：2个仓和V：2个仓。在特征提取步骤中，我们将822直方图连接起来，得到32-D特征向量。我们选择较少数量的片段，因为人眼区分颜色的能力有限（KONG，2009）（图11）。 2）的情况。3.4. 平稳小波变换（SWT）矩SWT将输入图像分解成各种频带，这允许将频率隔离成各种子带。1D-SWT通过使用滤波器分离信号的高频和低频部分。SWT分解产生四个子带图像，称为低-低（低分辨率近似分量）、低-高（垂直）、高-低（水平）和高-高（对角线）。有各种类型的小波介绍，例如Haar，Daubechies小波，Morlet小波和墨西哥帽小波。在该模拟中，对输入图像应用4级分解，这意味着迭代地应用小波变换下图显示了输入图像的4级分解。下一步是从这些分解的子带计算矩。这里，均值和标准差是从每个级别的每个子带提取的两个特征。标准差用于测量变异性。通过使用标准差参数，可以测量平均值存在多大的变化。得到的特征向量长度为20-D（图1）。 3）。3.5. Gabor小波变换Gabor函数在时域（空间）和频域中提供最佳分辨率。Gabor小波变换是提取局部特征的最佳基础，原因如下（Shen和Bai，2006）：Y. Mistry等人/电气系统与信息技术杂志5（2018）874879S不图三. 4-图像的水平小波变换生物学动机：哺乳动物大脑的高级视觉视觉皮层的建模最适合于自相似二维Gabor小波家族数学动机：Gabor小波变换的多分辨率和多方向特性可以用于测量局部空间频率。Gabor小波变换在人脸识别、纹理分类、表情分类等图像分析中有着广泛的应用。对于大小为M乘N的给定图像I（x，y），其离散Gabor小波变换由下式给出，Gmn（x，y）=<$$>I（x−s，y−t）<$m<$n（s，t）（7）其中s和t是掩码大小变量。小波变换是由母小波的伸缩和旋转产生的自相似函数，它是小波变换的复共轭函数使用生成函数计算自相似Gabor小波：mn（x，y）=a−m<$（x<$，y<$）（8）3.6. 二值化统计图像特征二值化统计图像特征（BSIF）是一种基于统计学习的图像描述符，生成二进制代码串，通过阈值处理生成（Kannala和Rahtu，2012）。利用独立分量分析（ICA）从训练图像数据集的随机样本中提取独立向量。BSIF图像特征的灵感来自LBP特征。在这个过程中，统计滤波器是手动设计的。使用自然图像数据库生成预定义的纹理过滤器。为了创建BSIF特征，将输入图像与这些预定义的纹理过滤器进行卷积。图像块用于使用ICA学习滤波器。该过程可以概括为（1）输入RGB到灰度图像的转换（2）从灰度图像中选择块（3）从所有分量中减去平均值（4）块白化过程（5）ICA分量的估计（Hyvrinen等人， 2009年）。对于输入图像f（x，y）和l×l大小的滤波器wi，通过卷积计算滤波器响应Bi=wif（x，y）（9）其中Si是第i个滤波器的响应使用规则bi= 1生成二进制输出，如果Bi>，否则，bi= 0。880Y. Mistry等人/电气系统与信息技术杂志5（2018）874× × × × × × ×××××××见图4。CEDD描述符提取过程。滤波器学习过程涉及随机收集500，000个自然图像块。贴片大小为3 3、5 5、7 7、9 9、11 11、13 13、15 15和17 17。更高的修补程序可获得更好的图像检索。这些滤波器贴片具有范围从5、6、7、8、9、10和11的不同比特长度3.7. 颜色和边缘方向描述符颜色和边缘方向描述符（CEDD）将颜色和纹理信息合并到单个直方图中，减小了特征尺寸。CEDD特征提取过程由HSV颜色两阶段模糊链接系统组成（AS，2008）。 第一阶段产生10箱直方图，代表各种颜色，如白色，红色，橙色，洋红色。算法的第二阶段将每种颜色分为三种色调之一，从而产生24箱直方图作为输出。每个箱子对应不同的颜色，如深绿色，浅黄色，深黄色，深洋红色等一套四个高木Sugeno康规则使用。为了计算纹理信息，从小波变换的高频带提取各种特征。最终的6-bin直方图使用MPEG-7提出的五个数字滤波器，因此最终生成144（24 6）个区域。纹理描述符生成的一般结构如图所示。 四、4. 仿真结果为了评估所提出的方法，一个通用的WANG数据库包含1000个Corel图像的10个不同的主题，JPEG格式的大小为384 - 256或256 - 384。该图像集包括大象，公共汽车，鲜花，马和海滩等10个不同类别这个数据库被广泛用于测试许多CBIR系统，因为数据库的大小和类信息的可用性。该算法的第一步是利用颜色自相关图和颜色矩进行特征提取。接下来，将输入的RGB颜色空间转换为HSV颜色空间。在转换到HSV颜色空间后，计算HSV直方图特征。后一阶段涉及频域特征提取。在使用DWT将输入图像分解成4级之后，从每个方向和尺度计算小波变换矩（平均值和标准差）在Gabor滤波器的不同方向和尺度上提取Gabor小波特征。除此之外，使用输入计算BSIF纹理描述符特征。我们发现，与所有其他过滤器大小相比，过滤器大小13 13与8位长度导致更高的准确性。此外，大于13的统计过滤器尺寸不会导致准确度（检索结果）的提高。因此，我们选择13 13过滤器大小。除此之外，还从输入图像中提取了144维CEDD特征。最终的特征向量由上述所有描述符融合而成，并应用于相似性度量。4.1. 相似性度量一旦创建了输入数据库图像的特征，则用户可以给出图像作为查询以从数据库检索类似的图像。通过使用上述过程再次计算查询图像的特征向量。相似性度量是基于内容的图像检索中的另一个重要问题，它是将查询图像与其他数据库图像进行相似性比较。计算输入查询图像与数据库的相似度Y. Mistry等人/电气系统与信息技术杂志5（2018）874881ΣΣ.DE=， i=1表1使用空间域特征的精度。类精度欧氏城市街区Minkowski马氏非洲0.620.590.540.53海滩0.710.680.660.61建筑0.530.550.440.49总线0.770.780.700.72恐龙0.890.880.820.79大象0.550.600.550.51花0.890.870.800.79食品0.550.520.490.50马0.520.510.440.49山0.550.580.510. 50在查询图像特征向量与数据库图像特征向量之间的差异时，通过使用各种距离度量来计算查询图像特征向量与数据库图像特征向量之间的差异。差异越小，两个图像越相似。在这项工作中评估的距离度量是欧几里得距离，城市街区距离，闵可夫斯基距离和马氏距离。除此之外，我们还使用了L1，L2，余弦和切比雪夫距离度量进行实验。欧氏距离：欧氏距离度量由于其效率和有效性而最广泛地用于图像检索中的相似性度量（Malik和Baharudin，2013）。 它通过计算绝对差平方和的平方根来测量两个向量之间的距离，并给出为：”。卢恩城市街区距离：城市街区距离度量也称为曼哈顿距离。城市街区距离度量对离群值具有鲁棒性。它被计算为，nD C=|I i− D i|（十一）i=1Minkowski距离：Minkowski距离的广义形式可以定义为：DM=卢恩i=11p（|I i− Di|）（十二）Mahalanobis距离：该距离度量计算为，DMh=（x→−μ→）TS−1（x→−μ→）（13）CBIR系统的有效性通过使用精度等参数来衡量，并定义为，检索到的相关图像数量P（I）=（十四）检索到的图像总数使用空间域，变换域和混合（空间和频域的组合）的功能和结果进行了广泛的实验。在第一种情况下，我们评估的影响，空间域功能只对开发CBIR系统的精度空间域要素是以下要素的组合：（1）自相关图(2)颜色矩和（3）HSV直方图特征。使用各种距离度量的结果在表1中示出从表1可以看出，在这种情况下，精度最低结果是更好的情况下，欧几里德和城市街区距离度量相比，其他两个距离度量。第二个实验涉及使用频域特征的精度计算。在这里，我们提取SWT矩和Gabor小波变换的功能，高效的CBIR系统。表2显示了使用所有四种Σ（|I i− Di|）2（十）882Y. Mistry等人/电气系统与信息技术杂志5（2018）874表2使用频域特征的精度。类精度欧氏城市街区Minkowski马氏非洲0.720.690.620.68海滩0.810.780.690.67建筑0.630.620.540.59总线0.870.880.790.78恐龙0.930.950.920.89大象0.650.690.610.59花0.930.910.880.89食品0.650.620.590.58马0.620.610.540.59山0.630.640.550. 57频域特征的距离度量与表1相比，这种情况下的精度更高类似地，与Minkowski和Mahalanobis距离度量相比，欧几里得和城市街区距离度量的精度更好第三个实验是基于CEDD和BSIF特征融合的CBIR。在此过程中，144-D CEDD特征向量和256-D BSIF特征融合。表3显示了使用相同数据库的精度值检索性能优于空间和频域方法。表3使用CEDD和BSIF特征融合的精度。类精度欧氏城市街区Minkowski马氏非洲0.750.760.710.72海滩0.830.780.720.69建筑0.710.680.660.68总线0.840.810.810.79恐龙0.950.950.910.92大象0.710.690.630.61花0.930.870.870.91食品0.720.710.680.61马0.750.730.650.71山0.810.800.730. 87表4使用混合功能的精度。类精度欧氏城市街区Minkowski马氏非洲0.810.790.720.78海滩0.920.880.820.77建筑0.790.780.740.76总线0.930.890.880.87恐龙0.990.980.940.95大象0.790.760.710.69花0.990.970.930.95食品0.800.780.740.77马0.850.810.740.79山0.880.870.830. 85Y. Mistry等人/电气系统与信息技术杂志5（2018）874883图五.检索率使用切比雪夫距离度量四种类型的特征描述符。最后一组实验包括使用混合特征的精确测量。在此，空间，频率域和CEDD和BSIF特征提取和精度评估使用相同的数据库进行表4显示了使用混合特征方法的精度值。与其他两种方法相比，该方法具有更好的精度值。此外，与其余距离度量相比，欧几里德距离度量表现良好。为了评估各种距离度量的性能以及CEDD和BSIF特征提取过程的效果，进行了额外的实验。首先，我们评估了所提出的CBIR算法的精度性能，使用不同的距离度量不同的特征描述符。图5示出了针对不同类别的图像使用切比雪夫距离度量获得的精度。我们对四种特征描述符进行了实验：（1）空间域特征（2）频域特征（3）CEDD和BSIF描述符以及（4）组合所有上述特征的混合特征。在此图中，绘制了各种类型的图像类和要素类型的精度。我们使用了四种类型的特征，如图所示。在图5中，类1是指非洲图像数据库，类2示出了海滩图像数据库，类3描绘了建筑物图像数据库，类4是指巴士图像，类5是指恐龙数据库，类6是指大象图像数据库，类7是指见图6。使用余弦距离度量四种类型的特征描述符的检索率。884Y. Mistry等人/电气系统与信息技术杂志5（2018）874见图7。利用L1距离度量四类特征描述符的检索率.花卉图像数据库，第8类表示食物图像，第9类表示马图像数据库，第10类表示山脉图像数据库。从图中，我们可以得出结论，与所有其他类型的特征相比，混合特征的性能更好。图6示出了针对不同类别的图像和针对四种类型的特征描述符使用余弦距离度量获得的精度。从图中可以明显看出，与其余特征描述符相比，CEDD和BSIF特征的组合表现更好。此外，混合特征精度在该距离度量中也是最高的。图图7和图8示出了针对不同类别的图像和针对四种类型的特征描述符使用L1和L2距离度量获得的精度。从图中可以观察到，与余弦和切比雪夫特征相比，L1距离度量的精度较低正如预期的那样，混合特征精度在距离度量中都是最高的实验中使用了CEDD和BSIF特征。在BSIF中，使用自然图像数据库生成各种预定义的纹理过滤器。ICA中的滤波器设计涉及自然随机图像块的收集。不同贴片尺寸用于评估算法的性能我们采用的尺寸包括3× 3，5× 5，7× 7，9× 9，11× 11、13× 13、15× 15和17× 17。 贴片大小对精密度的影响如图所示。9.第九条。 图显示见图8。利用L2距离度量四类特征描述符的检索率.Y. Mistry等人/电气系统与信息技术杂志5（2018）874885××见图9。利用欧几里德距离度量对不同块大小的恐龙图像数据库的检索率。见图10。基于欧氏距离度量的马图像数据库检索率。使用所提及的各种贴片尺寸获得的精度值。评价是使用欧几里德距离度量Dinasaur图像数据库。还针对各种距离度量执行类似的实验。图10描绘了马图像数据库的另一个这样的示例。从这两个图中，我们得出结论，随着补丁大小的增加，精度也增加。此外，贴片尺寸15 15和17 17的结果没有显著变化。频域特征包括图像的4级SWT分解后的基于矩的特征。我们分析了分解层数对精度的影响，使用不同的距离度量和不同的图像类别。图11描绘了使用欧几里德距离度量为恐龙图像数据库获得的精度。据观察，更高层次的分解结果更好的精度，在所有的图像类，除了使用的距离度量4级分解导致最高精度，因此我们使用4级SWT。最后，我们评估了CEDD特征直方图箱及其对精度的影响 图图12示出了使用用于恐龙类图像的欧几里德距离度量的直方图箱的数量对精度的影响。从图中可以清楚地看出，精度随着直方图箱数的增加而增加。886Y. Mistry等人/电气系统与信息技术杂志5（2018）874图十一岁分解层数对基于欧氏距离的恐龙图像数据库检索率的影响见图12。直方图箱数对基于欧氏距离的恐龙图像数据库检索率的影响。5. 结论提出了一种基于空间、频率、CEDD和BSIF特征描述子的混合特征提取方法。除了空间特征，如颜色自相关图，矩，HSV直方图特征和频域特征，如SWT矩，Gabor小波变换特征，CEDD和BSIF特征被用来提高所提出的方法的精度。使用空间域特征获得最低精度结果，而频域特征与空间域特征相比导致更好的精度。最后，为了提高精度，我们提取了CEDD和BSIF描述符，这导致了表5中所示的最高精度。 将全局特征和局部特征相结合，以获得更高的检索率。实验结果表明，该方法比现有方法具有更好的性能。目前，我们正在研究减少特征向量大小的技术，这将进一步减少执行时间。Y. Mistry等人/电气系统与信息技术杂志5（2018）874887表5各种CBIR方法的比较。算法1，如Youssef等人（2012年）算法2如Baharudinetal. （2012年）算法3如Jadhav和Patil（2012）该算法平均精度0.703 0.81 0.525 0.875引用Chatzichristofis，S.A.，Boutalis，Y.S.，2008. CEDD：颜色和边缘方向性描述符：一种用于图像索引和检索的紧凑描述符。 第六届计算机视觉系统国际会议论文集。ICVS'08。 Springer-Verlag，Berlin，Heidelberg，pp. 312http://dl.acm.or？1788524.1788559。Baharudin，B.，例如，2012. 有效的基于内容的图像检索：在dct域中结合量化直方图纹理特征。In：Computer&InformationScience（ICCIS），2012InternationalConferenceon. 1. IEEE，第425-430黛 西 ， M.M.H. ， TamilSelvi ， S. ， 普 林 扎 湖 ， 2012 年 。 用于图像检索的灰 度 形 态 学 运 算 。 In： Computing ， Electronics andElectricalTechnology（ICCEET），2012InternationalConferenceon.IEEE，pp. 571-575做，M. N，Vetterli，M.，两千 基于小波子带kullback-leibler距离的纹理相似性度量。 图像处理，2000年。诉讼 2000年国际会议。 Vol. 3.第三章。IEEE，第七三零七三三Gallas，A.，Barhoumi，W.，Zagrouba，E.，2012. 基于小波子带和模糊加权区域的图像检索。In：CommunicationsandInformationTechnology（ICCIT），2012InternationalConferenceon.IEEE，pp. 33比37戈亚尔，A.，瓦利亚，E.，2014. 变密度描述符和zernike矩作为特征的精确形状为基础的图像检索val.信号图像视频处理。8（7），1273-1289。黄，C.，汉，Y.，张玉，2012年。 一种基于对象的彩色图像检索方法。In：Fuzzy Systems and Knowledge Discovery（FSKD），20129thInternationalConferenceon.IEEE，pp. 1659-1663年。黄，J.，1998年 彩色空间图像索引及其应用。 康奈尔大学博士 论文Hyvrinen，A.，Hurri，J.，霍耶，P.O.，2009年 自然图像统计：早期计算视觉的概率方法， 第一版。 施普林格出版公司。Jadhav，S.M.，帕蒂尔，V.，2012. 基于进化程序设计的有效的基于内容的图像检索系统。在：先进的通信控制和计算技术（ICACCCT），2012年IEEE国际会议上。IEEE，第310-315Jun-Lee，S.，李，Y.- H、Ahn，H.，Rhee，S.B.，2008. 用小波相关图描述彩色图像。第23届电路/系统、计算机与通信国际会议。Kannala，J.，Rahtu，E.，2012年。BSIF：二值化统计图像特征。输入：程序第21届P模式识别国际会议（ICPR 2012），筑波，日本，pp。1363-1366年。Kekre，H.，Thepade，S.D.，Athawale，A.，Shah，A.，Verlekar，P.，Shirke，S.，2010年。 能量压缩和图像分裂用于图像检索，使用行和列特征向量的k变换。国际计算机Sci. 网络Security10（1），289-298.KONG，F.H、2009年7月。基于颜色和纹理特征的图像检索第八届机器学习和立体经济国际会议Krishnamoorthy，R.，德维，S. S.，2013. 基于多分辨率增强正交多项式模型的边缘形状相似性图像检索。数字信号处理23（2），555-568。李 ， Y.-H 、 李 ， S.-B 、 金 ， B. ， 2012 年 。 多分 辨 率 数 据 库 中 基 于 小 波 空 间 颜 色 和 gabor 归 一 化 纹 理 的 图 像 检 索 。 In ：InnovativeMobileandInternetServicesinUbiquitousComputing（IMIS），2012SixthInternationalConferenceon.IEEE，pp. 371 -377.LiHua，C.，韦湖，加-地GuoHui，L.，1999年基于多主色的图像检索算法研究与实现。 J. Comput.Res.Develop. 36（1），96-100。妈，Z.，张，G.，延湖，加-地2011年。 基于修正zernik矩的形状特征描述。 P样式肛门。 Appl. 14（1），9-22.Malik，F.，Baharudin，B.，2013年。基于dct域统计量化直方图纹理特征的基于内容图像检索距离度量分析。J.KingSaudUniv. Comput.告知。Sci. 25（4），207-218。Mandal，M.K.，Aboulnasr，T.，Panchanathan，S.，一九九六年。 基于矩和小波变换的图像索引。 Consumer Electronics，IEEETtransactions on42（3），557-565。Moghurt，H.A.，Dehaji，M.N.，2013年。用于图像检索的增强gabor小波相关图特征。 P样式肛门。 Appl. 16（2），163-177。Priya河，大卫，V.K.，2011年。 基于多特征融合算法的优化内容图像检索系统。 Int. J. Comput. Appl. 31（8）.Sai，N.，帕蒂尔河，巴西-地2011年。 基于二维双树离散小波变换的图像检索。 Int. J. Comput. Appl. （0975-8887）14（6）。沈，L.，巴伊湖，加-地2006年。 一个关于嘉宝的评论是为了获得认可。 P样式肛门。 Appl. 9（3），273-292.史密斯，J.R.，张，S.- F.、1994. 大型图像数据库中纹理分类与鉴别的变换特征。图像处理，1994年。诉讼ICIP-94，IEEE国际会议。Vol.3. IEEE，第407-411Sumana，I.J.，Lu，G.，Zhang，D.，中国农业科学院农业研究所所长，2012. 用于基于内容的图像检索的曲线和曲线纹理特征的比较，见：多媒体和博览会（ICME），2012IEEE国际会议，IEEE，第103页。290-295.888Y. Mistry等人/电气系统与信息技术杂志5（2018）874吴，J.，魏，Z.，张，Y.，2010年。基于内容的图像检索中的颜色和纹理特征。Youssef，S.M.，Mesbah，S.，Mahmoud，Y.M.，2012年。 一种有效的基于内容的图像检索系统，它将基于矢量的图像子块与主色和纹理分析相结合。 信息科学与数字内容技术（ICIDT），2012年第8届国际会议。3. IEEE，第518-523.