2.1原始图案
在本文中,原始图像被划分为2×2个网格。然后用一个特定的扫描图案替换这些网格,该图案将以灰度升序(AGO)遍历网格,以反映2×2网格的纹理(见图1). 请注意,为解决具有相同灰度的网格问题,提供了固定的优先级。也就是说,根据这种优先级,可以获得唯一的扫描曲线来表示2×2网格。
在图中1,我们定义左上方网格(标签1)具有最高优先级,而左下方网格(标签4)具有最低优先级。这样的优先顺序可以解决网格中相同灰度的曲线连接问题。同时,通过灰度升序,我们可以将2×2网格转换为一个独特的图案。拍摄照片2例如,尽管标签1的灰度与标签3的灰度相同,但我们也可以获得序列为1324的唯一基序。一般来说,24种不同的图案可以穿过“2×2网格”(见图三).
2.2修正的八个旋转不变基序
根据直觉,如果一个图案顺时针旋转90°、180°和270°,它将分别转换为另外三种图案。因此,为了进行旋转图像检索,我们将原始基序及其三个旋转基序归类为一个基序。也就是说,在这种直接合并之后,我们可以从图中看到424种基序可以直接简化为6种,新的6种基序如图所示5.
这样一个简单的合并过程似乎可以解决旋转图像检索问题。然而,经过进一步分析,它可能会导致旋转失真的问题。也就是说,如果一个2×2网格单元遇到相同灰度的情况,则原始2×2栅格的旋转可能会导致指定的合并图案中出现不同的图案。我们采用图6例如。通过简单的合并,与原始网格相关的图案被指定为NO.2图案,但经过三度旋转的网格产生NO.0图案,这与原始网格产生的图案不同,导致了旋转变形问题。因此,我们不能仅仅利用这种简单的合并来处理旋转图像检索。在本研究中,我们提出了一个最小左上三角形(MULT)规则来解决它,MULT被描述为:
MULT规则固定了标签1、2和4网格中的三个较小灰度,无论旋转原始图像的角度是90°、180°还是270°。在图中7,我们也采用2×2网格(见图10)例如。虽然2×2网格单元遇到相同灰度的情况,但MULT规则最终可以实现唯一的图案。
根据MULT规则,通过完整的统计方法,将原来的24种基序最终简化为8种基序,这8种基模如图所示8.
众所周知,对于2×2网格的每一个单位,图像的旋转不仅会移动其在空间中的位置,而且还会旋转其内部内容。在对MULT进行进一步分析和广泛仿真之后,我们发现了由给出的两种特殊情况。
为了很好地处理这两种情况,我们改进了MULT并用其生成的基序之一指定它们。指定过程如图所示9.
为了讨论为什么我们选择这三种生成的基序来表示最终合并的基序,我们首先研究了常用图像数据集Core-1000中每种情况和基序的频率[38,39,40],相应的频率和百分比如表所示1和2.
表1 Corel-1000图像数据集中每个案例的频率和百分比 表2 Corel-1000图像数据集中每个图案的频率和百分比 请注意,我们需要选择一些不同的图案来代表这两种特殊情况下最终合并的图案。也就是说,可以直观地选择百分比最低的生成图案。随后,我们将解释为什么在图中选择这三种生成的基序9如下所示。
-
(1)
对于案例1,从原始网格和相应的三个旋转网格中,生成了三种图案,即NO.0、NO.5和NO.7,其百分比分别为11.787%、10.31%和0%。因此,选择第7号图案代表案例1。
-
(2)
对于案例2.1,从原始网格和相应的三个旋转网格中,生成了两种图案,即NO.4和NO.6,其百分比分别为4.596%和3.882%。因此,选择第6号图案代表案例2.1。
-
(3)
对于案例2.2,从原始网格和相应的三个旋转网格中,生成了两种图案,即NO.2和NO.7,其百分比分别为17.901%和0。因此,选择第7号图案代表案例2.2。
到目前为止,在对MULT进行上述修改后,最后八个基序中包含了基序的数量,这种合并的方法可以很好地组织MEM和MAM进行旋转图像检索。
2.3基序平均矩阵(MAM)
为了提取图像的颜色特征,我们使用MAM存储每个图案的平均灰度。也就是说,由于每个元素都是从2×2网格中获得的,因此很明显,灰度矩阵的大小为M(M) × N个图像可以转换为(M(M) – 1) × (N个–1)MAM,其中M(M)和N个分别是原始图像中的行和列的像素数。构造MAM的步骤如下所述:
-
(1)
从灰度矩阵中的原点位置(0,0)开始,以1步长从左到右和从上到下移动每个2×2网格单元。
-
(2)
提取2×2网格中每个单元的平均灰度作为MAM的元素。
我们可以吃无花果10和11例如,图10表示图像和图的原始10×10 Gy水平矩阵11表示相关的9×9 MAM。
2.4基序过量矩阵(MEM)
在这项研究中,颜色和纹理的特征都被用来综合描述图像。也就是说,我们不仅使用MAM存储颜色特征,还使用MEM保存纹理特征。由于MEM中的每个元素都是一个模体,并且我们从2×2网格的每个单元中提取模体,很明显MEM的大小也是(M(M) – 1) × (N个–1)与M(M) × N个灰度图像。注意,图案和平均灰度信息都是从每个2×2网格单元中提取的。因此,MEM中的纹理特征可以通过相关位置映射到MAM中的颜色特征。构建MEM的步骤描述如下:
-
(1)
从灰度矩阵中的原点位置(0,0)开始,将2×2网格的每个单元从左到右、从上到下移动一步。
-
(2)
利用AGO方法生成作为MEM元素的图案。
拿Figs来说4和6例如。基于原始灰度矩阵(见图4),我们可以在图中获得相关的9×9 MEM12.
2.5基序矩阵(MM)
如上所述,MAM只计算颜色特征,而MEM只计算纹理特征。在本研究中,纹理和颜色特征都被视为图像的内容。也就是说,我们建议MM将这两个特征进一步融合到一个空间中。众所周知,灰度值在0到255之间,我们总共获得了八种图案来表示纹理。随后,我们利用灰度范围和图案类型分别表示MM的行和列。也就是说,在新生成的MM是一个256×8的矩阵,元素MM(x个,年)计算同一像素中的次数(我,j个)、MAM(我,j个)是的平均灰度x个和MEM(我,j个)是年第个图案。元素MM的定义(x个,年)由提供
$${\displaystyle\begin{array}{c}\mathrm{If}\\mathrm}\left(i,j\right)=x,x\in\left[0255\right]\\{}\mathrm{and}\\mathr m{MEM}\left[i,j\ right)=y,y\in\leaft[0,7\right]\\{}\ mathrm[Then}\\mathrem{MM}\ left(x,y\right y\右)+1\结束{数组}}$$
(1)
例如,如果MAM(20,5)是255,MEM(20,15)是第二个图案,那么MM(255,2)的值应该增加到1。通过这种方法,我们将纹理和颜色特征合并到一个融合的空间中。也就是说,MM统计每种图案共享相同平均灰度的总时间。因此,这种基于统计的方法可以解决搜索可能分散在图像不同位置的相似纹理和颜色特征的问题。
取图中的MAM11和图中的MEM12例如。我们可以得到大小为256×8的融合MM。为了清楚地解释MM,我们只考虑了第71行MM。也就是说,我们计算平均灰度为70的每种图案的次数。我们可以从图中看到11即MAM(0,6)=70,MAM(1,1)=70、MAM(5,2)=70和MAM(7,5)=7012MEM(0,6)=1,MEM(1,1)=4,MEM三描绘第71排MM。
在这项研究中,我们主要关注基于内容的图像检索,特别是旋转图像检索。到目前为止,我们已经使用MM来组织图像的颜色和纹理特征。为了清楚地描述图像旋转的问题,我们还从图中提取了原始的10×10Gy水平矩阵10例如。
顺时针旋转90°后,我们可以得到旋转后的灰度矩阵,相关的MAM和MEM如图所示第13页–c(c)分别是。随后,利用新生成的MAM和MEM构造相应的MM。为了将这个新构造的MM与没有旋转的原始MM进行比较,我们还考虑了新MM的第71行。我们可以从图中看到13个根据图和13摄氏度MEM(1,7)=4,MEM(2,3)=2,MEM4用于描述新MM的第71行。
与表相比三,我们可以看到表中新MM的第71行4显然与原始MM相同。也就是说,通过使用MM和八种修改的基序,我们可以解决图像旋转的问题。