Curvelet korelasyon grafiğine dayalı bir doku görüntüsü alma yöntemi
Li Lei
(Western Business School, Southwestern Finans ve Ekonomi Üniversitesi, Chengdu 610074, Sichuan)
Doku, görüntülerin her yerde bulunan ve tanımlanması zor bir özelliğidir, ancak insanların görsel dikkatini çekmek daha kolaydır.Zengin bilgiler içerir, bu nedenle doku temelli erişim önemli uygulama değerine sahiptir. Curvelet korelasyon grafiğine dayalı yeni bir doku görüntüsü alma yöntemi önerilmiştir. Bu yöntem, doku görüntüsünün Curvelet ayrıştırması yoluyla çok ölçekli analiz gerçekleştirir; görüntünün ana hatlarını yansıtmak için dönüştürülmüş kaba ölçeği ve görüntü doku bilgilerinin özelliklerini yansıtmak için ince ölçeği kullanır. Eşiklemeden sonra, farklı niceleme seviyeleri kullanılır; Curvelet katsayısı korelasyon haritası farklı katsayıları yansıtacak şekilde hesaplanır Birbirleri arasındaki orantı ve uzamsal korelasyon, böylece görüntünün özellik vektörünü oluşturur. Brodatz doku görüntü kitaplığı üzerinde yapılan deneyler sayesinde sonuçlar, bu yöntemin doku görüntüsü almayı orijinal Curvelet yönteminden daha etkili bir şekilde gerçekleştirebileceğini göstermektedir.
TN911.73; TP391.41
Belge tanımlama kodu: Bir
DOI: 10.16157 / j.issn.0258-7998.2016.07.030
Çince alıntı biçimi: Li Lei. Curvelet korelasyon grafiğine dayalı doku görüntüsü alma yöntemi. Application of Electronic Technology, 2016, 42 (7): 119-121, 129.
İngilizce alıntı biçimi: Li Lei. Curvelet korelogramına dayalı bir doku görüntüsü alma yaklaşımı. Application of Electronic Technique, 2016, 42 (7): 119-121, 129.
0 Önsöz
Son yirmi yılda, bilgisayar multimedya teknolojisinin yaygınlaşması ve uygulanmasıyla, büyük ölçekli dijital görüntü kitaplıkları ortaya çıktı ve içeriğe dayalı görüntü alma teknolojisi geliştirildi. Sırasıyla sorgu görüntüsünden ve hedef görüntüden özellikleri ayıklamak için aynı yöntemi kullanır ve özellik karşılaştırması yoluyla nihai alma sonuçlarını çıkarır. Doku temel bir görsel ve global özelliktir, renk ve parlaklığa bağlı olmayan görüntülerin homojenliğini yansıtır.İçeriğe dayalı görüntü alımında yaygın olarak kullanılmaktadır. Doku analizi yöntemleri, istatistiksel yöntemler, yapısal yöntemler, model yöntemleri ve frekans spektrumu yöntemlerine ayrılmıştır.
Mevcut doku özelliklerini çıkarma yöntemi, esas olarak zaman-frekans analizi ve çok ölçekli analize dayanan ve belirli sonuçlar elde eden frekans spektrumu yöntemini benimser. HALEY G M, doku özelliklerini çıkarmak için Gabor dalgacık kullanır, ancak yüksek karmaşıklığa sahiptir; MANTHALKAR R, ayrık dalgacık paket ayrıştırma yöntemini kullanır, ancak dalgacıkta yön bilgisi olmadığı için doku yön bilgisi bir ölçüde kaybolur. Qu Huaijing, algoritmanın karmaşıklığını artıran katsayıların istatistiksel modellemesini gerçekleştiren, filtre seçimi ve göreceli faz istatistiksel doku görüntüsü alma ile birlikte piramit tabanlı çift ağaçlı yönlü bir filtre bankası kullanır. Gabor dönüşümü ile karşılaştırıldığında, Curvelet dönüşümü görüntü eğrisi özelliklerini daha etkili bir şekilde çıkarabilir, bu nedenle son yıllarda dijital görüntü işlemede yaygın olarak kullanılmaktadır.
Doku döndürme değişikliklerinden etkilenmeden görüntü alma performansını iyileştirmek için, bu kağıt doku görüntüleri üzerinde çok ölçekli analiz yapmak için Curvelet dönüşümü kullanır.Görüntü ana hatlarını yansıtmak için kaba ölçeğe ve görüntü dokusunun özelliklerini yansıtan ince ölçeğe göre, her ölçeğin katsayıları eşlenir. , Parazit gibi fazlalık bilgileri kaldırın ve ardından doku bilgilerini daha iyi korumak için farklı niceleme seviyeleri kullanın. Bu temelde, her ölçeğin katsayılarının otokorelasyon diyagramı hesaplanır ve farklı katsayıların oranı ve nicelemeden sonraki uzamsal korelasyonları tam olarak dikkate alınır. Brodatz doku veri tabanının görüntü alımı yoluyla, bu yöntemin görüntü alma doğruluğunu etkili bir şekilde artırabildiği kanıtlanmıştır.
1 Curvelet dönüşümü
Curvelet dönüşümü, bir görüntü çok ölçekli geometrik analiz aracıdır. Birinci nesil Curvelet dönüşümü, esasen Ridgelet dönüşümünü farklı konumlarda ve yönlerde gerçekleştirmektir ve onun yapım fikri, eğrinin yeterince ince bir ölçekte düz bir çizgiye yaklaştırılabilmesidir. Veri fazlalığını azaltmak ve hesaplama hızını artırmak için Ridgelet, ikinci nesil Curvelet dönüşümünün uygulanmasında kullanılmadı. Ayrık Curvelet dönüşümünde, frekans penceresi "kama şeklindedir" ve keyfi bir yönlülük açısına sahiptir, bu nedenle bu frekans penceresi "anizotropik" olarak kabul edilir. Frekans etki alanı kama şeklindeki blokta, yalnızca tekillik özelliğinin yönü ve geometrik şekli birbiriyle eşleştiğinde, daha büyük bir Curvelet özellik katsayısına sahiptir. Literatür, hızlı ayrık gerçekleştirme algoritmasını verir.
0t1t2 olarak ayarlayın < n, ayrık Curvelet katsayısı şu şekilde tanımlanabilir:
2 Renkli otokorelasyon grafiği
Renk korelasyon haritası, görüntüdeki renk ve alan bilgilerini birleştiren görüntünün düşük seviyeli bir özelliğidir ve görüntünün renk dağılımının bir ifadesidir. Bu özellik dönüşle değişmez, farklı renk çiftleri arasındaki uzamsal korelasyonu tasvir eder ve ayrıca tüm görüntüdeki belirli renk piksellerinin oranını yansıtır. Geleneksel renk histogramından farklı olarak, renk korelasyon grafiği, histogramı oluşturmak için çeşitli renkler arasındaki nicelleştirilmiş mesafeyi kullanır.
Bir N × N görüntüyü temsil ettiğimi varsayarsak, belirli bir piksel P (x, y) I için görüntü I'deki renkler C1, ..., Cm m renklerine nicelendirilir. IC = {p | I (p) = C} olsun, böylece ICi rengi Ci olan tüm pikselleri temsil eder. Görüntüdeki iki piksel p1 (x1, y1) ve p2 (x2, y2) arasındaki mesafe aşağıdaki gibidir:
Resim I'in renk korelasyon diyagramını şu şekilde tanımlayın:
(i, j, k), renk çiftleri Ci ve Cj olan pikseller arasındaki mesafenin k'den küçük veya ona eşit olma olasılığını temsil eder. Renk korelasyon grafik matrisinin boyutu m2 × k'dir, burada k, farklı mesafelerin toplam sayısını temsil eder.
Herhangi bir renk çifti arasındaki uzamsal korelasyon dikkate alınırsa, renk korelasyon grafiği çok karmaşık ve çok büyük olacaktır, bu da işlem hızını büyük ölçüde etkileyecektir. İşlemeyi basitleştirmek ve karmaşıklığı azaltmak için renk otokorelasyon grafiği tanıtıldı. Şu şekilde ifade edilir:
Renk otokorelasyonunun ifadesine göre, sadece aynı renkteki piksel çiftleri arasındaki uzamsal ilişkiyi dikkate aldığı görülebilir. Otokorelasyon grafiği, renk korelasyon grafiğinin bir alt kümesidir.Matrisinin boyutu m × k'dir. Alan gereksinimi, renk korelasyon grafiğinden daha düşüktür ve uygulanması daha kolaydır.
3 Curvelet korelasyon grafik algoritması
Curvelet, çok ölçekli analizin özelliklerinden tam olarak yararlanır, bu nedenle hem zaman alanında hem de frekans alanında iyi yerelleştirilmiş analiz yeteneklerine sahiptir ve analiz nesnesinin herhangi bir detayına kademeli olarak odaklanabilir. Sadece sinyalin nokta tekilliğini yansıtmakla kalmayıp aynı zamanda iyi yön tanıma yeteneğine sahip olan ölçek, yer değiştirme ve yönün üç parametresini sunar. Curvelet korelasyon haritası, Curvelet çoklu ölçekli analiz özelliğini ve renk otokorelasyon haritasının dönüş değişmezliğini tam olarak kullanır ve doku görüntüsü alma için kullanılabilir.
Algoritma akışı aşağıdaki gibidir:
(1) Doku görüntüsünün curvelet ayrışması;
(2) Her ölçek için eğri çizgi katsayısı eşik işleme;
(3) Curvelet katsayılarını farklı niceleme seviyeleri ile ölçün;
(4) Her ölçek katsayısının otokorelasyon diyagramını hesaplayın;
(5) Özellik vektörünü oluşturun.
3.1 Curvelet görüntü ayrıştırma
Doku görüntülerinin kıvrımlı ayrışması, ayrıştırma katmanlarının sayısını belirlemelidir Katman sayısı, doku özelliği çıkarımının etkisini ve veri miktarını doğrudan etkiler. Ayrıştırma katmanlarının sayısı çok küçükse, ince ölçekte her yöndeki görüntü dokusu gibi ayrıntılı bilgiler etkili bir şekilde çıkarılamaz ve veriler daha fazla fazlalık bilgi içerir; ayrıştırma katmanlarının sayısı çok büyükse, ayrıştırma hesaplama süresi önemli ölçüde artacak ve kaba ölçekte görüntü İle ilgili genel bakış bilgileri belirli bir örtüşmeye sahip olacak, görüntünün bazı temel özelliklerini kaybedecek ve genel erişim hızını etkileyecektir.
Curvelet ayrıştırma frekans bandı bölümü Şekil 1'de gösterilmektedir. Görüntü dokusu gibi detaylı bilgilerin etkin bir şekilde çıkarılabilmesi ve geri dönüş hızının hızlandırılabilmesi için Şekil 1'deki yönteme göre ayrıştırma katmanlarının sayısı belirlenir. Doku görüntü boyutu N × N olarak ayarlanmışsa, Curvelet'in ayrıştırma ölçeği şöyle olur:
Doku görüntüsünün boyutunun 128 × 128 olduğu varsayıldığında, denklem (11) ile hesaplanan Curvelet ayrıştırma katmanlarının sayısı 3'tür. Hesaplama, her katmandaki ince ölçekli yüksek frekanslı yönlerin sayısının 8'in katı olduğunu göstermektedir. Bu algoritmada kaba ölçek ilk katmandır, sayı 1'dir ve ince ölçeğin iki katmanı vardır, sayılar sırasıyla 16 ve 32'dir.Bu nedenle, toplam 3 kat Curvelet ayrıştırma 40 (= 1 + 16 + 32) alt üretecektir. grup. Curvelet ayrıştırmasının yönlülüğünden dolayı, ince ölçekli katman üzerindeki ve + açısının alt blokları aynı Curvelet katsayısına sahip olacaktır.Bu nedenle, aşağıdaki analizde, ince ölçekli katmanların alt bantlarının yalnızca yarısının dikkate alınması gerekir. Korelasyon grafiği işlemi için toplam 25 (= 1 + 8 + 16) alt bant.
3.2 Curvelet'in her katman katsayısının eşik işleme
Curvelet frekans etki alanı kama bloğunda, yalnızca blok yönüyle aynı olan tekil özelliklere sahip geometrik şekiller daha büyük Curvelet özellik katsayılarına sahiptir. Nispeten konuşmak gerekirse, görüntüdeki doku gibi detay bilgisinin Curvelet katsayısı değeri, kontur bilgisi Curvelet katsayısından daha büyüktür. Bu nedenle, görüntünün bazı fazlalık bilgileri eşik işleme yoluyla kaldırılabilir. Eşik işlemeden sonra, her katmanın Curvelet katsayıları şunlardır:
WM, I görüntüsünün M-inci Curvelet katsayısıdır, nM katmanların sayısı ile ilgili bir parametredir ve M, M-inci Curvelet katsayısının standart sapmasıdır.
3.3 Curvelet'in her katmanının katsayılarının nicelendirilmesi
Curvelet katsayıları, eşik işlemeden sonra geniş bir dağılım aralığına sahip bir gerçek sayılar kümesi gibi davrandığından, sonraki korelasyon grafiği analizini kolaylaştırmak için, katsayıların buna göre ölçülmesi gerekir. Katsayıların enerjisi esas olarak kaba ölçek katsayılarına dağıtılır ve bu katman görüntünün kontur bilgisini içerir. Bu algoritma, kaba ölçekli düşük frekans katsayıları için 4 niceleme düzeyi ve ince ölçekli yüksek frekans katsayıları için 8 niceleme düzeyi kullanır.
3.4 Curvelet otokorelasyon grafiği hesaplama
WM, I görüntünün M-inci Curvelet katsayısıdır. Bu katman, W1 ... WL L seviyelerine nicelendirilir ve P1 (x, y) ve P2 (x, y) noktalarının tümü M-inci katmanına ait Curvelet katsayılarıdır. O zaman Curvelet korelasyon diyagramı:
Burada k {1 ... K} belirtilen mesafeyi temsil eder, i, j {1 ... L}. Curvelet otokorelasyon grafiğini hesaplarken, i = j seçin. Curvelet dönüşümünün çok ölçekli analiz özellikleri nedeniyle, toplam mesafe sayısı K'nin değeri, renk otokorelasyon grafiğinin doğrudan hesaplanmasının değerinden çok daha küçüktür.Bu algoritmada K = 3 seçilir.
3.5 Doku görüntüsü özelliği vektör yapımı
Curvelet korelasyon grafiği algoritmasındaki özellik vektör boyutu, Curvelet ayrıştırmasından sonra her katman katsayısının nicelleştirilmiş boyutu ve otokorelasyon grafiğinin toplam mesafesi ile ilgilidir. Yapısı basittir ve toplam bileşen sayısı:
Bu nedenle, bu algoritmadaki özellik vektörünün bileşen sayısı 60'tır.
4 Deneysel sonuçlar
Brodatz doku kitaplığı görüntülerini kullanarak deneysel görüntüleri alan doku kitaplığı, 91512 × 512 gri ölçekli doku görüntüsü, toplam 13 görüntü türü içerir ve her görüntü türü 0 °, 30 °, 60 °, 90 °, 120 ° döndürme içerir, 150 ° ve 200 ° sonra 7 görüntü. 91 görüntünün her bir doku görüntüsünü üst üste binmeden 16128 × 128 görüntüye bölün.Toplam 1.456128 × 128 doku görüntüsü elde edilecek ve bu görüntüler son doku alma test setinde oluşturulacaktır. Deney, temel Curvelet alma yöntemini, Md Monirul Islam'ın Curvelet rotasyon-değişmez özellik alma yöntemini ve karşılaştırma için görüntü veritabanlarında görüntü alma için Curvelet korelasyon grafiği yöntemini karşılaştırır ve değerlendirme için hassasiyet ve geri alma oranını (geri çağırma) kullanır. Algoritmik geri alma performansı.
Arama sonucu kuyruğunda alınan doğru hedef görüntü sayısının arama sonucu kuyruğundaki tüm görüntülerin sayısına oranı doğruluk olarak tanımlanır, yani:
Arama dönüş sonucu kuyruğunda alınan doğru hedef görüntülerin sayısının veritabanındaki tüm benzer hedef görüntülerin sayısına oranı, geri alma oranı olarak tanımlanır, yani:
Formülde, F, görüntü kitaplığındaki geri alınan görüntü ile aynı türdeki toplam hedef görüntü sayısıdır, X, geri alma sonucu kuyruğundaki toplam görüntü sayısını temsil eder ve Y, sorgu sonucundaki aynı tür hedef görüntülerin sayısıdır.
Tablo 1, X = 20 olduğunda yukarıdaki üç algoritmanın ortalama doğruluğunu göstermektedir.
Şekil 2, üç farklı algoritmanın doğruluk geri getirme performansını göstermektedir. Şekil 2'den Curvelet korelasyon grafiği alma algoritmasının geri getirme performansının diğer iki algoritmadan daha iyi olduğu ve bu yöntemin dönüşle değişmediği görülebilmektedir.
5. Sonuç
Bu makale Curvelet korelasyon grafiğine dayalı yeni bir doku görüntüsü alma yöntemi önermektedir. Brodatz doku görüntü kitaplığı üzerinde yapılan deneyler sayesinde sonuçlar, bu yöntemin doku görüntüsü almayı orijinal Curvelet yönteminden daha etkili bir şekilde gerçekleştirebileceğini göstermektedir. Bu algoritmanın zaman karmaşıklığı, diğer yöntemlere kıyasla iyileştirilmiştir. Sonraki araştırmaların, geri alma verimliliğini daha da iyileştirmek için niceleme seviyesini ve renk mesafesini ayarlama gibi yöntemlerle birleştirildiği düşünülebilir.
Referanslar
SMEULDERS A W M, WORRING M, SANTINI S, et al.İlk yılların sonunda içerik tabanlı görüntü alma. IEEE Trans on Pattern Analysis and Machine Intelligence, 2000, 22 (12): 1349-1380.
Sun Junding, Zhao Shan. Görüntü düşük seviyeli özellik çıkarma ve geri alma teknolojisi Pekin: Electronic Industry Press, 2009.
Han Xiaochen. Görüntü Doku Segmentasyonuna Genel Bakış. Teknoloji ve İşletme, 2015 (9): 76.
HALEY G M, MANJUNATH B S. Tam bir uzay frekansı modeli kullanarak dönmeyle değişmeyen doku sınıflandırması Görüntü İşleme IEEE Trans., 1999, 8 (2): 255-269.
SALEMBIER P, SIKORA T. MPEG-7'ye Giriş New York: John Wiley and Son Inc., 2002.
MANTHALKAR R, BISWAS P K, CHATTERJI B N. Ayrık dalgacık paket dönüşümü kullanarak dönme ve ölçek değişmez doku özellikleri Örüntü Tanıma Mektubu, 2003, 24 (14): 2455-2462.
Qu Huaijing, Li Jian, Wu Yanrong ve diğerleri Filtre seçimi ve faz bilgileri ile birlikte istatistiksel doku görüntüsü alma Bilgisayar Uygulama Araştırması, 2014, 31 (12): 3894-3897.
STARCK J L, CANDES E J, DONOHO D L. Görüntü denoising için curvelet dönüşümü Görüntü İşleme IEEE Trans., 2002, 11 (6): 670-684.
CANDES E, DEMANET L, Ying Lexing, ve diğerleri Hızlı ayrık curvelet dönüşümleri Çok Ölçekli Model Simülasyonu, 2006, 5 (3): 861-899.
