基于關(guān)鍵點(diǎn)的NAM圖像特征表示及其相似性分類研究.pdf

1、隨著數(shù)字圖像采集和傳輸設(shè)備的廣泛使用，圖像數(shù)據(jù)量激增，圖像數(shù)據(jù)的自動(dòng)分析理解成為海量媒體內(nèi)容管理的關(guān)鍵問題。針對(duì)圖像比較中的圖像對(duì)象的自動(dòng)分類識(shí)別任務(wù)，基于NAM(Non-symmetry and Anti-packing Model)方法和SIFT(Scale Invariant Feature Transform)方法，提出了一種新的灰度圖像特征提取、表示和描述方法SNAM，并研究了SNAM的相似性分類檢索性能，提高了圖像特征提取和

2、表示的效率和效果，實(shí)驗(yàn)表明能達(dá)到較為快速和準(zhǔn)確的自動(dòng)圖像分類目的。
　　首先，快速提取圖像模式中的大對(duì)象區(qū)域。視覺心理的研究成果表明在視覺初期對(duì)景物的認(rèn)識(shí)由大對(duì)象開始，大對(duì)象在圖像中可理解為較大面積的灰度平滑區(qū)域。為有效提取圖像模式中的大對(duì)象，結(jié)合SIFT方法的關(guān)鍵點(diǎn)作為NAM圖像子模式表示的起始點(diǎn)，采用區(qū)域生長的方式提取圖像中較大面積的灰度平滑區(qū)域矩形塊，從而提出了SNAM圖像特征提取和表示方法。SNAM將圖像模式的大對(duì)象區(qū)域表

3、示為矩形子模式隊(duì)列，提高了NAM方法對(duì)圖像特征表示的一致性，具有尺度與仿射變形的不變性，在SIFT算法的基礎(chǔ)上所增加的計(jì)算量僅為O(M)，M為圖像規(guī)模。
　　第二，提高圖像子模式的特征表示效率。SIFT算法對(duì)每個(gè)關(guān)鍵點(diǎn)的灰度梯度特征采用128維的單變量向量表示，數(shù)據(jù)量較大且對(duì)同一種事物的不同對(duì)象難以聚類識(shí)別。改進(jìn)SIFT算法的特征表示，將SNAM所提取的矩形子模式表示為2個(gè)16維的單變量向量，即反映子模式面積分布和布局分布特征的面

4、積向量和布局向量，以及一個(gè)16維的雙變量向量，即反映子模式位置特征的位置向量。大大降低了特征向量的維數(shù)，并且較SIFT描述值能更好地表示圖像模式中圖像對(duì)象的高層特征，如大對(duì)象區(qū)域的位置、布局和分布特征，實(shí)驗(yàn)表明能夠有效地表現(xiàn)同一事物的不同對(duì)象在圖像模式中的一致性和不同種類事物在圖像模式中的區(qū)分性。SNAM圖像特征描述3種向量的計(jì)算復(fù)雜度分別為O(n)、O(n)和O(n2)，n為SNAM矩形子模式個(gè)數(shù)。
　　第三，提高相似性檢索的準(zhǔn)

5、確度。通過研究面積特征、布局特征和位置特征的相似性距離計(jì)算和相似性檢索性能，采用順序距離、名稱距離和歐氏距離對(duì)3種向量的相似性距離計(jì)算和相似性檢索研究和實(shí)驗(yàn)表明能達(dá)到較好的準(zhǔn)確率和召回率，在結(jié)果集較小的情況下準(zhǔn)確度較高。相似性計(jì)算的復(fù)雜度小于O(b2)，b為向量的維度，并且由于SNAM圖像特征向量數(shù)據(jù)規(guī)模較小，其相似性計(jì)算的空間復(fù)雜度較低，適合快速圖像檢索；
　　最后，優(yōu)化了SNAM面積向量和布局向量的SVM(Support Ve

6、ctor Machine)分類核函數(shù)參數(shù)。SVM核函數(shù)參數(shù)優(yōu)化的實(shí)驗(yàn)表明在普通的點(diǎn)積、多項(xiàng)式和高斯核下，用60％的數(shù)據(jù)用于學(xué)習(xí)，40％的數(shù)據(jù)用于分類，其兩類分類正確率能穩(wěn)定達(dá)到75％左右；其用于學(xué)習(xí)的數(shù)據(jù)樣本量較小，且多項(xiàng)式核函數(shù)參數(shù)在5階以下，高斯核函數(shù)參數(shù)σ值在0.1以下；其多項(xiàng)式階次較低，高斯核的非線性程度較低；進(jìn)一步說明SNAM圖像特征描述具有較好的快速分類識(shí)別意義。
　　總之，依據(jù)視覺心理原理，結(jié)合NAM方法和SIFT方