Цветовые моменты

Цветовые моменты — это меры, которые характеризуют распределение цвета на изображении так же, как центральные моменты однозначно описывают распределение вероятностей . Цветовые моменты в основном используются в целях индексации цвета в качестве функций в приложениях поиска изображений , чтобы сравнить, насколько похожи два изображения на основе цвета. Обычно одно изображение сравнивается с базой данных цифровых изображений с заранее рассчитанными характеристиками, чтобы найти и получить похожее изображение. Каждое сравнение изображений приводит к оценке сходства, и чем ниже эта оценка, тем более идентичными должны быть два изображения.

Обзор

Цветовые моменты инвариантны к масштабированию и вращению . Обычно только первые три цветовых момента используются в качестве признаков в приложениях поиска изображений, поскольку большая часть информации о распределении цвета содержится в моментах младшего порядка. ^[1] Поскольку цветовые моменты кодируют информацию как о форме, так и о цвете, их можно использовать в изменяющихся условиях освещения, но они не могут успешно справляться с окклюзией. ^[2] Цветовые моменты можно вычислить для любой цветовой модели . Для каждого канала вычисляются три цветовых момента (например, 9 моментов, если цветовая модель RGB , и 12 моментов, если цветовая модель CMYK ). Вычисление цветовых моментов происходит так же, как и вычисление моментов распределения вероятностей.

Иметь в виду

Первый цветовой момент можно интерпретировать как средний цвет изображения и рассчитать его по следующей формуле:

E_{i}=\textstyle \sum _{j=1}^{N}{\frac {1}{N}}p_{ij}

где N — количество пикселей в изображении и $p_{ij}$ — значение j-го пикселя изображения в i-м цветовом канале.

Стандартное отклонение

Второй цветовой момент — это стандартное отклонение , которое получается путем извлечения квадратного корня из дисперсии распределения цвета.

\sigma _{i}={\sqrt {({\frac {1}{N}}\textstyle \sum _{j=1}^{N}(p_{ij}-E_{i})^{2})}}

где $E_{i}$ — среднее значение или первый цветовой момент для i-го цветового канала изображения.

асимметрия

Третий цветовой момент – асимметрия . Он измеряет, насколько асимметрично распределение цвета, и, таким образом, дает информацию о форме распределения цвета. Асимметрию можно рассчитать по следующей формуле:

s_{i}={\sqrt[{3}]{({\frac {1}{N}}\textstyle \sum _{j=1}^{N}(p_{ij}-E_{i})^{3})}}

Куртозис

Куртозис — это четвертый цветовой момент, и он, как и асимметрия, дает информацию о форме распределения цвета. Более конкретно, эксцесс — это мера того, насколько экстремальны хвосты по сравнению с нормальным распределением.

Цветовые моменты высшего порядка

Цветовые моменты более высокого порядка обычно не являются частью набора цветовых моментов в задачах поиска изображений, поскольку для получения хорошей оценки их значения требуется больше данных, а также моменты более низкого порядка обычно предоставляют достаточно информации.

Приложения

Цветовые моменты имеют важное применение в поиске изображений . Их можно использовать для сравнения того, насколько похожи два изображения. Это относительно новый подход к индексированию цвета. Наибольшее преимущество использования моментов цвета заключается в том, что нет необходимости хранить полное распределение цветов. ^[3] Это значительно ускоряет поиск изображений, поскольку для сравнения требуется меньше объектов. Кроме того, первые три цветовых момента имеют одинаковые единицы измерения, что позволяет проводить сравнение между ними. ^[4]

Индексация цвета

Цветовое индексирование – основное применение цветовых моментов. Изображения можно индексировать, и индекс будет содержать вычисленные цветовые моменты. Затем, если у кого-то есть определенное изображение и он хочет найти похожие изображения в базе данных, также будут вычислены цветовые моменты интересующего изображения. После этого будет использоваться следующая функция для вычисления показателя сходства между интересующим изображением и всеми изображениями в базе данных:

d_{mom}(H,I)=\textstyle \sum _{i=1}^{r}w_{i1}|E_{i}^{1}-E_{i}^{2}|+w_{i2}|\sigma _{i}^{1}-\sigma _{i}^{2}|+w_{i3}|s_{i}^{1}-s_{i}^{2}|

где:

H и I — цветовое распределение двух сравниваемых изображений.
i — индекс канала, а r — общее количество каналов.
$E_{i}^{1}$ и $E_{i}^{2}$ — моменты первого порядка, рассчитанные для распределений изображений.
$\sigma _{i}^{1}$ и $\sigma _{i}^{2}$ — моменты второго порядка, рассчитанные для распределений изображений.
s_i^1 и s_i^2 — моменты третьего порядка, рассчитанные для распределений изображений.
$w_{i1}$ , $w_{i2}$ , и $w_{i3}$ — веса, заданные пользователем, для каждого из трех используемых цветовых моментов.

Наконец, изображения в базе данных будут ранжированы в соответствии с вычисленным показателем сходства с интересующим изображением, а изображения в базе данных с наименьшим $d_{mom}(H,I)$ значение должно быть получено. «Поиск на основе $d_{mom}(H,I)$ может давать ложные срабатывания, поскольку индекс не содержит информации о корреляции между цветовыми каналами». ^[3]

Пример

Простой и лаконичный пример использования цветовых моментов для задач поиска изображений проиллюстрирован здесь. ^[5]

Рассмотрите возможность наличия нескольких тестовых изображений в базе данных и «Нового изображения». Цель состоит в том, чтобы получить из базы данных изображения, похожие на «Новое изображение». В качестве признаков используются первые три цветовых момента. В этом вычислении есть несколько этапов.

Предварительная обработка изображения (необязательно) . Этап предварительной обработки изображения в процессе вычислений не является обязательным. Например, на этом этапе все изображения можно изменить, чтобы они имели одинаковый размер (в пикселях). Однако, поскольку моменты цвета инвариантны к масштабированию, нет необходимости делать все изображения одинаковой ширины и высоты.
Вычисление характеристик . Используйте формулы цветовых моментов, чтобы вычислить первые три момента для каждого цветового канала изображения. Например, если используется цветовое пространство HSV, это означает, что для каждого изображения всего будет вычислено 9 признаков (первые три момента порядка для каналов «Оттенок», «Насыщенность» и «Значение»).
Вычисление показателя сходства . После вычисления цветовых моментов веса для каждого из моментов в $d_{mom}(H,I)$ Функция должна определяться пользователем. Вес необходимо каждый раз корректировать в соответствии с применением, состоянием и качеством изображений. После этого $d_{mom}(H,I)$ Функция используется для расчета оценки сходства «Нового изображения» и каждого изображения в базе данных.
Ранжирование и поиск изображений . Из предыдущего шага $d_{mom}(H,I)$ значения были получены. Теперь можно провести сравнение этих значений, чтобы решить, какие из изображений в базе данных больше похожи на «Новое изображение», и, таким образом, соответствующим образом ранжировать изображения в базе данных. Чем меньше $d_{mom}(H,I)$ Значение тем больше, чем более похожими должны быть два распределения цвета. Наконец, некоторые из изображений с самым высоким рейтингом (с наименьшим размером $d_{mom}(H,I)$ значение) из базы данных извлекаются.

См. также

Ссылки

^ Хуэй Ю, Минцзин Ли, Хун-Цзян Чжан, Цзюфу Фэн. «Моменты цветовой текстуры для поиска изображений на основе контента». Учеб. Международная конференция IEEE. по обработке изображений, стр. 929–932, сентябрь 2002 г.
^ Сяоинь Дуаньму. «Поиск изображения с использованием инварианта цветового момента». Седьмая международная конференция по информационным технологиям, стр. 200–203, 2010 г.
^ Перейти обратно: ^а ^б М. Стрикер и М. Оренго. «Сходство цветных изображений». На конференции SPIE по хранению и поиску баз данных изображений и видео III, том 2420, стр. 381–392, февраль 1995 г.
^ В. Читкара, М. А. Насименто и К. Масталлер. «Поиск изображений на основе контента с использованием двоичных подписей». В техническом отчете TR-00-18, факультет компьютерных наук, Университет Альберты, 2000 г.
^ Ной Кин. «Цветные мгновения». февраль 2005 г.

Библиография

Афифи, Ахмед Дж.; Весам Ашур (2011). Поиск изображений на основе контента с использованием цвета. Функция: обработка и получение цветных изображений . ЛАП ЛАМБЕРТ Академическое издательство.
Датта, Ритендра; Дирадж Джоши; Цзя Ли ; Джеймс З. Ван (2008). «Поиск изображений: идеи, влияния и тенденции нового века» . Обзоры вычислительной техники ACM . 40 (2): 5:1–5:60. дои : 10.1145/1348246.1348248 . S2CID 7060187 .
Смолдерс, Арнольд В.М.; Марсель Уорринг, Симона Сантини, Амарнат Гупта, Рамеш Джайн (2000). «Поиск изображений на основе контента в конце ранних лет». Транзакции IEEE по анализу шаблонов и машинному интеллекту . 22 (12): 1349–1380. CiteSeerX 10.1.1.136.4303 . дои : 10.1109/34.895972 . S2CID 2827898 . {{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка )

Внешние ссылки

[1] Хуэй Ю, Минцзин Ли, Хун-Цзян Чжан, Цзюфу Фэн. «Моменты цветовой текстуры для поиска изображений на основе контента». Учеб. Международная конференция IEEE. по обработке изображений, стр. 929–932, сентябрь 2002 г.

[2] Сяоинь Дуаньму. «Поиск изображения с использованием инварианта цветового момента». Седьмая международная конференция по информационным технологиям, стр. 200–203, 2010 г.

[Similarity_of_Color_Images-3] Перейти обратно: ^а ^б М. Стрикер и М. Оренго. «Сходство цветных изображений». На конференции SPIE по хранению и поиску баз данных изображений и видео III, том 2420, стр. 381–392, февраль 1995 г.

[4] В. Читкара, М. А. Насименто и К. Масталлер. «Поиск изображений на основе контента с использованием двоичных подписей». В техническом отчете TR-00-18, факультет компьютерных наук, Университет Альберты, 2000 г.

[5] Ной Кин. «Цветные мгновения». февраль 2005 г.

[1]

[2]

[3]

[4]

[5]