图像检索技术：从C-BIRD到现代关键技术

# 图像检索技术：从C - BIRD到现代关键技术 ## 1. C - BIRD系统的搜索方法 ### 1.1 光照不变性搜索 光照变化会极大地改变相机RGB传感器测量的颜色，例如在日光下为粉色的物体在荧光灯下可能变为紫色。为处理查询图像到不同数据库图像间的光照变化，C - BIRD系统采取了以下步骤： 1. **图像归一化与压缩**：对每个图像的每个颜色通道带进行归一化，然后压缩为36维向量。归一化R、G、B通道带能有效应对光照颜色变化导致的颜色改变。 2. **创建二维颜色直方图**：利用色度（即{R, G}/(R + G + B)的带比集合）创建二维颜色直方图。色度只捕捉颜色信息，不包含亮度信息。 3. **直方图压缩**：将128×128的二维颜色直方图视为图像，使用基于小波的压缩方案进行压缩。为进一步减少特征向量的分量数量，计算较小直方图的DCT系数并按锯齿顺序排列，只保留36个分量。 4. **匹配操作**：在压缩域中，通过计算两个DCT压缩后的36维特征向量的欧几里得距离进行匹配。 ### 1.2 对象模型搜索 C - BIRD支持的最重要搜索类型是基于模型的对象搜索，具体操作步骤如下： 1. **进入对象选择模式**：用户选择一个缩略图并点击“Model”标签进入对象选择模式。 2. **选择对象区域**：用户可以使用矩形、椭圆等基本形状，或魔棒工具（基于种子的泛洪算法）、活动轮廓（“蛇”）、画笔工具等选择图像区域。所有选择可以通过布尔运算（如并集、交集、排除）进行组合。 3. **确定搜索对象**：将定义好的对象区域拖到右侧窗格，显示所有当前选择。虽然可以拖动多个区域到选择窗格，但只有选择窗格中的活动对象会被用于搜索。 4. **对象匹配流程**： - 处理用户选择的模型图像并定位其特征。 - 应用基于简化色度直方图的颜色直方图交集作为初步筛选。 - 估计目标图像中对象的姿态（比例、平移、旋转）。 - 通过纹理直方图的交集进行验证。 - 使用广义霍夫变换（GHT）的高效版本进行形状验证。 ## 2. 搜索结果量化 ### 2.1 精度和召回率 在信息检索中，精度（Precision）是指检索到的相关文档数与所有检索到的文档数的百分比，召回率（Recall）是指检索到的相关文档数与所有相关文档数的百分比。其计算公式如下： - \(Precision = \frac{Relevant\ images\ returned}{All\ retrieved\ images}=\frac{TP}{TP + FP}\) - \(Recall = \frac{Relevant\ images\ returned}{All\ relevant\ images}=\frac{TP}{TP + FN}\) 其中，TP（True Positives）是返回的相关图像数，FP（False Positives）是返回的不相关图像数，FN（False Negatives）是未返回的相关图像数。一般来说，放宽阈值允许更多图像返回时，精度会降低，召回率会提高；反之亦然。因此，单独讨论精度或召回率的数值意义不大，通常会结合两者来衡量，例如召回率为50%时的精度、精度为90%时的召回率等。 ### 2.2 平均精度均值（MAP） 当涉及多个查询时，为衡量CBIR系统的整体性能，通常将精度和召回率的值汇总为一个单一值，即平均精度均值（MAP）。单个查询q的平均精度（AP）定义为： \(AP(q) = \frac{1}{NR}\sum_{n = 1}^{NR}Precision(n)\) 其中，\(Precision(n)\)是第n个相关图像被检索后得到的精度值，NR是相关图像的总数。MAP是所有查询图像的平均精度的平均值： \(MAP = \frac{1}{NQ}\sum_{q\in Q}AP(q)\) 其中，Q是查询图像集，NQ是其大小