Recuperación de la imagen: Color Coherencia Vector


Se recomienda tomar un vistazo a este breve post. Es una introducción al campo de la recuperación de la imagen. Algunas de sus palabras y expresiones se utilizan en este centro.

Última hablamos hub de dos colores descriptores comunes histograma de color global (GCH) y Local Color Histograma (LCH). Entonces discutimos el principal problema de la utilización que GCH no tiene información sobre el color de la distribución espacial. Después hablamos de un intento de resolver este problema mediante el uso de la HCL. Finalmente mostramos algunas desventajas de la HCL.




Los descriptores de colores se utilizan para distinguir entre las imágenes y calcular sus similitudes describir sus colores.

Ahora vamos a ver uno de los descriptores de color más eficientes que contiene información sobre el color de distribución espacial que se llama coherencia de color vector (CCV).

Color Coherencia Vector

Color de Coherencia vectorial (CCV) es un método más complejo de histograma de color. Cada píxel se clasifica como compatible o incompatible. Píxeles coherentes significa que es parte de un gran componente conectado (CC) mientras que los píxeles inconsistentes es parte de un pequeño componente conectado. Por supuesto antes definimos los criterios que utilizamos para medir si un componente conectado es grande o no.

algoritmo de extracción de características

  1. Borrando la imagen (reemplazando el valor de cada píxel con el valor medio de las 8 píxeles vecinos que rodean píxeles).
  2. Discretizar el espacio de color (imágenes en color ') en color no distinta.
  3. Clasifique cada píxel es compatible o incompatible. Esto se calcula
  • Encuentra componentes conectados para cada color discretizado.
  • Determinar el valor de tau (Tau es un valor especificado por el usuario (normalmente de aproximadamente 1% del tamaño de la imagen)).
  • Cada componente conectado tiene un número de píxeles mayor que o igual a tau entonces sus píxeles son considerados para ser consistente y los otros son inconsistentes.

4. Para cada color calcular dos valores (C y N).

  • C es el número de píxeles consistentes.
  • N es el número de píxeles incoherentes.

Es claro que la suma de todo el color C, y N = número de píxeles.

función de emparejamiento

Para comparar dos imágenes a, b.
No: número de píxeles en los colores consistentes.
Ni: número de píxeles inconsistentes en color.

Tomemos este ejemplo para dar pasos claros del algoritmo.
Suponiendo que la imagen tiene 30 colores en lugar de 16.777.216 (256 * 256 * 256).

Ahora vamos a discretizar los colores por sólo tres colores (0: 9, 10:19, 20, 29).

Suponiendo que nuestra tau 4

Para el color que tenemos 0 2 CC (8 píxeles coherente)

Para el color que tenemos 1 1 CC (8 píxeles coherente)

Para el color que tenemos 2 2 CC (6 píxeles consistentes e inconsistentes 3 píxeles)

Así que al final nuestro vector de características es

Inconvenientes del color Consistencia Vector

Ahora vemos que la consistencia método de color Vector considera que la información sobre la distribución espacial de los colores entre los píxeles en su consistencia componente. Pero este método tiene algunos inconvenientes. El resto de este post va a discutir dos desventajas principales de la misma.

Pixel consistente CCV representa los píxeles que están dentro de los principales componentes en la imagen. Pero lo que hemos combinado estos componentes enteros en un solo componente. Tendremos sólo un componente el número de sus píxeles, obviamente, será igual al número de píxeles de los componentes principales.

Para aclarar un vistazo a estas imágenes que toman tau es igual a 8.

Aunque las imágenes son diferentes pero tienen el mismo CCV.

Otro problema que puede encontrar es la posición de estos importantes componentes conectados entre sí.

Estas imágenes tienen el mismo CCV con diferentes looks.

Hay muchas soluciones a estos problemas. La mayoría de ellos añade otra dimensión en la función de vector que es la posición de los componentes "respecto a la otra. Por lo tanto, esta dimensión se utiliza en la comparación para diferenciar entre las imágenes que tienen el mismo CCV.

Aquí encontrarás una Matlab aplicación rápida en Github.

(0)
(0)

Comentarios - 0

Sin comentarios

Añadir un comentario

smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile
Caracteres a la izquierda: 3000
captcha