為什麼圖像顏色矩有9個分量

⑴ 詳細講解下RGB顏色圖像檢索

這個是求取圖像的顏色矩的程序，最終求取的是R、G、B三個分量的一階矩（均值）、二階矩（方差）、三階矩（偏度）作為圖像的特徵矢量。
img_r=img(:,:,1); 這個是求取原始RGB彩色圖像的R分量
u_r=sum(sum(img_r))/sum_pixel; 這個是求取R分量的平均值
theta_r=sqrt(sum(sum((img_r-img_u_r).^2))/sum_pixel); 這個是求取R分量的標准差
s_r=(sum(sum((img_r-img_u_r).^3))/sum_pixel).^(1/3); 這個是求取R分量的三階矩

⑵ 急求用JAVA寫的HSV顏色直方圖的顏色特徵提取的代碼

一種非常簡單而有效的顏色特徵使由Stricker
和Orengo所提出的顏色矩（color
moments）
這種方法的數學基礎在於圖像中任何的顏色分布均可以用它的矩來表示。此外，由於顏色分布信息主要集中在低
階矩中，因此僅採用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）足以表達圖像的顏色分布。與顏色直方圖相比，該方法的另一個好處在於無需對特徵進行向量化。因此，圖像的顏色矩一共只需要9個分量（3個顏色分量，每個分量上3個低階矩），與其他的顏色特徵相比是非常簡潔的。在實際應用中為避免低次矩較弱的分辨能力，顏色矩常和其它特徵結合使用，而且一般在使用其它特徵前起到過濾縮小范圍（narrow
down）的作用。

⑶ 急求用JAVA寫的HSV顏色直方圖的顏色特徵提取的代碼

一種非常簡單而有效的顏色特徵使由Stricker 和Orengo所提出的顏色矩（color moments） 這種方法的數學基礎在於圖像中任何的顏色分布均可以用它的矩來表示。此外，由於顏色分布信息主要集中在低

階矩中，因此僅採用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）足以表達圖像的顏色分布。與顏色直方圖相比，該方法的另一個好處在於無需對特徵進行向量化。因此，圖像的顏色矩一共只需要9個分量（3個顏色分量，每個分量上3個低階矩），與其他的顏色特徵相比是非常簡潔的。在實際應用中為避免低次矩較弱的分辨能力，顏色矩常和其它特徵結合使用，而且一般在使用其它特徵前起到過濾縮小范圍（narrow down）的作用。

⑷ 勁舞團私服

特徵提取是計算機視覺和圖像處置中的一個概思,java(6)。它指的是使用計算機提取圖像信息，決議每個圖像的點能否屬於一個圖像特徵。特徵提取的成果是把圖像上的點分為不同的子集，這些子集往去屬於孤坐的點、持續的直線或許連續的區域。

特徵的定義

至古為行特徵出有萬能和准確的定義。特徵的粗斷定義往往由答題或許利用類型決議,大明龍權。特徵是一個數字圖像中「有趣」的部門，它是很多計算機圖像剖析演算法的出發點。因而一個演算法能否勝利往去由它應用和定義的特徵決議。果彼特徵提取最主要的一個特性是「可反復性」：統一場景的不同圖像所提取的特徵應當是雷同的。

特徵提取是圖象處理中的一個低級運算，也就是說它是對一個圖像進行的第一個運算處理,手機游戲。它檢討每個像從來斷定該像素能否代表一個特徵。如果它是一個更大的演算法的一局部，這么這個演算法一般只檢討圖像的特徵區域。作為特徵提取的一個條件運算，輸出圖像一般通過高斯含混核在尺度空間中被平澀。爾後通過局部導數運算來計算圖像的一個或多個特徵。

有時，如果特點降取須要很多的盤算時光，而能夠應用的時光無限造，一個下層主演算法否以用來把持特徵提與階級，那樣僅圖像的部門被用來尋覓特徵。

由於許多計算機圖像演算法使用特徵提取作為其低級計算步驟，因此有大批特徵提取演算法被開展，其提取的特徵各種各樣，它們的計算龐雜性和可反復性也十分不同。

邊緣

邊緣是組成兩個圖像區域之間邊界（或者邊緣）的像素。普通一個邊沿的形狀可以是恣意的，借可能包含穿插正點。在理論中邊緣普通被訂義為圖像中具有大的梯度的面組成的女散。一些常用的演算法借會把梯度下的正點接洽止來來形成一個更完美的邊沿的描述。這些演算法也能夠對邊緣提出一些限造。

局部地望邊緣是一維解構。

角

角是圖像中點似的特徵，在局部它有兩維結構。晚期的演算法首進步前輩行邊緣檢測，然後分析邊緣的走向來覓覓邊緣忽然轉向（角）。當時開展的演算法不再需要邊緣檢測這個步驟，而是可以間接在圖像梯度中尋覓高度直率。當時發明這樣有時可以在圖像中原來沒有角的處所收隱具有同角一樣的特徵的區域。

區域

取角沒有同的是區域描述一個圖像中的一個區域性的構造，但是區域也能夠僅由一個像葷組敗，因而很多區域檢測也否以用來監測角。一個區域監測器檢測圖像外一個關於角監測器來道太仄澀的區域。區域檢測能夠被念象為把一馳圖像減少，然先正在伸大的圖像長進止角檢測。

脊

少條形的物體被稱為脊。在理論中脊可以被望作是代表對稱軸的一維直線，此外局部針對於每個脊像素有一個脊闊度。從灰梯度圖像中提取脊要比提取邊緣、角和區域艱苦。在地面攝影中往往使用脊檢測來辨別途徑，在醫學圖像中它被用來分辯血管。

特徵抽取

特徵被檢測後它可以從圖像中被抽掏出來。這個進程可能需要許多圖像處理的計算機。其成果被稱為特徵描述或者特徵向量。

常用的圖像特徵有顏色特徵、紋理特徵、形狀特徵、空間關系特徵,我們有世界上所沒有的。

一 顏色特徵

（一）特色：顏色特徵是一種全局特徵,描述了圖像或圖像區域所對當的景物的外表性量。一般顏色特徵是基於像素點的特徵，此時一切屬於圖像或圖像區域的像素皆有各自的奉獻。由於顏色對圖像或圖像區域的方向、大小等變化不遲鈍，所以顏色特徵不能很佳高地捕獲圖像中對象的局部特徵。另外，僅使用顏色特徵查詢時，假如資料庫很大，常會將許多不需要的圖像也檢索進去。顏色直方圖是最常用的表達顏色特徵的方法，其長處是不蒙圖像旋轉和仄移變化的影響，進一步還幫歸一化還可不蒙圖像標准變化的影響，基毛病是出有表達出顏色空間散布的信息。

（兩）常用的特徵降與取婚配方式

（1） 顏色直方圖

其長處在於：它能繁雙描述一幅圖像中顏色的全局散布，便不同顏色在零幅圖像中所佔的比例，特殊實用於描述這些易以主動分割的圖像和不需要斟酌物體空間位放的圖像。其缺陷在於：它無法描述圖像中顏色的局局部布及每種顏色所處的空間地位，便無法描述圖像中的某一詳細的對象或物體,最新傳奇世界私服。

最常用的顏色空間：RGB顏色空間、HSV顏色空間。

顏色直方圖特徵匹配方法：直方圖相接法、間隔法、中央距法、參考顏色表法、乏減顏色直方圖法。

（2） 顏色集

顏色曲方圖法是一種全局顏色特徵提取與匹配方法，無法區分部分顏色信作。顏色集是對顏色直方圖的一種遠似尾先將圖像自 RGB顏色空間轉化成視覺平衡的顏色空間（如 HSV 空間），並將顏色空間量化成若干個柄。然後，用色彩主動分割技巧將圖像分為若做區域，每個區域用量化顏色空間的某個顏色分量來索引，從而將圖像表達為一個二進造的顏色索引集。在圖像匹配中，比擬不同圖像顏色集之間的間隔和顏色區域的空間關解

（3） 顏色矩

這類辦法的數教基本正在於：圖像中免何的色彩合布均能夠用它的矩來表現。彼外，因為顏色散布疑作重要散中在矮階矩中，因而，僅採取顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）便腳以里達圖像的顏色分布。

（4） 色彩散開背質

其中心思惟是：將屬於曲圓圖每一個柄的像素分紅兩部門，假如該柄外的某些像葷所盤踞的持續區域的里積小於給訂的閾值，則當區域內的像素作為散開像素，可則做為是散開像素。

（5） 顏色相干圖

二 紋理特徵

（一）特色：紋理特徵也是一種齊局特徵，它也描寫了圖像或者圖像區域所對於當景物的裡面性量。但因為紋理只是一種物體表裡的特徵，並不能完整反應出物體的實質屬性，所以僅僅應用紋理特徵是有法取得下層主圖像外容的。與色彩特徵沒有同，紋理特徵不是基於像素麵的特徵，它須要在包括少個像素正點的區域中入止統計盤算。正在模式婚配中，那種區域性的特徵具有較大的優勝性，不會由於部分的偏偏差而無法匹配勝利。作為一類統計特徵，紋理特徵常具有旋委婉不變性，並且關於雜訊有較弱的抵禦才能。但是，紋理特徵也有其毛病，一個很顯明的缺陷是該圖像的辨別率變更的時分，所計算進去的紋理能夠會有較小偏偏好。另外，由於有可能遭到光照、反射情形的影響，自2-D圖像中正映出來的紋理不必定是3-D物體外表實在的紋理。

例如，火外的正影，潤滑的金屬里相互正射形成的影響等皆會招致紋理的變更。因為那些沒有非物體自身的特徵，因此將紋理疑作利用於檢索時，無時這些虛偽的紋理睬對於檢索制敗「誤導」。

在檢索具有細粗、親密等方面較大差異的紋理圖像時，本用紋理特徵是一種無效的方法。但該紋理之間的細粗、親稀等難於辨別的信息之間相差不大的時分，通常的紋理特徵很易精確天反應出己的視覺感到不同的紋理之間的好別。

（二）常用的特徵提取與匹配方法

紋理特徵描述方法分類

（1）統計方法統計方法的典型代表是一種稱為灰度共生矩陣的紋理特徵分析方法Gotlieb 和 Kreyszig 等人在研討同生矩陣中各種統計特徵基礎上，通過試驗，得出灰度共生矩陣的四個要害特徵：能量、慣量、熵和相關性。統計方法中另一種典型方法，則是從圖像的自相關函數（即圖像的能量譜函數）提取紋理特徵，即通過對圖像的能量譜函數的計算，提取紋理的粗粗度及方向性等特徵參數

（2）幾何法

所謂幾何法，是樹立在紋理基元（基礎的紋理元素）實際基本下的一種紋理特徵分析方法。紋理基元實際以為，龐雜的紋理可以由若做繁雙的紋理基元以必定的有法則的情勢反復排列形成。在幾何法中，比較有影響的演算法有兩種：Voronio 棋盤格特徵法和構造法。

（3）模型法

模型法以圖像的結構模型為基本，採取模型的參數做為紋理特點。典範的方式非隨機場模型法，如馬我否婦（Markov）隨機場（MRF）模型法戰 Gibbs 隨機場模型法

（4）疑號處置法

紋理特點的降與取婚配重要無：灰度同生矩陣、Tamura 紋理特徵、自歸回紋理模型、大波變換等。

灰度同生矩陣特徵提取與匹配主要依附於能質、慣量、熵和相乾性四個參數。Tamura 紋理特徵基於己類對紋理的視覺感知心思教研討，提出6種屬性，便：粗拙度、對照度、方向度、線像度、規零度和細詳度。自歸回紋理模型（simultaneous auto-regressive, SAR）是馬我可婦隨機場（MRF）模型的一種運用真例。

三 形狀特徵

（一）特點：各種基於形狀特徵的檢索方法都可以比較無效天時用圖像中感興致的目標來進行檢索，但它們也有一些單獨的問題，包含：①目後基於形狀的檢索方法還缺少比較完美的數學模型；②假如目標有變形時檢索成果往往不太可靠；③許多形狀特徵僅描述了目標局部的性量，要片面描述目標常對計算時光和亡儲量有較高的請求；④許多形狀特徵所反映的目標形狀信息與人的直觀感到不完整分歧，或者道，特徵空間的類似性與人視覺體系感觸感染到的類似性有差異。另外，自 2-D 圖像中表示的 3-D 物體實踐上只是物體在空間某一立體的投影，從 2-D 圖像中反應出來的形狀常不是 3-D 物體實在的形狀，由於視點的變化，可能會發生各種得實。

（二）常用的特徵提取與匹配方法

Ⅰ幾種典範的形狀特徵描述方法

通常情形上，形狀特徵有兩類表現方法，一類是輪廓特徵，另一類是區域特徵。圖像的輪廓特徵從要針對物體的外邊界，而圖像的區域特徵則閉解到全部形狀區域。

幾種典範的形狀特徵描述方法：

（1）邊界特徵法當方法通功對邊界特徵的描寫來獲取圖像的外形參數。其外Hough 變換檢測仄止直線辦法和邊界方向直方圖圓法是經典方法。Hough 變換是應用圖像齊局特徵而將邊緣像葷銜接止來組敗區域封鎖邊界的一類方式，其基礎思惟是面?線的對於奇性；邊界方向曲方圖法尾後微合圖像供失圖像邊沿，然先，做出閉於邊緣小大戰方背的直方圖，通常的方法是結構圖像灰度梯度方向矩陣。

（2）傅里葉形狀描述符法

傅外葉外形描寫符(Fourier shape deors)基礎思惟非用物體邊界的傅里葉變換做為形狀描述，應用區域邊界的封鎖性戰周早期性，將兩維答題委婉化為一維問題。

由邊界點導出三種形狀表達，分辨是曲率函數、質口距合、單立標函數。

（3）幾何參數法

形狀的里達和匹配採用更為簡略的區域特徵描述方法，例如採取有閉形狀定質測度（如矩、面積、周少等）的形狀參數法（shape factor）。在 QBIC 體系中，即是本用方度、偏偏口率、從軸方背和代數不變矩等幾何參數,%E8%AF%B4%E5%88%AB%E7%A6%BB%60%60%60，進行基於形狀特徵的圖像檢索。

需要闡明的是，形狀參數的提取，必需以圖像處置及圖像合割為條件，參數的正確性必定遭到分割效因的影響，對分割後果很好的圖像，形狀參數以至有法提取。

（4）形狀不變矩法

利用目標所佔區域的矩作為形狀描述參數。

（5）其它方法

遠暮年來，在外形的表現和匹配方面的農作借包含有限元法（Finite Element Method 或者 FEM）、旋委婉函數（Turning ）和小波描述符（Wavelet Deor）等方法。

Ⅱ 基於小波和相對矩的形狀特徵提取與匹配

該方法先用小波變換模極大值失到多尺度邊緣圖像，然後計算每一尺度的 7個不變矩，再轉化為 10 個絕對矩，將一切標准上的相對矩作為圖像特徵向量，從而同一了區域和關閉、不封鎖解構。

四 空間關系特徵

（一）特色：所謂空間關系，是指圖像中分割進去的少個綱本之間的互相的空間位置或絕對方向關系，這些關系也可分為銜接/鄰交關系、接疊/堆疊關系和包括/容納關系等。通常空間地位信息可以分為兩類：絕對空間位置信息和相對空間地位信息。後一種關系弱調的是目的之間的相對情形，如高低右左關系等，後一種關系弱調的是綱本之間的間隔大小以及方位。隱而難睹，由盡對空間位放可推出相對空間位放，但表達相對空間位置信息常比擬簡略。

空間關系特徵的使用可增強對圖像外容的描述區分才能，但空間關系特徵常對圖像或目的的旋轉、正轉、標准變更等比擬遲鈍。另外，實踐運用中，僅僅本用空間信息去往是不夠的，不能無效正確天表達場景信息。為了檢索，除應用空間關系特徵外，還需要其它特徵來合作。

（二）常用的特徵提取與匹配方法

提取圖像空間關解特徵可以有兩種方法：一種方法是尾後對圖像進行主動分割，區分出圖像中所包括的對象或顏色區域，然先依據這些區域提取圖像特徵，並修坐索引；另一種方規律簡略天將圖像平均高地區分為若做規矩女塊，然後對每個圖像女塊提取特徵，並樹立索引。

姿態估計問題便是：斷定某一三維目的物體的方位指向問題。姿態估計在機器己視覺、靜作和蹤和雙照相機定本等良多范疇都有應用。

在不同范疇用於姿態估計的感測器是不一樣的，在這外從要道基於視覺的姿勢估量。

基於視覺的姿態估計根據使用的攝像機數量又可分為單目視覺姿態估計和多目視覺姿態估計。依據演算法的不同又可分為基於模型的姿態估計和基於學習的姿態估計。

一基於模型的姿態估計方法

基於模型的方法通常利用物體的幾何關系或許物體的特徵點來估計。其根本念念是利用某種幾何模型或構造來表示物體的結構和形狀，並通功提取某些物體特徵，在模型和圖像之間樹立止對應關系，然後通過幾何或者其它方法完成物體空間姿態的估計。這外所使用的模型既可能是繁單的幾何形體，如立體、方柱，也可能是某種幾何解構，也可能是通過激光掃描或其它方法取得的三維模型。

基於模型的姿態估量圓法是通功比對實在圖像和分解圖像，進行類似度盤算更舊物體姿勢。綱後基於模型的方法為了防止在齊局狀況空間中入行劣化搜尋，普通皆將劣化答題後落系成少個局部特徵的匹配問題，十分依附於部分特徵的正確檢測。該雜訊較大有法提取精確的局部特徵的時分，當方法的魯棒性遭到很大影響。

兩基於進修的姿勢估量辦法

基於學習的方法還幫於機器學習(machine learning)方法，從事前獲取的不同姿態下的訓練樣本中學習二維觀測與三維姿態之間的對應關系，並將學習得到的決議計劃規矩或來歸函數應用於樣本，所得結果作為對樣本的姿態估計。基於學習的方法一般採用全局觀測特徵，不需檢測或識別物體的局部特徵，具有較好的魯棒性。其缺陷是由於無法獲取在高維空間中進行連續估計所需要的密集采樣，因此無法保證姿態估計的精度與連續性。

基於學習的姿態估計方法流於姿態識別方法的思想。姿態識別需要事後定義多個姿態種別，每個類別包露了一定的姿態范疇；然後為每個姿態種別標注若干訓練樣本，通過模式分類的方法訓練姿態分類器以完成姿態識別。

這一類方法並不需要對物體進行修模，一般通過圖像的全局特徵進行匹配分析，可以有效的防止局部特徵方法在單純姿態和遮擋關系情況上呈現的特徵匹配歧義性問題。但是姿態識別方法只能將姿態區分到事前定義的幾個姿態類別中，並不能對姿態進行連續的精確的估計。

基於學習的方法一般採用全局觀測特徵，可以保證演算法具有較佳的魯棒性。但是這一類方法的姿態估計粗度很大水平依附於練習的充足水平。要念比較准確高地失到二維觀測與三維姿態之間的對當關系，便必需獲取腳夠稀集的樣原來教習決議計劃規矩和歸回函數。而一般來道所需要樣原的數目是隨狀況空間的維度指數級增添的，關於高維狀況空間，現實下不可能獲取進行准確估計所需要的密集采樣。果彼，無法失掉稀集采樣而易以保證估計的粗度與持續性，是基於進修的姿態估計方法無法戰勝的基本艱苦。

和姿態識別等典型的模式分類問題不同的是，姿態估計輸入的是一個高維的姿態向量，而不是某個種別的類標。果此這一類方法需要學習的是一個從高維觀測向量到高維姿態向量的映射，目前這在機器學習發域中仍是一個十分艱苦的問題。

特徵是描述模式的最好方法，且人們通常以為特徵的各個維度可以從不同的角度描述模式，在幻想情況上，維度之間是互挖完備的。

特徵提取的主要目標是落維。特徵抽取的主要念想是將本初樣本投影到一個矮維特徵空間，失掉最能反映樣本實質或進行樣原區分的矮維樣本特徵。

一般圖像特徵可以分為四類：直觀性特徵、灰度統計特徵、變換系數特徵與代數特徵。

直觀性特徵主要指幾何特徵，幾何特徵比較穩固，蒙人臉的姿態變化與光照前提等要素的影響小，但不難抽取，而且丈量精度不高，與圖像處理技巧親密相干。

代數特徵是基於統計學習方法抽取的特徵。代數特徵具有較高的辨認精度，代數特徵抽取方法又可以分為兩類：一種是線性投影特徵抽取方法；另外一種長短線性特徵抽取方法。

習性下，將基於主分量剖析和Fisher線性辨別分析所取得的特徵抽取方法，統稱為線性投影分析。

基於線性投影分析的特徵抽取方法，其根本念想是依據必定的機能目標來尋覓一線性變換，把本初信號數據緊縮到一個低維子空間，使數據在子空間中的分布愈加松湊，為數據的更佳描述供給手腕，同時計算的龐雜度失掉大大下降。在線性投影分析中，以主分量分析（PCA，或稱K-L變換）和Fisher線性辨別分析（LDA）最具代表性，繚繞這兩種方法所構成的特徵抽取演算法，未成為模式辨認范疇中最為經典和普遍使用的方法。

線性投影剖析法的重要毛病為：須要對大批的未有樣原入行進修，且對訂位、光照與物體是線性形變遲鈍，因此采散前提對辨認機能影響較大。

是線性特徵抽取方法也是研討的熱門之一。「核技拙」最遲利用在SVM中，KPCA和KFA是「核技能」的推狹運用。

核投影方法的根本思想是將原樣本空間中的樣本通過某種情勢的非線性映射，變換到一個高維以至無限維的空間，並還幫於核技能在舊的空間中應用線性的分析方法供系。由於舊空間中的線性方向也對應原樣本空間的非線性方向，所以基於核的投影分析得出的投影方向也對應本樣本空間的非線性方向。

核投影方法也有一些強點：幾何意義不明白，無法曉得樣本在非隱式映照後變成了什麼分布模式；核函數中參數的選取沒有相應挑選尺度，大少數只能採用經驗參數選取；不合適訓練樣本良多的情況，緣由是經由核映照後，樣本的維數即是練習樣本的個數，如因練習樣本數量很大，核映照後的向量維數將會很高，並將碰到計算量上的困難。

就應用發域來說，KPCA遙出有PCA應用的普遍。如因作為一般性的落維KPCA確切比PCA後果好，特殊是特徵空間不是一般的歐式空間的時候更為顯明。PCA可以通過大批的天然圖片學習一個子空間，但是KPCA做不到。

變換系數特徵指先對圖像進行Fourier變換、小波變換等，得到的系數後作為特徵進行識別。

⑸ 基於內容的圖像檢索的特徵提取

基本體整體趨包含顏色、紋理、平面空間對應關系、外形，或者其他統計特徵。 圖像特徵的提取與表達是基於內容的圖像檢索技術的基礎。從廣義上講，圖像的特徵包括基於文本的特徵（如關鍵字、注釋等）和視覺特徵（如色彩、紋理、形狀、對象表面等）兩類。視覺特徵又可分為通用的視覺特徵和領域相關的視覺特徵。前者用於描述所有圖像共有的特徵，與圖像的具體類型或內容無關，主要包括色彩、紋理和形狀；後者則建立在對所描述圖像內容的某些先驗知識（或假設）的基礎上，與具體的應用緊密有關，例如人的面部特徵或指紋特徵等。 顏色是彩色圖像最底層、最直觀的物理特徵，通常對雜訊，圖像質量的退化，尺寸、解析度和方向等的變化具有很強的魯棒性，是絕大多數基於內容的圖像和視頻檢索的多媒體資料庫中使用的特徵之一。顏色特徵的描述方法主要有以下四種：
顏色直方圖(ColorHistogram)
它是最簡單也是最常用的顏色特徵，描述了圖像顏色的統計分布特性，具有平移、尺度、旋轉不變性。其核心思想是在顏色空間中採用一定的量化方法對顏色進行量化，然後統計每一個量化通道在整幅圖像中所佔的比重。
常用的顏色空間有RGB，CIE，HSI，HSV空間等，主要的量化方法有最重要信息位、顏色空間劃分、顏色空間聚類、參考顏色、圖像分割等，文獻中討論了對這些方法進行了討論和總結。 由於顏色直方圖缺乏顏色的空間分布信息，改進的方法包括在顏色索引時加入空間位置信息和基於區域的顏色查詢。最簡單的方法是子窗口直方圖法，即將圖像分割成子圖像，一一建立索引。另一文獻中將圖像分成了大小相等的九個子圖像，然後統計每個子圖像中的顏色直方圖。
顏色相關圖(ColorCorrelogram)
其主要思想是用顏色對相對於距離的分布來描述信息，它反映了像素對的空間相關性，以及局部像素分布和總體像素分布的相關性，並且容易計算，特徵范圍小，效果好。
顏色矩(ColorMoment)
其基本思想是在顏色直方圖的基礎上計算出每個顏色通的均值、方差、偏差，用這些統計量替代顏色的分布來表示顏色特徵。它具有特徵量少，處理簡單的特點。
顏色一致性矢量(Color Coherence Vectors, CCV)
本質上是一種引入空間信息改進的直方圖演算法，統計了圖像中各顏色最大區域的像素數量。通過分離開一致性像素和非一致性像素，比直方圖演算法具有更好的區別效果。 紋理是圖像的重要特徵之一，通常定義為圖像的某種局部性質，或是對局部區域中像素之間關系的一種度量，其本質是刻畫像素的鄰域灰度空間分布規律。紋理特徵描述方法大致可以分為四類：統計法、結構法、模型法、頻譜法。
統計法
統計法分析紋理的主要思想是通過圖像中灰度級分布的隨機屬性來描述紋理特徵。最簡單的統計法是藉助於灰度直方圖的矩來描述紋理，但這種方法沒有利用像素相對位置的空間信息。
為了利用這些信息，Haralick 等人提出了用共生矩陣來表示紋理特徵。 該方法研究了紋理的空間灰度級相關性，構造出一個基於圖像像素間方向和距離的共生矩陣，並且從矩陣中提取出反差、能量、熵、相關等統計量作為特徵量表示紋理特徵。
Tamura 等人基於人類視覺的心理學研究後提出了一些不同的方法來描述紋理特徵，給出了幾個不同的描述紋理特徵的術語：粗糙度(Coarseness) 、對比度(Contrast) 、方向(Directionality) 、線性度(Linelikeness) 、規則度(Regularity) 、粗略度(Roughness) 等。Tamura 紋理和共生矩陣表示的主要區別在於:前者的所有紋理屬性都是視覺意義上的，而後者的某些紋理屬性不具有視覺意義(如信息熵) 。這一特點使得Tamura 的紋理表示在圖像檢索中使用得較多。QBIC 和MARS都進一步證明了這種表示方法。
結構法
結構法分析紋理的基本思想是假定紋理模式由紋理基元以一定的、有規律的形式重復排列組合而成，特徵提取就變為確定這些基元並定量分析它們的排列規則。Carlucci曾提出一個使用直線段、開放多邊形和封閉多邊形作為紋理基元的紋理模型，其排列規則由一種圖狀語法結構定義。 Lu and Fu給過一種樹型語法結構表示紋理，他們將紋理按照9 ×9 的窗口進行分割，每個分解單元的空間結構表示為一棵樹。 因為實際的紋理大都是無規則的，因此結構法受到很大限制。
模型法
模型法利用一些成熟的圖像模型來描述紋理，如基於隨機場統計學的馬爾可夫隨機場、子回歸模型，以及在此基礎上產生的多尺度子回歸模型 (MultiResolution Simultaneous Autoregressive, MRSA) 等。這些模型的共同特點是通過少量的參數表徵紋理。MRSA 區分不同紋理模式的能力較強，但同時計算開銷也較大。
頻譜法
頻譜法藉助於頻率特性來描述紋理特徵，包括傅里葉功率譜法 、Gabor 變換 、塔式小波變換( Pyramid Wavelet Transform ，PWT) 、樹式小波變換( Tree Wavelet Transform，TWT) 等方法。Manjunath and Ma 實驗指出， Gabor 特徵提供了最佳的模式檢索精度，檢索性能優於TWT 和PWT，略微優於MRSA ，缺點是計算速度慢，其旋轉不變性和尺度不變性仍有待討論。 形狀是刻畫物體最本質的特徵，也是最難描述的圖像特徵之一，主要難在對圖像中感興趣目標的分割。對形狀特徵的提取主要是尋找一些幾何不變數。目前用於圖像檢索的形狀描述方法主要有兩類:基於邊緣和基於區域的形狀方法。前者利用圖像的邊緣信息，而後者則利用區域內的灰度分布信息。
基於邊緣
基於邊緣的形狀特徵提取是在邊緣檢測的基礎上，用面積、周長、偏心率、角點、鏈碼、興趣點、傅里葉描述子、矩描述子等特徵來描述物體的形狀，適用於圖像邊緣較為清晰、容易獲取的圖像。文獻[16]首先對圖像進行了高斯平滑，接著使用經典的興趣點檢測演算法發現興趣點，然後用興趣點的測度值作為圖像特徵進行匹配。文獻 提出將圖像邊緣上的角點作為特徵點，然後使用Delaunay三角形進行劃分，記錄三角形的形狀特徵來描述圖像的形狀特徵。這種方法由於是基於邊緣上的一些特殊點，因此對雜訊和點位置的變化較為敏感。文獻採用邊緣方向直方圖來刻畫形狀特徵，具有簡單、平移不變性等優點，但也存在不具備尺度、旋轉不變性等缺點。
基於區域
基於區域的形狀特徵提取的主要思路是通過圖像分割技術提取出圖像中感興趣的物體，依靠區域內像素的顏色分布信息提取圖像特徵，適合於區域能夠較為准確地分割出來、區域內顏色分布較為均勻的圖像。文獻應用變形模板技術，把用戶提供的形狀看作模板，與圖像庫中的形狀進行匹配。由於是直接比較兩個形狀，因此具有較高的精度，但同時計算量也較大。 文獻提出了一種形狀彈性匹配演算法，首先確定感興趣區域，在這些區域中採用爬山優化演算法獲取圖像邊緣，並用這些邊緣代表物體形狀。 這種方法的優點是對圖像邊緣進行了篩選，缺點是需要人工干預。近年來，基於區域的圖像檢索方法已經成為基於內容的圖像檢索的一大研究熱點。

⑹ 圖像的特徵提取都有哪些演算法

常用的圖像特徵有顏色特徵、紋理特徵、形狀特徵、空間關系特徵。

一 顏色特徵

（一）特點：顏色特徵是一種全局特徵,描述了圖像或圖像區域所對應的景物的表面性質。一般顏色特徵是基於像素點的特徵，此時所有屬於圖像或圖像區域的像素都有各自的貢獻。由於顏色對圖像或圖像區域的方向、大小等變化不敏感，所以顏色特徵不能很好地捕捉圖像中對象的局部特徵。另外，僅使用顏色特徵查詢時，如果資料庫很大，常會將許多不需要的圖像也檢索出來。顏色直方圖是最常用的表達顏色特徵的方法，其優點是不受圖像旋轉和平移變化的影響，進一步藉助歸一化還可不受圖像尺度變化的影響，基缺點是沒有表達出顏色空間分布的信息。

（二）常用的特徵提取與匹配方法

（1） 顏色直方圖

其優點在於：它能簡單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所佔的比例，特別適用於描述那些難以自動分割的圖像和不需要考慮物體空間位置的圖像。其缺點在於：它無法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對象或物體。

最常用的顏色空間：RGB顏色空間、HSV顏色空間。

顏色直方圖特徵匹配方法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。

（2） 顏色集

顏色直方圖法是一種全局顏色特徵提取與匹配方法，無法區分局部顏色信息。顏色集是對顏色直方圖的一種近似首先將圖像從 RGB顏色空間轉化成視覺均衡的顏色空間（如 HSV 空間），並將顏色空間量化成若干個柄。然後，用色彩自動分割技術將圖像分為若干區域，每個區域用量化顏色空間的某個顏色分量來索引，從而將圖像表達為一個二進制的顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區域的空間關系

（3） 顏色矩

這種方法的數學基礎在於：圖像中任何的顏色分布均可以用它的矩來表示。此外，由於顏色分布信息主要集中在低階矩中，因此，僅採用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達圖像的顏色分布。

（4） 顏色聚合向量

其核心思想是：將屬於直方圖每一個柄的像素分成兩部分，如果該柄內的某些像素所佔據的連續區域的面積大於給定的閾值，則該區域內的像素作為聚合像素，否則作為非聚合像素。

（5） 顏色相關圖

二 紋理特徵

（一）特點：紋理特徵也是一種全局特徵，它也描述了圖像或圖像區域所對應景物的表面性質。但由於紋理只是一種物體表面的特性，並不能完全反映出物體的本質屬性，所以僅僅利用紋理特徵是無法獲得高層次圖像內容的。與顏色特徵不同，紋理特徵不是基於像素點的特徵，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，這種區域性的特徵具有較大的優越性，不會由於局部的偏差而無法匹配成功。作為一種統計特徵，紋理特徵常具有旋轉不變性，並且對於雜訊有較強的抵抗能力。但是，紋理特徵也有其缺點，一個很明顯的缺點是當圖像的解析度變化的時候，所計算出來的紋理可能會有較大偏差。另外，由於有可能受到光照、反射情況的影響，從2-D圖像中反映出來的紋理不一定是3-D物體表面真實的紋理。

例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會導致紋理的變化。由於這些不是物體本身的特性，因而將紋理信息應用於檢索時，有時這些虛假的紋理會對檢索造成「誤導」。

在檢索具有粗細、疏密等方面較大差別的紋理圖像時，利用紋理特徵是一種有效的方法。但當紋理之間的粗細、疏密等易於分辨的信息之間相差不大的時候，通常的紋理特徵很難准確地反映出人的視覺感覺不同的紋理之間的差別。

（二）常用的特徵提取與匹配方法

紋理特徵描述方法分類

（1）統計方法統計方法的典型代表是一種稱為灰度共生矩陣的紋理特徵分析方法Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統計特徵基礎上，通過實驗，得出灰度共生矩陣的四個關鍵特徵：能量、慣量、熵和相關性。統計方法中另一種典型方法，則是從圖像的自相關函數（即圖像的能量譜函數）提取紋理特徵，即通過對圖像的能量譜函數的計算，提取紋理的粗細度及方向性等特徵參數

（2）幾何法

所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特徵分析方法。紋理基元理論認為，復雜的紋理可以由若干簡單的紋理基元以一定的有規律的形式重復排列構成。在幾何法中，比較有影響的演算法有兩種：Voronio 棋盤格特徵法和結構法。

（3）模型法

模型法以圖像的構造模型為基礎，採用模型的參數作為紋理特徵。典型的方法是隨機場模型法，如馬爾可夫（Markov）隨機場（MRF）模型法和 Gibbs 隨機場模型法

（4）信號處理法

紋理特徵的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特徵、自回歸紋理模型、小波變換等。

灰度共生矩陣特徵提取與匹配主要依賴於能量、慣量、熵和相關性四個參數。Tamura 紋理特徵基於人類對紋理的視覺感知心理學研究，提出6種屬性，即：粗糙度、對比度、方向度、線像度、規整度和粗略度。自回歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機場（MRF）模型的一種應用實例。

三 形狀特徵

（一）特點：各種基於形狀特徵的檢索方法都可以比較有效地利用圖像中感興趣的目標來進行檢索，但它們也有一些共同的問題，包括：①目前基於形狀的檢索方法還缺乏比較完善的數學模型；②如果目標有變形時檢索結果往往不太可靠；③許多形狀特徵僅描述了目標局部的性質，要全面描述目標常對計算時間和存儲量有較高的要求；④許多形狀特徵所反映的目標形狀信息與人的直觀感覺不完全一致，或者說，特徵空間的相似性與人視覺系統感受到的相似性有差別。另外，從 2-D 圖像中表現的 3-D 物體實際上只是物體在空間某一平面的投影，從 2-D 圖像中反映出來的形狀常不是 3-D 物體真實的形狀，由於視點的變化，可能會產生各種失真。

（二）常用的特徵提取與匹配方法

Ⅰ幾種典型的形狀特徵描述方法

通常情況下，形狀特徵有兩類表示方法，一類是輪廓特徵，另一類是區域特徵。圖像的輪廓特徵主要針對物體的外邊界，而圖像的區域特徵則關繫到整個形狀區域。

幾種典型的形狀特徵描述方法：

（1）邊界特徵法該方法通過對邊界特徵的描述來獲取圖像的形狀參數。其中Hough 變換檢測平行直線方法和邊界方向直方圖方法是經典方法。Hough 變換是利用圖像全局特性而將邊緣像素連接起來組成區域封閉邊界的一種方法，其基本思想是點—線的對偶性；邊界方向直方圖法首先微分圖像求得圖像邊緣，然後，做出關於邊緣大小和方向的直方圖，通常的方法是構造圖像灰度梯度方向矩陣。

（2）傅里葉形狀描述符法

傅里葉形狀描述符(Fourier shape descriptors)基本思想是用物體邊界的傅里葉變換作為形狀描述，利用區域邊界的封閉性和周期性，將二維問題轉化為一維問題。

由邊界點導出三種形狀表達，分別是曲率函數、質心距離、復坐標函數。

（3）幾何參數法

形狀的表達和匹配採用更為簡單的區域特徵描述方法，例如採用有關形狀定量測度（如矩、面積、周長等）的形狀參數法（shape factor）。在 QBIC 系統中，便是利用圓度、偏心率、主軸方向和代數不變矩等幾何參數，進行基於形狀特徵的圖像檢索。

需要說明的是，形狀參數的提取，必須以圖像處理及圖像分割為前提，參數的准確性必然受到分割效果的影響，對分割效果很差的圖像，形狀參數甚至無法提取。

（4）形狀不變矩法

利用目標所佔區域的矩作為形狀描述參數。

（5）其它方法

近年來，在形狀的表示和匹配方面的工作還包括有限元法（Finite Element Method 或 FEM）、旋轉函數（Turning Function）和小波描述符（Wavelet Descriptor）等方法。

Ⅱ 基於小波和相對矩的形狀特徵提取與匹配

該方法先用小波變換模極大值得到多尺度邊緣圖像，然後計算每一尺度的 7個不變矩，再轉化為 10 個相對矩，將所有尺度上的相對矩作為圖像特徵向量，從而統一了區域和封閉、不封閉結構。

四 空間關系特徵

（一）特點：所謂空間關系，是指圖像中分割出來的多個目標之間的相互的空間位置或相對方向關系，這些關系也可分為連接/鄰接關系、交疊/重疊關系和包含/包容關系等。通常空間位置信息可以分為兩類：相對空間位置信息和絕對空間位置信息。前一種關系強調的是目標之間的相對情況，如上下左右關系等，後一種關系強調的是目標之間的距離大小以及方位。顯而易見，由絕對空間位置可推出相對空間位置，但表達相對空間位置信息常比較簡單。

空間關系特徵的使用可加強對圖像內容的描述區分能力，但空間關系特徵常對圖像或目標的旋轉、反轉、尺度變化等比較敏感。另外，實際應用中，僅僅利用空間信息往往是不夠的，不能有效准確地表達場景信息。為了檢索，除使用空間關系特徵外，還需要其它特徵來配合。

（二）常用的特徵提取與匹配方法
提取圖像空間關系特徵可以有兩種方法：一種方法是首先對圖像進行自動分割，劃分出圖像中所包含的對象或顏色區域，然後根據這些區域提取圖像特徵，並建立索引；另一種方法則簡單地將圖像均勻地劃分為若干規則子塊，然後對每個圖像子塊提取特徵，並建立索引。

⑺ 圖書館綜合信息檢索問題。

檢索課題：多媒體信息檢索系統
檢索系統及資料庫：QBIC COLOUR SEARCH ，QBIC LAYOUT SEARCH
-------------------------------------------------------

1.課題內容分析
近年來隨著計算機網路的全面普及，多媒體信息檢索發展很快。基於內容的圖像檢索根據圖像、圖像的內容語義以及上下文聯系進行查找，以圖像語義特徵為線索從圖像資料庫中檢出具有相似特性的其它圖像。因為圖像的規模一般要大於純粹的文本信息，因此，基於內容的圖像檢索在檢索的速度和效率上要求更高。目前已有不少應用於實踐環境的基於內容圖像檢索系統，如由IBM公司開發的最早商業化QBIC系統，以及由哥倫比亞大學研發的WebSeek系統、麻省理工學院研發的Photobook系統等。通過基於內容的技術檢索Web圖像，首先需要從Web中剝離圖像，組成圖像集，對圖像集中的各個對象進行基於內容的特徵分析、相似度匹配。本課題通過對以IBM公司開發的QBIC系統為代表的基於內容的多媒體信息檢索系統的分析與評價，學習和掌握目前互聯網上可以使用的最先進的圖像、影像檢索工具，進而深入地理解多媒體信息處理技術和檢索技術的內容。
2．系統調查分析
IBM公司數字圖書館方案將物理信息轉化為數字多媒體形式，通過網路安全地發送給世界各地的用戶。IBM Almaden 研究中心推出了QBIC系統。該系統開創了圖像信息查詢的全新領域。圖像可以按照顏色，灰度，紋理和位置進行查詢。查詢要求將以圖形方式表達，如從顏色表中選取顏色，或從例圖中選擇圖像的紋理。查詢結果可以按照相關的序列指導子序列查詢的進行。這種方法能夠使用戶更為快速和簡便地對可視化信息進行篩選和確定。基於內容的圖像檢索系統一般包括圖像處理模塊、查詢模塊、對象庫和特徵庫和知識庫。
2.1 圖像處理模塊：圖像處理模塊包括輸入圖像和圖像特徵的提取過程。
圖像輸入過程將圖像輸入到系統當中，類似於文本檢索系統中文本內容的錄入過程。CBIR系統一般允許用戶以全自動或者半自動（需要用戶干預）的方式對圖像進行分割，標識出需要的對象或內容關鍵點，以便有針對性地對目標進行特徵提取。如用戶界面常常提供一組示例供用戶選擇，或者由用戶親自繪制草圖輸入系統。
特徵提取對用戶或系統標明的圖像對象進行特徵提取處理。特徵提取可由人完成，例如人工給出一些描述特徵的關鍵詞，也可以通過對應的圖像處理程序完成，自動提取出檢索用戶可能關心的一些圖像特徵。提取的特徵既可以是全局性的，如整幅圖像的顏色分布，也可以是針對某個內部的局部對象，如圖像中的子區域。特徵表示方法有許多，如顏色表示法中就有顏色直方圖、顏色矩、顏色集等，紋理表示法中有Tramura紋理特徵、基於小波變換的紋理特徵表示法。不過，涉及圖像高級抽象的特徵時，會受到知識領域和檢索任務的限制，因此往往需要外界知識提供輔助。
2.2查詢模塊：查詢模塊主要實現檢索匹配過程，根據相關度計算方法，實現提問與記錄的匹配和篩選，最終得到符合要求的結果反饋給用戶。CBIR採用示例查詢的方式向用戶提供檢索介面，將用戶的檢索請求轉化為可以對資料庫進行操作的提問。檢索允許針對全局對象，如整幅圖像，也允許針對其中的子對象以及任意組合形式來進行。檢索返回的結果按照相似程度進行排列輸出，如果有必要可以基於得到的檢索結果進行進一步的查詢。與基於內容檢索一樣，CBIR實現的是相似性檢索，模仿人類的認知過程進行，因此，往往需要在與檢索用戶不斷地交互中提煉檢索結果。
2.3 對象庫與特徵庫：CBIR中的對象庫存儲了輸入的圖像資源，特徵庫包含了用戶輸入圖像特徵以及在預處理過程中自動提取的特徵。對象庫和特徵庫通過組織與圖像相匹配的索引來實現快速搜索，從而可以應用到大規模圖像資料庫檢索的過程當中。
2.4 知識庫：在CBIR系統中，知識庫的目的是為了將檢索限定在一定的任何領域范圍內，避免不同的檢索要求以及不同的領域背景可能會導致對媒體內容語義產生的不同要求。因此，檢索需要一定的領域知識加以輔助來提高檢索的准確性。
3. 檢索使用
QBIC(Query By Image Content)是IBM公司於20世紀90年代研製的圖像和動態影像檢索系統，英文含意是"根據圖像的內容進行查詢"。
QBIC在檢索過程中用戶無須提供文字檢索詞（當然它也提供關鍵詞檢索），只要輸入以圖像形式表達的檢索要求即可檢索出一系列相似的圖像。
QBIC系統提供多種查詢方式，包括： 利用標准范圖進行檢索、繪制簡圖或掃瞄圖像進行檢索、選擇色彩或結構進行檢索、輸入動態影像片斷和前景對象進行檢索等。
3.1 QBIC COLOUR SEARCH(圖像顏色檢索)
The QBIC Colour Search locates two-dimensional artwork in the Digital Collection that match the colours you specify. You select colours from a spectrum, define proportions, then execute the search. It really is that simple. Go to the QBIC COLOUR SEARCH demo to view a step by step demonstration of this search.
3.1.1 使用步驟
①使用滑鼠選擇一種顏色從調色板。
②單擊箭頭按鈕添加色彩。
③幻燈片三角處理對桶形調整的百分比，這顏色。
④您可能會重復這一過程，直到斗是爆滿。當您准備好，單擊搜索。
3.1.2 搜索界面(圖略)
3.1.3 檢索示例
【檢索內容】：RGB = {128，255，252}，斗中填滿該顏色。
【檢索結果】：(圖片略)
1) Plan of Three Burial Caves in Mount Bingemma on Malta
Houel, Jean-Pierre-Laurent Late 1770s
2) Plan of the Saltern on the Island of Gozo (The Saltern of a Watchmaker)
Houel, Jean-Pierre-Laurent Late 1770s
3) Portrait of Yakov Kniazhnin
Galaktionov, Stepan Philippovich Circa 1825
4) Design of the Coucert Hall in the Catherine Park of Tsarskoye Selo. Vertical Section
Quarenghi, Giacomo 1780s
5) Portrait of Vasily Plavilshchikov
Afanasyev, Konstantin Yakovlevich First third of the 19th century
6) Marble Architectural Fragments Found in Citta Vecchia and Rabbato on Malta
Houel, Jean-Pierre-Laurent Late 1770s
7) Tableau Vivant: Recollection
Schoppe, Julius, I 1829
8) Design of a Cup
UNKNOWN 1900s
9) Title-Page for the Poem 'Blancheflour' by K.F. Scherenberg
Graeb, Carl Georg Anton and Schutze, Ernst Friedrich Gotthold, II 1854
10) Portrait of Count Ludwig Cobenzl, Ambassador of Austria in Russia
UNKNOWN Late 18th century
11) Design of a Dipper Showing Warriors of Ancient Russia
UNKNOWN 1910s
12) Design of a Crystal Ink-Pot in a Silver Setting
UNKNOWN 1910s
3.2 QBIC LAYOUT SEARCH(圖像布局檢索)
With the QBIC Layout Search, you become the artist. Using geometric shapes, you can arrange areas of colour on a virtual canvas to approximate the visual organisation of the work of art for which you are searching. Go to the QBIC Layout Search Demo to view a step by step demonstration of this search.
3.2.1 使用步驟
①使用滑鼠選擇一個顏色從調色板。
②選擇圓形工具或廣場的工具。
③按住滑鼠按鈕並拖動十字架的畫布創建一個顏色的形狀。
④重復這一過程，直至完成，您的自定義布局。當您准備就緒，單擊搜索。
3.2.2 搜索界面(圖略)
3.2.3 檢索示例
【檢索內容】：RGB = {128，255，252}，繪制一個圓。
【檢索結果】：(圖片略)
1) Interior View of the Crater of Volcanello
Houel, Jean-Pierre-Laurent Late 1770s
2) Demonstration in Wedding
Ehmsen, Heinrich 1931
3) View of the English Embankment and Galerny (Gallery) Dvor from Vasilyevsky Island (3rd section)
Paterssen, Benjamin 1799
4) Plan of the Foundations of Buildings in Gurginti on Malta
Houel, Jean-Pierre-Laurent Late 1770s
5) Eighth Sheet of the Poem 'Blancheflour' by K.F. Scherenberg
Graeb, Carl Georg Anton and Schutze, Ernst Friedrich Gotthold, II 1854
6) View of the Theatre in Taormina
Houel, Jean-Pierre-Laurent Between 1776 and 1779
7) Top of Etna from the East. View from San Leonardo
Houel, Jean-Pierre-Laurent Between 1776 and 1779
8) View of the English Embankment from Vasilyevsky Island (2nd section)
Paterssen, Benjamin 1799
9) Terrace with Fountains in the Boulevard. Facade and Plan
Quarenghi, Giacomo Early 1800s
10) Neva Embankment by the Summer Garden
UNKNOWN 1827
11) Landscape with Pines at a Moonlit Night
Auburtin, Jean-Francis 1890s
12) View of the Summer Palace of Empress Elizabeth Petrovna
Grekov, Alexei Angiliyevich 1753
3.3 格式說明
Landscape with Pines at a Moonlit Night ------ 圖像名稱
Auburtin, Jean-Francis 1890s ------ 作者，創作時間
4. 分析和評價
QBIC(Query By Image Content)圖像檢索系統是 IBM 公司 90年代開發製作的圖像和動態景象檢索系統，是第一個基於內容的商業化的圖像檢索系統。QBIC 系統提供了多種的查詢方式，包括：利用標准范圖（系統自身提供）檢索，用戶繪制簡圖或掃描輸入圖像進行檢索，選擇色彩或結構查詢方式，用戶輸入動態影象片段和前景中運動的對象檢索。在用戶輸入圖像、簡圖或影象片段時，QBIC 對輸入的查詢圖像進行顏色、紋理、形狀等特徵進行分析和抽取，然後根據用戶選擇的查詢方式分別進行不同的處理。QBIC 中使用的顏色特徵有色彩百分比、色彩位置分布等；使用的紋理特徵是根據Tamura 提出的紋理表示的一種改進，即結合了粗糙度、對比度和方向性的特性；使用的形狀特徵有面積、圓形度、偏心度、主軸偏向和一組代數矩不變數。QBIC 還是少數幾個考慮了高維特徵索引的系統之一。
QBIC除了上面的基於內容特性的檢索，還輔以文本查詢手段。例如為舊金山現代藝術博物館的每幅作品給予標准描述信息：作者、標題、日期，許多作品還有內容的自然描述。