4、基于内容的图像检索全解析

基于内容的图像检索全解析

1. 形状特征在图像检索中的应用与挑战

在图像被分割成区域或对象后，形状特征通常会被用于描述这些区域或对象。然而，由于实现强大且准确的图像分割颇具难度，形状特征在图像检索中的应用目前主要局限于那些对象或区域易于获取的特定场景。

当前，先进的形状描述方法主要分为基于边界和基于区域两类：
- 基于边界的方法 ：如直线形状、多边形近似、有限元模型以及基于傅里叶的形状描述符等。
- 基于区域的方法 ：例如统计矩。

一个理想的对象形状表示特征应具备平移、旋转和缩放不变性。下面为你介绍几种在图像检索应用中常用的形状特征：
- 矩不变量 ：经典的形状表示采用一组矩不变量。每个对象由一个 14 维的特征向量表示，其中包含两组归一化的矩不变量，一组来自对象轮廓，另一组来自其实心对象轮廓。基于这些矩，可以推导出一组对平移、旋转和缩放不变的矩不变量。
- 转向角 ：二维对象的轮廓可表示为一系列连续边界像素的闭合序列。转向函数或转向角用于测量逆时针切线相对于对象轮廓上参考点的弧长的角度。不过，这种表示方法存在一个主要问题，即它会随对象的旋转和参考点的选择而变化。因此，在比较对象 A 和 B 的形状相似性时，需要计算所有可能的平移和旋转下的最小距离。
- 傅里叶描述符 ：傅里叶描述符通过对对象边界进行傅里叶变换来描述对象的形状。将二维对象的轮廓视为连续边界像素的闭合序列，可以定义三种类型的轮廓表示：曲率、质心距离和复坐标函数。这三种轮廓表示的傅