(翻译)基于内容主成分的图像检索分析

基于内容主成分的图像检索分析 Usha Sinha, PhD Hooshang Kangarloo, MD 现今，大部分的图片管理和图片通信系统都为用户提供了图像搜索和查询功能，它们大都是基于图像内容主成分的图像检索。在初步研究中，主成分分析是用来在图像内容的基础上表示和检索图像的。主成分分析可以降低图像信息的维度，降低检索的难度同时提高检索的精度。在这种检索方法下，每个图像都在其投影的基础上进行描述，得到一个描述图像投影信息的向量，之后将这个向量与图像库中图片的投影向量进行比较和匹配，已达到检索的目的。 一，介绍 在医疗的放射学检查中，如核磁共振（MR）成像和计算机断层扫描（CT）检查等，都会得到大量的图像。通常，这些图像中只有一小部分是对医生有用的图像。从这些图像中提取出对医疗研究有帮助的图像有许多方法，包括智能预提取，人工筛选，或者靠医生的临床经验进行选取。所以说，考虑到人工分类方法费时又费力，创建一个自动化的，可以自动给这些图像分类的技术就至关重要了。有关于这种自动化的分类技术，可以看做是两种方法的结合：任意文本的放射 报告 软件系统测试报告下载sgs报告如何下载关于路面塌陷情况报告535n,sgs报告怎么下载竣工报告下载 和自动图像分类自然语音处理（NLP）。然而，本文的重点是只对图像分类的研究，而不是对这个技术整个过程的研究。所以，我们在本文中对于过程只做概述，重点放在图像分类的算法的描述上。 基于内容的图像检索是一个目前非常热门的研究课 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 ，它体现在许多商业或者研究系统中，比如QBIC，VIRAGE写真，Blobworld，和Netra系统等。基于内容的图像检索的基础算法是以图像的每一个像素为单位提取特征值，然后提供可以比较不同图形特征值的规则，以比较不同图像的相似度。一般来说，对于一个图像而言，可以看做特征的有颜色、形状和纹理。颜色特征可以从图像的像素上直接提取，然而形状或是纹理特征则需要提取一个图像区域或者图像本身的整体轮廓，着相对于颜色提取就显得相对复杂了。提取到特征信息后，下一步就是要确定一个比较规则，包括查询方法和图像之间的相似性比较的定义。首先关于查询方法，有几个 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 可供选择：基于区域的搜索，即是将图像分为若干区域，或通过指定的颜色直方图或物体形状的图像的相似度对比来检索图像。虽然这种检索方法的效率较高，但会造成图像空间分布信息的丢失。也就是说，两个图像具有相同或相似的颜色直方图，但它们可能代表两个完全不同的（红苹果和红旗轿车具有相同的颜色直方图）图像。另一种检索方法，就是本文将主要讨论的应用MR图像分类的主成分分析技术。当然在医学和商业上还有诸如I2C信息系统和图像参考数据库（IRDB）系统这类更加复杂的检索系统，这里我们就不再专门说明。 总体来说有关于图像内容主成分的检索的方法，主要可以分为以下几个方面： （一）定量估算图像外观的几何形状，测定图像在规模和对比度变化时模拟技术的灵敏度。 （二）研究有关图像对比度和亮度的提取方法。 （三）将预处理的三维对齐算法集成，允许将精确的图像 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 化。 （四）发展一个准确的验证标准，以评估该算法的检索效率; （五）算法需要将图像库数据分类解析，而不是简单的检索图像。 二，方法 1，图像分类中的主成分分析 主成分分析方法的出发点简单来说就是把图像看做无数个连续像素点的载体。例如一个图像是一个由L X L像素点组成的方形（MR图像），那么其向量的大小是L的平方。典型的图像尺寸一般为256×256，所以其向量的长度（维）为65,536。但是在一个非常高的维度内，图像采集的方法就会改变，十万维空间中的图像进行比较的任务是艰巨的。所以说我们需要找到一个更合适的图像矢量表示，在准确表示图相信的同时，确保它的维度不会太高。 对于任意通图像，我们设N是L X L长度的向量，其中L表示像素点在x（y）轴上的位置。 N个数据库图像的平均影像m的由下列公式计算： 由此推广，我们设xi是图像的第i个像素点的特征向量，那么这些特征向量的线性组合，就可以用来描述图像的变化： 我们定一个新的表达式，用来为图像相似度比较作准备： 我们利用这个表达式，将图像的像素点信息看做一个有特征向量组成的特征空间。然后根据欧氏距离算法，把图像间的相似度，也近似看做这个向量间的距离。再对这些距离结果设定一些区间，按照区间的数值来给图像分类。 2，算法概论 在上一节所述的解决图像自动分类的特征向量算法，在实际应用中它结合了两个技术：自然语言处理后的组织放射报告和图像分类的基础上特征空间匹配算法的结果。而本文的重点是对图像分类，图像主体内容的说明。所以着重介绍有关于图像分类和图像匹配的算法内容。 图像特征向量集 —— 对于任意一组图像，为了确保不同特征向量的统一方向以及保证图像的几何性质与大小，需要对不同的图像进行预处理。在进行了图片分类后，每幅图片在名义上被分配到一个单独的类中。而在每个级别的类中均有可见的结构（类）列举。需要注意的是，这里说的列举结构，并没有进行人工的分类。创建一套原型图像的特征向量集，每个图像代表一个原型图像的系数集。再创建相关于原型图像的独立向量，其三个方向和常规用于临床脑磁共振成像进行对比（T1加权和T2加权）。 检索精度 —— 这种算法在实际应用中还需要根据实际情况进行调整。所以，我们首先要确定检索算法的图像采集参数的灵敏度，然后进行调整，以减少修改的检索算法时对图像预处理敏感性的影响。 对于图像的预处理，要求的步骤，是完全自动化的，如果可能的话，我们尽量进行简单的计算。重点的是要确定图像几何算法的灵敏度和 对比度，因为这个决定后，才能很好的计算出图像向量集的范围和大小。在实际应用中，图像还可能存早在方向和亮度等的差异，所以我们还需要综合图像已知的变化量（旋转，几何规模，或强度等级），以此提高检索精度。然而，在人眼视觉感官下，图像匹配算法的因为自身的敏感度较高，会形成向量图像差值。为了避免这个差值给检索带来影响，我们需要使用直方图均衡化来降低强度缩放的敏感性，直方图均衡化可以增强图像细节信息，尤其是阴暗部的信息；同时，为了降低噪声对像素信息的影响，我们可以定义一个内积矩阵： 此外，为了消除背景的椒盐噪声，我们将像素中低于阀值的点定义为零日志比图像。我们在本文接下来的部分里，将介绍这种日志比指数和的减法指数的原始方法。 所以总体来说，我们在预处理方面需要做到以下几点：一个是图像校正，将图像的信息的采集集中在图像中间位置；其次是三维登记对齐，似的特征集和查询图像有一个共同的参考方式；最后是图像的空间滤波，将进一步强调图像的中央部分。 评价 LEC评价法下载LEC评价法下载评价量规免费下载学院评价表文档下载学院评价表文档下载 —— 我们对之前的解释的算法进行一个评估。方法如下：我们首相将检索分配为0的图像，定义为完全匹配的“原始”图像（从查询图像合成）。这个“0”值实际测量（当检索到的图像是从原始图像的不同），依赖于从原始图像检索图像的空间分离程度。这种类似的量化指标，用于评估的检索算法的准确性。我们可以通过采集到的图像查询特征集，区别在于，在评价合成图像使用“原始”的形象正在取代手动选择最接近匹配的图像。检索的定量评价提供了一个由专家确定和检索算法之间最接近的解剖距离指数。对于小的指数值，图像检索自动化算法仍然会包含自然语言处理算法提取的利益结构从自由文本的放射报告这两种技术。 三，实际测试 我们从一个人脑核磁共振成像的图像库中选出一组子集，如下图： 我们利用之前提到的算法，对这个图像库进行特征计算和分类，多次计算后，其结果得到了一下一个大致的分布图： 在此基础上，我们通过对一些变量进行加工，来验证算法的稳定性，可以得到下面这个图表： 加工变量        Image 1  Image 2  Image 3  Image 4  Image 5  Image 6 自转 10°            0        0      0        0      0        0 20°            0        0      0        0      1        2 30°            2        0      3        0      1        2 40°            5        0      3        1      5        6 50°            5        8      6        7      10        6 比例因子 0.7            0        0        2        4      6        6 0.8            0        0        1        2      4        4 0.9            0        0        0        0      0        0 1.1            0        0        0        0      0        0 1.2            8        6        0        0      2        2 1.3          10      12        4        2      2        3 相反类型 Contrast 1        0        0        0        0      0        0 Contrast 2        2        0        1        3      0        5 Contrast 3        0        1        6        15      0        2 从以上的表格我们可以明确地看出，在我们对图像进行旋转或者缩放的步骤时，依然可以得到识别正确的匹配结果。（精确匹配分配给它的编号为0;任何其他的数字表明，确定正确的匹配节的距离。） 我们还可以得到一个图，显示的图像投影到48个特征集图像的算法结果。投影合成图像（●标记）也显示在相同的数字。这提供了一个图形的分布特征空间预测插图来表示原特征集和其他影像处理后的影像。 该图中，沿前三个主成分的特征集图像的分布。W1，W2，W3对应到每个图像投影系数。此图中的每个数据点对应在特征集图像（数据对应48图像显示）。还表明，在特征集（合成和原始图像是由●表示）的图像合成的图像投影系数。实心箭头表示原始图像的位置。开放的箭头指示，导致原始图像检索，处理后的图像。箭头指示处理的图像，导致在远离检索从原始图像。 根据以上数据我们可以得到检索分布的直方图，以直观的评价算大检索的准确性。 在这个直方图中，1-4系列使用的减法指数。系列1 为二维排列，直方图均衡化。系列2为二维对齐，高斯滤波，直方图均衡化。系列3为 3D登记，原有的强度。系列4为三维注册，直方图均衡。系列5为3D登记，原有的强度，日志指数。 我们在Java编程语言实现的算法和用户界面。 下图是一台计算机的屏幕显示基于内容的图像检索模块的用户界面。 如图所示，特征集集图像显示在最左边的面板。用户可以通过使用下面的特征集图像面板位于滑块的图像浏览。在接下来的面板，允许用户浏览由特征值排列。从第三个面板可以选择查询的图像。从特征集，最好的查询相匹配的图像的图像显示在过去的面板。此面板还包含了所有的特征集图像查询图像的匹配程度排列等功能。