文摘

针对图像数据检索精度低的问题,在现有的图像数据库检索速度慢检索算法,本文设计了服装图像数据库检索算法基于小波变换的。首先,它代表了衣服的颜色一致性矢量图像,反映了图像的组成和分布通过颜色直方图、颜色量化服装图像的视觉特征,聚集成一个固定大小的表示向量,并使用公允价值(阵线”模型来完成服装图像数据的集合。然后,服装图像的大小调整使用大小转换技术,和服装模式分为四个大小相同的时刻。在此基础上,服装图像是离散的帮助下胡不变矩来完成服装图像数据的预处理。最后,确定小波变换的母函数,和一群功能是通过翻译和扩张。小波滤波器分解成基本的模块,然后,逐步研究了小波变换。服装图像数据被视为一个信号,分裂,预测,更新和输入到小波模型,完成服装图像数据库的检索研究。实验结果表明,检索算法的设计是合理的,检索数据的准确性高,检索速度快。

1。介绍

互联网的快速发展和各种数码设备的普及,多媒体信息的数量在现代社会正在迅速发展,这促进了多媒体信息管理研究的进一步繁荣。图像数据检索和管理系统中起着特别重要的作用在多媒体信息管理的研究。不仅图像视频的基础,而且图像数据库技术可以直接应用于许多重要的领域,如数字图书馆、数字博物馆、医学、地理观测、石油地质勘探、公安、和衣服。图像是人们相互交流的主要媒介和理解这个世界。不仅是最直观的一种重要的信息表达,同时也是最困难的信息内容来获取,传输过程中,意识到,和存储(1]。研究和统计数据显示,超过70%的人类信息从外部来自图像信息,图像信息的作用是难以被其他信息形式取代。图像技术涵盖了广泛和密切关系数学物理学生的生理心理学、电子和计算机科学。等广泛应用于各领域科学研究、农业生产、工业生产、军事和国防、航空航天、文化、娱乐、医疗卫生、交通管理(2]。

随着信息社会的到来,人们的信息处理不仅是数字和符号信息也大量的图像信息。计算机图像处理技术是一种新的计算机应用领域发展随着计算机技术的发展。这是一个纪律的基础上逐步发展成就在图像分析和研究。这种技术参与了人民生活的各个领域,学习,和工作。随着人民生活的提高和经济标准,他们也有自己的独特意见模式要求的衣服。利用电脑技术来识别服装模式,以提高服装生产效率以满足市场的需求,已成为当前的趋势。服装模式生成的过程中,一个特定的数据库设计生成直接根据人们最喜欢的需求。因此,服装模式数据库的管理和检索是关键(3]。

传统的服装图片管理文档的形式。当用户想要查询一个服装形象,他们必须手动打开一个文件,浏览找到目标图像(4]。虽然这手工检索方法是仍在使用,与图像文件的数量的快速增长,这个查询方法已难以满足大型服装图像数据库的检索需求。基于关键字的检索方法或描述性的文本需要指定文本功能或关键字查询时,需要用户描述的文本特性有一定的准确性和标准化。这个方法有两个主要问题。一个是人工注释的图像需要支付大量的劳动力成本。其次,图像人工注释是主观的和不精确,不能规范和准确地描述中包含丰富信息的图像。因为没有统一的标准形象描述,人有不同的对图像内容的理解。例如,之间没有确切的边界对象的“大”和“大”(5]。此外,不同的语言环境中,不同的社会条件下,和不同的民族会有不同的理解相同的对象,这将影响图像文本描述的一致性。随着时间的流逝,人们感兴趣的事物或概念也将改变。文本的特征图像的定义在早期很难适应各种后期的发展。

为了提高检索效率的服装模式数据库,一个新的服装图像数据库检索算法基于小波变换的设计。通过收集和预处理现有的服装模式数据库中的数据,介绍了小波变换的方法来设计数据库的检索方案,完成服装图像数据库的检索。本文的主要技术路线如下:步骤1:在部分2图像数据采集的过程中,服装图像数据库进行,我们描述的颜色一致性向量服装形象,反映图像的组成和分布通过颜色直方图、颜色量化服装图像的视觉特性,将其聚合成一个固定大小的表示向量,并完成服装图像数据采集通过使用这艘模型。步骤2:在服装图像数据库中的图像数据预处理也进行的部分2,服装图像的大小调整使用大小转换技术,和服装模式分为四个相同大小的时刻。在此基础上,服装图像是离散的帮助下胡不变矩来完成服装图像数据预处理。步骤3:在部分向前发展2在服装的设计基于小波变换的图像数据库检索算法,小波变换的母函数确定,和一群功能是通过翻译和扩张。小波滤波器分解成基本的模块,然后,逐步研究了小波变换。服装图像数据被视为一个信号,分裂、预测和更新输入到小波模型中。完整的服装图像数据库检索的研究。步骤4:实验分析部分执行3。第五步:节给出结论4。

2。图像数据采集和预处理服装图像数据库

在本节中,服装数据库中的图像数据采集。此外,服装图像数据库中图像数据预处理是解释说。此外,衣服的检索算法提出了基于小波变换的图像数据库。

2.1。图像数据采集服装图像数据库

服装图像数据库的检索工作是非常不同的从传统的文档数据库。服装图像含有丰富的内容和非结构化数据,所以传统的文本检索方法不能直接用于查询和检索。因此,为了实现有效的检索,本文关键图像数据收集现有的服装数据库为后续识别提供精确的模式数据(6]。

服装图像数据采集,从人类视觉的角度、颜色特性是一个基本的视觉特性对人类感知和区分不同的对象。因此,首先,最初的服装模式数据收集根据衣服的颜色一致性矢量模式。不仅颜色一致性向量计算像素的每一种颜色的数量在整个服装形象而且数量每个颜色的像素值最大的地区的形象。一致的像素属于连续图像中颜色的地区。颜色一致性向量代表这个颜色在图像分类。它使一致的图像像素在一个不能与另一个图像的像素不一致。这是不可能的,一个简单的颜色直方图。一个直观的方式来表示服装图像的内容计算像素的颜色颜色直方图。颜色直方图反映了图像中颜色的组成和分布,也就是说,发生颜色和各种颜色的概率(7]。图像的颜色直方图代表了全球特征。

假设连衣裙的直方图模式颜色和漂浮在一定的秩序和假设服装图像的像素的数量我颜色是 ,累积颜色直方图可以表示为

在这个时候,服装图像的全局颜色直方图只考虑颜色的组成分布,这是容易忽略了图像中各种颜色的空间分布信息。因此,它是必要的量化服装图像的视觉特征,并将这些信息聚合到一个固定大小的表示向量。在这个特性量化,这艘模型(8是用来表示一个固定大小的向量。一般来说,高斯混合模型聚合所有本地的规范化的级联梯度向量描述符到一个统一的费舍尔变量。从本质上讲,一个图像所表达的似然函数的梯度向量。服装形象,它假定提取t局部描述符,表示为

在公式(2),服装图像量化参数集表示。

在此基础上,我们让它遵守独立、平等分配,表示如下: 在哪里代表了服装图像量化参数集。

假设Y分布是高斯混合模型,验证了量化服装图像参数和确定量化参数有效地配合,从而获得 在哪里代表了高斯积分,代表服装模式的线性组合系数数据,和代表了协方差矩阵。

提取服装图像数据的量化过程基于阵线模型图所示1:

量化后上面的服装图像数据,描述它的地方特色,确定每个局部特性的最近的特征点,并获得

根据服装模式的确定特征点数据,计算的残余价值功能并完成服装图像数据的集合,即 在哪里代表了礼服的维度值描述符和模式特性代表了剩余价值。

图像数据采集过程中的服装图像数据库中,服装的颜色一致性矢量图像的特点是,图像的组成和分布通过颜色直方图、颜色反映和服装图像的视觉特征矢量量化和聚合为一个固定的大小表示。这艘模型是用来完成服装图像数据的集合。

2.2。图像数据预处理在服装图像数据库

图像数据预处理是进行服装图像数据库,因为有许多干扰在上面收集服装图像数据;它不能直接和有效的检索。因此,有必要对服装图像数据进行预处理。服装图像处理的过程中处理的影响服装图像特征提取、分割、识别、和匹配很容易受到光照不均匀等因素的影响,图像大小,旋转,和噪音。因此,在服装图像处理,图像应该预处理来消除这些不相关的因素的影响,以恢复或增强图像中的有用信息,提高检测能力的相关信息9]。

在服装图像预处理,只有在满足特定的条件下可以衣服小波轮廓波图像检索。因此,服装图像转换成一定规模。一般来说,大小转换技术是用来调整服装图像的大小,和大小转换技术通常使用插值法来改变图像的大小(10]。常用的插值算法包括:最近邻插值、双线性插值、双立方插值和小波插值。不同的插值算法有不同的加工精度,和不同的插值算法也将影响图像失真的程度。最近邻插值法是用于转换232∗205轮胎服装图像的大小。服装图像处理的过程中,有时候,高维度分为不重叠的图像块来获得几个维度较低的子图象,和子图象用于图像分析(11]。这个过程是基于图像分割的概念。让矩阵(12)被表示为一个离散二维服装形象 在哪里p代表了服装图像的像素数量假设和可以除以2,服装图像分为四块没有重叠和表达为 矩阵分为四个子矩阵,每个子矩阵代表一个图像子块。根据上图阻塞方法,该技术可以应用于图像检索技术来建立一个新的图像检索数据库的不重叠的分割图像。128×128轮胎图像分为不重叠的街区获得四个subclothing相同大小的图像。

根据分割图像,一刻不变量用于降噪(13]。胡锦涛不变矩是基于图像子块划分,和子块图像是离散获得 在哪里 代表了一个二维离散图像,代表。

服装图像数据库中的图像数据的预处理,服装图像的大小调整使用大小转换技术,和服装模式分为四个相同大小的时刻。在此基础上,服装图像是离散的帮助下胡不变矩来完成服装图像数据预处理。

2.3。服装图像数据库的检索算法基于小波变换的

小波变换是傅里叶变换的发展和升级。它具有局部分析傅里叶变换没有特征。它可以变换的时频分辨率根据信号的局部区域特征。小波函数是一个集群的功能通过翻译和扩张的小波母函数。如果它被设置为生成小波函数,推导出小波函数(14)是

在小波变换中,并不是所有的函数可以成为生成函数,他们需要符合一定的条件。条件被满足 在哪里代表了小波变换的母函数和允许的限制指数。在这个时候,表示为连续的小波变换 在哪里 代表小波变换,代表小波反演变换,将小波窗口的时间表示为一个函数。

小波变换是一个非常重要的人工智能算法。因此,在服装图像的检索数据库设计,服装设计图像检索模型,然后,上述加工服装图像数据输入到模型中来完成服装图像数据的检索。

小波滤波器分解成几个基本模块,然后,一步一步进行小波变换,这是提升小波的基本思想。提升算法也相对简单,主要是为了获得高频分量和低频分量。高频组件可以通过多项式插值和有一个先决条件的低频分量,这是保持原始信号的高阶矩和中值不变。改进方案可分为以下三个步骤:分裂、预测和更新(15,流程如图2。

首先,服装图像数据被视为信号输入到小波模型和划分。预裂服装图像数据信号 ,和分裂被设定和 ,分别。分解过程如图3:

然后,服装图像数据预测。预测的意义是获得信号的详细信息。甚至第一,过滤作用于序列,然后将获得的值作为预测价值的奇怪的序列,然后通过计算获得详细信息之间的差异的实际价值序列和预测价值,也就是说,

第三,服装图像数据更新。更新主要是维护全球检索原始数据的特征。更新算法介绍获得更新后的服装图像数据如下: 在哪里代表了原始图像数据更新。

最后,设计小波变化模型,输入更新的服装图像数据,并完成服装图像的检索数据,也就是说, 在哪里代表服装图像数据检索的小波模型。

在上面的检索,在检索到的数据,由于一些遗漏需要反向变换,获取全球服装图像数据。结果如下: 在哪里代表相反的转换因子, 代表检索后的结果,代表小波基在垂直方向的服装形象。

服装设计中基于小波变换的图像数据库检索算法,小波变换的母函数决定,一个集群功能是通过翻译和扩张。小波滤波器分解成基本的模块,然后,逐步研究了小波变换。服装图像数据被视为一个信号,分裂、预测和更新输入到小波模型中。完整的服装图像数据库检索的研究。

3所示。实验分析

为了确认的真实性提出方法,本节进行实验和分析结果。首先,我们设计实验方案,实验索引设计,最后,分析实验结果。

3.1。实验方案设计

为了验证该方法的有效性,进行了实验分析。100年实验,实验图像检索从专业中选择“我的结构查询语言”数据库(MySQL),这些图片的大小设置为256∗256,和图像预处理。加工实验代表服装图像被用作实验样本图像检索服装的颜色模式。有许多图像颜色的实验样品。因此,在实验中,确定具体的识别颜色识别的典型服装图案的颜色。实验样本图像如图4:

在图4,绿线框的颜色区域检索实验。

3.2。实验指标设计

为了验证该方法的有效性和对服装图像检索,实验通过比较执行该方法,图像的基于块的无序增长数据检索方法主要颜色的方法,和基于联合图像检索方法加权聚合深度卷积特性。在实验中,样品的颜色图像的检索精度和检索时间开销作为实验指标。在实验中获得的实验结果验证了许多次,满足实验的要求。

3.3。实验结果分析

首先,本文实验分析方法,基于块图像无序增长数据检索方法主要颜色的方法,和图像检索方法结合加权聚合深度卷积特性检索示例图像的颜色。检索效果如图5。

通过分析检索结果在图5,可以看出有一些不同的检索方法的影响本文图像基于块的无序增长数据检索方法主要颜色的方法,和图像检索方法结合加权聚合深度卷积特性的颜色样本图像。其中,这种方法更好的颜色检索精度;只有一个部分不能检索,而颜色检索其他两种方法的结果低于这个方法。相比之下,这个方法更好的检索效果,验证该方法的检索精度较高。

为了进一步验证该方法的有效性,确保检索精度的基础上,实验进一步分析了这种方法的时间成本,图像基于块的无序增长数据检索方法主要颜色的方法,和图像检索方法结合加权聚合深度卷积特性检索示例图像的颜色。结果如表所示1。

通过分析表中的数据1,可以看出样本图像的颜色检索成本使用本文方法不同,图像基于块的无序增长数据检索方法主要颜色的方法,和图像检索方法结合加权聚合深度卷积特性。其中,这个方法的检索速度很短,约1.3秒,而基于块图像无序增长数据检索方法主要颜色方法和基于联合加权聚合深度图像检索方法卷积特性有一个长时间的开销比这种方法。相比之下,这个方法更有效。验证,这种方法更快的工作效率。

4所示。结论

为了解决图像数据检索精度低的问题,在现有的图像数据库检索速度慢检索算法,本文设计了一个服装图像数据库检索算法基于小波变换的。此外,衣服的颜色一致性向量的特征图像,在图像的颜色直方图反映了组成和分布的颜色,这是聚合为一个固定大小的表示向量,和这艘模型是用来完成服装图像数据的集合。此外,服装图像的大小调整通过使用大小转换技术。此外,借助胡锦涛不变矩,服装图像离散完成服装图像数据的预处理。确定小波变换的母函数,小波滤波器分解成基本的模块,然后一步一步研究小波变换。服装图像数据被视为一个信号,分裂,预测,和更新,输入到小波模型和完整的服装图像数据库的检索研究。实验结果表明,该方法具有一定的检索的优势。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。