基于不变矩与颜色特征的图像检索及小波边缘检测系统

资 源 简 介

本项目是一个功能全面的图像处理与检索系统，主要包含三大核心功能模块。首先，系统实现了基于10个不变矩的图像检索功能，通过计算图像的几何不变矩，提取出具有旋转、缩放和平移不变性的形状特征，从而能在图像库中快速准确地检索出与查询图像形状相似的目标。其次，项目内嵌了小波模极大值法边缘检测算法，该算法利用小波变换的多尺度特性，通过检测小波变换模的局部极大值点来精确定位图像边缘，相比传统算子具有更好的抗噪性能和边缘定位精度。最后，为了进一步提升检索效果，系统实现了结合颜色特征与不变矩的混合检索机制，将图像的颜色统计特征（如颜色直方图）与形状矩特征进行加权融合，有效解决了单一特征在复杂场景下检索精度不足的问题，适用于多种类型的图像数据库应用。

详 情 说 明

基于不变矩与颜色特征的图像检索及小波边缘检测系统

项目简介

本项目是一个集成化的图像处理与检索系统，旨在通过混合特征提取技术实现高精度的图像检索，并集成了先进的边缘检测功能。系统结合了图像的几何形状特征（不变矩）与颜色统计特征（HSV直方图），通过加权融合算法计算图像间的相似度，从而在复杂的图像数据库中检索出最相似的目标。此外，系统还内嵌了基于小波变换模极大值原理的边缘检测算法，为用户提供除检索结果外的图像结构分析视图。

功能特性

• 混合特征检索：融合了形状特征与颜色特征，解决了单一特征在面对旋转、缩放或颜色变化时的局限性。
• 几何不变性：基于10个不变矩（7个Hu矩 + 3个扩展几何特征），确保检索对图像的平移、旋转和缩放具有鲁棒性。
• 颜色特征分析：利用HSV色彩空间的颜色直方图，捕捉图像的全局颜色分布。
• 小波边缘检测：利用小波变换的多尺度特性，通过模极大值法提取图像边缘，提供比传统算子更精细的边缘视图。
• 可视化交互：提供图形化界面流程，包括查询图像选择、数据库路径选择、过程进度显示及Top-5检索结果的排序展示。

系统要求

• 运行环境：MATLAB
• 工具箱依赖：Image Processing Toolbox (图像处理工具箱) - 用于图像读取、色彩空间转换、形态学操作及小波变换支持。

使用方法

1. 运行主脚本启动系统。
2. 系统将弹出文件选择对话框，请选择一张 查询图像（支持 .jpg, .png, .bmp 格式）。
3. 系统将弹出文件夹选择对话框，请选择包含待检索图像的 数据库文件夹。
4. 系统将自动执行以下操作：

* 在界面上显示查询原图及对其进行的小波模极大值边缘检测结果。 * 计算查询图像的特征向量。 * 遍历数据库中所有支持的图像文件，逐一计算相似度。

1. 处理完成后，系统将在命令行输出Top 5相似图片的列表，并在图形窗口中按相似度降序展示检索结果图片。

技术实现细节

本项目核心逻辑基于混合特征加权距离计算，以下是各模块的详细实现原理：

1. 特征提取机制

系统采用 extract_features 函数对输入图像进行标准化（统一缩放至256x256）并提取两类特征：

• 颜色特征 (HSV直方图)

* 实现逻辑是将图像从RGB空间转换至HSV空间。 * 对H、S、V三个分量进行非均匀量化，量化级数分别为 H:8, S:4, V:4。 * 构建一维特征向量（共 8x4x4 = 128 维），并进行归一化处理，形成具有尺度不变性的颜色描述符。

• 形状特征 (10个不变矩)

* 图像首先经过灰度化和二值化处理（采用Otsu大津法确定阈值），并使用形态学开运算去除噪点。 * 计算图像的几何矩（原始矩与中心矩）。 * 归一化：利用零阶矩对中心矩进行归一化，消除图像缩放带来的影响。 * 特征构造： * 1-7号特征：经典的Hu七个不变矩，具有平移、旋转、缩放不变性。 * 8-10号特征：扩展的自定义几何不变量。包括基于二阶矩构造的仿射不变量（近似偏心率/长宽比特性）、基于回转半径的紧凑度特征，以及利用三阶矩构造的偏斜不变量。 * 数值处理：为了压缩特征值的动态范围，所有矩特征均经过对数变换（Log10），并保留符号信息。

2. 相似度度量与检索算法

系统遍历数据库图像，通过加权融合的方式计算查询图像与库图像的距离：

• 形状距离：计算两个图像的10维不变矩向量之间的欧氏距离。
• 颜色距离：近似使用卡方距离公式计算颜色直方图的差异。针对通过Log处理后的数值量级，算法对颜色差异项进行了分母平滑处理。
• 加权融合：

* 形状特征权重：0.6 * 颜色特征权重：0.4 (并在计算中对颜色距离进行了系数量级调整)。 * 最终相似度得分由 1 / (1 + 总距离) 转化而来，分值越高表示越相似。

3. 小波模极大值边缘检测

该功能模块通过 wavelet_modulus_maxima 函数实现：

• 算法首先将图像转换为灰度双精度矩阵。
• 利用离散小波变换（代码逻辑暗示使用类似Haar小波的机制），提取图像的水平细节分量（HL）和垂直细节分量（LH）。
• 这两个分量反映了图像在垂直方向和水平方向的灰度突变程度（即梯度信息）。
• 通过结合这两个方向的分量计算梯度的模，并检测局部极大值点，从而生成抗噪性强且定位精准的边缘图像。

4. 排序与展示

• 检索过程中自动跳过损坏的图像文件。
• 计算完成后，根据相似度得分对结果进行降序排列。
• 选取前5个（Top-K）结果，在图形窗口中并排展示，同时在标题栏显示排名与具体的相似度分值，方便用户直观评估算法效果。