感兴趣区域的确定及相似度计算方法
视觉感兴趣区域的算法
视觉感兴趣区域的算法定义视觉感兴趣区域的算法：眼球注视点的⽐较Claudio M.Privitera and Lawrence W. Stark, Fellow, IEEE摘要-很多机器视觉应⽤，如压缩，图案数据库查询，以及图像理解，经常需要⽤来详细分析图像中的⼀个代表⼦集, 它可能会被排列成⼀组被称作视觉感兴趣区域（ROIs）的位点。
我们已经研究和开发了⼀种⽅法，其⽤于⾃动识别aROls这样的⼦集（根据算法检测的ROI），使⽤不同的图像处理算法，IPAs，和适当的聚类过程。
在⼈类感知，⼀个内在的表现指⽰着⾃上⽽下，上下⽂相关的眼球运动序列，以注视hROls的相似的序列（⼈识别的ROI）.在这篇论⽂中，我们引进我们⾃⼰的⽅法并且我们⽤aROLs⽐较hROLs 来作为⼀个评估和选择⾃下⽽上的算法的标准。
最后，⼀个应⽤程序会被论述。
关键词：眼球运动，扫描途径理论，感兴趣的认同和⽐较区域1 引⾔眼球运动是⼈类视觉的重要组成部分因为它们必须使⽤视⽹膜中的⼩凹，最终，视觉注意到的图像的每个部分，会被固定，并与⾼分辨率处理。
平均每秒三眼的注视⼀般发⽣在积极寻找之中;这些快速的眼跳会穿插在眼睛注视之中，被称为扫视，在此期间，视⼒被抑制。
只有⼀⼩部分的眼睛注视（hROIs，⼈体检测的感兴趣区域）会被经常被⼤脑需要去做识别⼀个复杂的视觉输⼊（图1，上图）。
我们⼀直在研究和界定⼀个这种基于数字图像智能处理的复杂的认知机制的计算模型。
图像处理算法，IPAs，通常被⽤来检测和定位在数字图像分析的特定特征，例如，空间频率，纹理构象，或对视觉刺激的位点的其它信息的值。
应⽤⼀个IPA到图像意味着改变这种图像变为定义相应的算法特征像素值的新范围。
变换的图像的局部最⼤值代表位点，其中该特定的特征是特别突出的，他们可以被⽤作基础或识别aROIs，被算法检测的感兴趣区域。
许多局部最⼤值可以由图像变换来⽣成：因此，⼀个聚类过程是必需的，以减少在初始的⼤的局部最⼤值变成aROIs（图1，下图）的⼀个最后的⼩的⼦集。
相似度计算常用方法综述
相似度计算常用方法综述引言相似度计算用于衡量对象之间的相似程度，在数据挖掘、自然语言处理中是一个基础性计算。
其中的关键技术主要是两个部分，对象的特征表示，特征集合之间的相似关系。
在信息检索、网页判重、推荐系统等，都涉及到对象之间或者对象和对象集合的相似性的计算。
而针对不同的应用场景，受限于数据规模、时空开销等的限制，相似度计算方法的选择又会有所区别和不同。
下面章节会针对不同特点的应用，进行一些常用的相似度计算方法进行介绍。
2向量空间模型向量空间模型（Vector space model）是应用最广泛的一个基础相似度计算模型，在该模型中，每个对象映射为一个特征向量:作为一个应用广泛的模型，向量空间模型在现有的很多应用中仍然起着至关重要的作用，也是很多扩展方法的基础。
3 基于hash方法的相似计算基于hash的相似度计算方法，是一种基于概率的高维度数据的维度削减的方法，主要用于大规模数据的压缩与实时或者快速的计算场景下，基于hash方法的相似度计算经常用于高维度大数据量的情况下，将利用原始信息不可存储与计算的问题转化为映射空间的可存储计算问题，在海量文本重复性判断方面，近似文本查询方面有比较多的应用，google的网页去重[1]，google news的协同过滤[2,3]等都是采用hash方法进行近似相似度的计算，比较常见的应用场景Near-duplicate detection、Image similarity identification、nearest neighbor search，常用的一些方法包括I-match，Shingling、Locality-Sensitive Hashing族等方法，下面针对几种常见的hash方法进行介绍。
3.1 minhash方法介绍Minhash方法是Locality-sensitive hashing[4,5]算法族里的一个常用方法，基本的思想是，对于每一个对象的itemlist，将输入的item进行hash，这样相似的item具有很高的相似度被映射到相同的buckets里面，这样尽量保证了hash之后两个对象之间的相似程度和原来是高相似的，而buckets的数量是远远小于输入的item的，因此又达到降低复杂度的目的。
meanshift算法简介
怎样找到数据集合中数据最密集的地方呢？
数据最密集的地方，对应于概率密度最大的地方。我们可 以对概率密度求梯度，梯度的方向就是概率密度增加最大 的方向，从而也就是数据最密集的方向。
令
,假设除了有限个点，轮廓函数 的梯度对所
有
均存在 。将 作为轮廓函数，核函数 为：
fh,K
x
2ck ,d n nhd 2 i1
Meanshift算法的概述及其应用
Meanshift的背景
Mean Shift 这个概念最早是由Fukunaga等人于 1975年在一篇关于概率密度梯度函数的估计中提出 来的,其最初含义正如其名,就是偏移的均值向量。
直到20年以后,也就是1995年,,Yizong Cheng发 表了一篇对均值漂移算法里程碑意义的文章。对基 本的Mean Shift算法在以下两个方面做了改进,首先 Yizong Cheng定义了一族核函数,使得随着样本与 被偏移点的距离不同,其偏移量对均值偏移向量的贡 献也不同,其次Yizong Cheng还设定了一个权重系 数,使得不同的样本点重要性不一样,这大大扩大了 Mean Shift的适用范围.另外Yizong Cheng指出了 Mean Shift可能应用的领域,并给出了具体的例子。
• 一维下的无参数估计 设X1,X2, …Xn是从总体中抽出的独立同分布
的样本，X具有未知的密度函数f（x），则f （x）的核估计为：
h为核函数的带宽。常用的核函数如下：
分别是单位均匀核函数 和单位高斯核函数
多维空间下的无参密度估计：
在d维欧式空间X中，x表示该空间中的一个点， 表示该空间中的
核函数,
(5)若
，则停止；否则y0←y1转步骤②。
限制条件：新目标中心需位于原目标中 心附近。
视觉感兴趣区域的算法
定义视觉感兴趣区域的算法：眼球注视点的比较Claudio M.Privitera and Lawrence W. Stark, Fellow, IEEE摘要-很多机器视觉应用，如压缩，图案数据库查询，以及图像理解，经常需要用来详细分析图像中的一个代表子集, 它可能会被排列成一组被称作视觉感兴趣区域（ROIs）的位点。
我们已经研究和开发了一种方法，其用于自动识别aROls这样的子集（根据算法检测的ROI），使用不同的图像处理算法，IPAs，和适当的聚类过程。
在人类感知，一个内在的表现指示着自上而下，上下文相关的眼球运动序列，以注视hROls的相似的序列（人识别的ROI）.在这篇论文中，我们引进我们自己的方法并且我们用aROLs比较hROLs 来作为一个评估和选择自下而上的算法的标准。
最后，一个应用程序会被论述。
关键词：眼球运动，扫描途径理论，感兴趣的认同和比较区域1 引言眼球运动是人类视觉的重要组成部分因为它们必须使用视网膜中的小凹，最终，视觉注意到的图像的每个部分，会被固定，并与高分辨率处理。
平均每秒三眼的注视一般发生在积极寻找之中;这些快速的眼跳会穿插在眼睛注视之中，被称为扫视，在此期间，视力被抑制。
只有一小部分的眼睛注视（hROIs，人体检测的感兴趣区域）会被经常被大脑需要去做识别一个复杂的视觉输入（图1，上图）。
我们一直在研究和界定一个这种基于数字图像智能处理的复杂的认知机制的计算模型。
图像处理算法，IPAs，通常被用来检测和定位在数字图像分析的特定特征，例如，空间频率，纹理构象，或对视觉刺激的位点的其它信息的值。
应用一个IPA到图像意味着改变这种图像变为定义相应的算法特征像素值的新范围。
变换的图像的局部最大值代表位点，其中该特定的特征是特别突出的，他们可以被用作基础或识别aROIs，被算法检测的感兴趣区域。
许多局部最大值可以由图像变换来生成：因此，一个聚类过程是必需的，以减少在初始的大的局部最大值变成aROIs（图1，下图）的一个最后的小的子集。
poi相似度指标
poi相似度指标（原创实用版）目录1.引言2.POI 相似度指标的定义3.POI 相似度指标的计算方法4.POI 相似度指标的应用5.总结正文【引言】在空间数据分析和处理领域，POI(Point of Interest) 是指地图上的重要地点，如商店、餐馆、公园等。
在实际应用中，我们需要对 POI 进行相似度分析，以便找出具有相似特征的 POI。
本文将介绍 POI 相似度指标及其计算方法和应用。
【POI 相似度指标的定义】POI 相似度指标是一种衡量两个或多个 POI 之间相似程度的方法。
它主要通过计算 POI 的属性数据之间的相似性来得出。
POI 的属性数据包括位置、类别、评分等。
【POI 相似度指标的计算方法】常用的 POI 相似度指标计算方法包括：1.欧氏距离：基于 POI 的经纬度坐标计算其欧氏距离，距离越近表示 POI 越相似。
2.类别相似度：比较 POI 的类别属性，如果类别相同则认为 POI 相似。
3.评分相似度：比较 POI 的评分属性，如星级、评分等，如果评分相近则认为 POI 相似。
4.基于概率模型的方法：如条件随机场 (CRF)、隐马尔可夫模型 (HMM) 等，通过学习 POI 的属性数据之间的依赖关系来计算相似度。
【POI 相似度指标的应用】POI 相似度指标在实际应用中有广泛的应用，例如：1.POI 推荐：根据用户的历史行为和兴趣，通过计算 POI 相似度来推荐用户可能感兴趣的 POI。
2.地理数据分析：通过计算 POI 相似度，可以发现具有相似特征的地理区域，从而进行地理数据分析和挖掘。
3.城市规划：通过分析 POI 的相似度，可以了解城市中不同区域的功能分布和特征，为城市规划提供参考。
【总结】POI 相似度指标是空间数据分析和处理领域的重要工具，通过对 POI 的属性数据进行相似度计算，可以发现具有相似特征的 POI。
基于感兴趣区域和FCM的图像检索算法
粥
如 存 ｊ使 ｄ：则 ：＝ 对≠ｕ ０ 果 在ｒ 得 ｏ 令ｕ ｌ ｉ，＝ ， ， ， ：且 ｒ 。 ¨
（） 下述公式 计算Ｖ ’ ３用 ：
，
取 ，因此 合理选取 初始 类 中心 是聚类 算法 中最 重要 的 步 。本 文采用 了一 种 自适 应 的初 始聚类 中心 选取 方
感兴 趣 区域 的 颜 色特 征用 该区域 的颜 色均值 和均 方差 表示 。设 感 兴趣 区域Ｓ 大小 为ｍ× ， 其颜 色均 值 ｎ则 纹理 和位 置三种 特 征数学 描 述感 兴趣 区域 内容 再对 １和（ ） 模糊 Ｃ 均 值 聚类 算法 进行 改进 ． 一 有效 地 解 决 了初 始值 和颜色 均方差 可通 过公 式（） ２分别获 得 ： 的选取 问题 ， 时对 图像 库 进 行分 类 ， 建 立 索 引 ， 同 并 最 后 ．通过 数 据库特 征 的聚类 中心与感 兴 趣 区域 特 征 的
２１视觉关 注模型 ．
其 中， ｘ ） Ｉ ， 为感 兴 趣 区域Ｓ ； Ｙ 内像素 点 ｘ ） ， 的第ｉ ｙ 个
视 觉 关注 模 型模 拟 了 人类 视觉 注 意 的转 换 过 程［ 颜 色 分 量 。选 用 能 够 较 好 符 合 人 眼 视觉 感 知 特 性 的 ７ １ ，
６ ６
图 １ 视 觉 关 注 模 型
． 模 糊 Ｃ 均值 （Ｃ 算法 『 一 Ｆ Ｍ） 句 利用 伪 随机数 产 生初 始 类 中 ２２感 兴趣 区域 特征 的数 学描 述 感 兴 趣 区域 Ｓ 过 视 觉 关 注模 型确 定 后 ．利 用 颜 经 心 ， 成 聚类 效 果 不稳 定 ． 造 特别 是 当 聚类 数 比较 多 时 ． 色、 纹理 和位置 特征对 感 兴趣 区域 内容进行数 学描述 。 往 往 得 不 到 满 意 的 聚 类 结 果 基 于上 述理 论 ． 本文 首 先利用 Ｉｉ ｔ 等人 提 出 了 视觉 ｔ 关注模 型 提取查 询 图像 中 的感兴趣 区域 ， 并通 过 颜 色 、 ｆ１ 色特 征描 述 １颜
常用相似度计算方法
常用相似度计算方法
嘿，咱今天就来聊聊那些常用的相似度计算方法呀！
你看哦，有一种方法叫余弦相似度。
这就好比是两个向量之间的“亲密
程度”。
比如说有两个音乐列表，一个里面都是摇滚歌曲，另一个也有很多
摇滚歌曲，那它们的余弦相似度可能就会比较高，就像两个好朋友都喜欢同一种音乐一样。
还有欧式距离呢！想象一下，在一个地图上，两个点之间的距离。
比如有两个城市，它们在地图上的位置远近，就可以用欧式距离来衡量。
如果两个城市离得很近，那欧式距离就小，说明它们挺相似的；要是离得老远，那相似度自然就低啦。
再来说说杰卡德相似系数。
这就好像是比较两个集合有多少共同的元素。
比如说有两堆水果，一堆有苹果、香蕉、橘子，另一堆有苹果、葡萄、橙子，那它们共同有的就是苹果，用这个来计算它们的相似度就很有趣。
咱平时生活里也能用到这些相似度计算方法呢！比如说找朋友，你和一个人有很多共同爱好，那你们的相似度就高呀，可能就更容易成为好朋友。
或者在选电影看的时候，发现一部电影和你之前喜欢的电影很相似，那你可能就会更想去看。
在工作中也一样哦！比如数据分析的时候，要看看不同的数据组之间有多相似，就能更好地进行分类和分析啦。
还有哦，想象一下在美食的世界里，不同的菜品之间也可以用相似度计算呢！比如两道菜都用了很多辣椒，那它们在口味上的相似度可能就比较高。
总之呀，这些相似度计算方法就像是我们生活中的小助手，能帮我们更好地理解和比较各种事物之间的关系。
是不是很有意思呀？下次你再遇到什么要比较相似性的事情，就可以想想这些方法啦！。
相似度计算方法学习总结
相似度计算⽅法学习总结
⽆论什么推荐算法，计算相似度都是避不开的，下⾯就总结⼀下已经了解的相似度计算⽅法。
1.余弦相似度
这个算是最常⽤的了，典型例⼦是计算⽂本相似度。
通过计算两个向量间的夹⾓，越是相似夹⾓度数越接近0，所计算的值也就越接近1。
但是余弦相似度只对⽅向敏感，对距离并不敏感。
2.欧式距离（欧⼏⾥得距离）
就是计算空间上两点间的距离。
下图很好体现了欧⽒距离和余弦相似度的差异。
所以可以看出欧⽒距离适⽤于那些对数值差异⼤⼩敏感的相似度计算，
⽽余弦相似度更适⽤于判别⽅向上的差异，⽽对绝对的数值不敏感的，⽐如通过⽤户对内容的评分来区分兴趣的相似度，修正了不同⽤户之间可能存在度量标准不统⼀的问题（有的⽤户默认⾼分，有的⽤户默认低分，对于默认低分⽤户来说7分就表⽰他喜欢了，⽽对默认⾼分⽤户来说10分才表⽰喜欢）。
3.⽪尔逊相关系数（PC）
其实就是升级版的余弦相似度。
举个例⼦：
⽤户对内容评分，按5分制，X和Y两个⽤户对两个内容的评分分别为（1,2）和（4,5），使⽤余弦相似度得到的结果是0.98，两者极为相似。
但从评分上看X似乎不喜欢2这个内容，⽽Y则⽐较喜欢，余弦相似度对数值的不敏感导致了结果的误差，需要修正这种不合理性就出现了调整余弦相似度，即所有维度上的数值都减去⼀个均值，⽐如X和Y的评分均值都是3，那么调整后为（-2，-1）和（1,2），再⽤余弦相似度计算，得到-0.8，相似度为负值并且差异不⼩，但显然更加符合现实。
此外，还有
斯⽪尔曼等级相关系数、平局平⽅差异（MSD）、Jaccard距离和Dice系数等... 不太懂，以后涉及到深处在研究哈。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
３ 区域相似度计算方法
ＲＯＩＢＩＲ系统中，相似性量度除了要考虑与人的感 知相似一致和便于计算之外，还必须对分割的不精确 具有鲁棒性。 ３．１ 两个区域相似度计算
下面介绍一幅图中的一区域与另一幅图像中的一 区域的相似度计算。设‘和‘分别表示两幅图像，‰表 示图像，，的一区域，ｒ。表示图像Ｊ，的一区域，如图３所 示的图像，，和厶。
万方数据
第４期
李苏梅，韩国强 感兴趣区域的确定及相似度计算方法
４９
提取方法和区域相似性计算方法，并对ＲＯＩＢＩＲ系统的 感兴趣区域、区域特征提取及区域相似度计算等关键 技术进行了一些研究。
１．图像区域特征
本文的图像分割方法，采用前期研究提出的一种
基于自适应的肛均值聚类算法的彩色图像区域分割方
法【７ｔ８Ｊ。它首先选择合适的彩色空间，抽取图像的像素 点颜色、纹理（Ｔｅｘｔｕｒｅ）及位置等特征，形成特征向
式（２）中，％表示图像区域Ｒ的像素点个数，ｎｕｍ表ｃ 示在区域月内且属于第Ｃ类颜色的像素点个数，ｐｉｘｅｌ， 表示区域尺内第ｆ个像素点，ｃｏｌｏｒｃ（文献【７】所指的１１ 类颜色，ｃ＝ｌ，２。…，１１）表示第Ｃ类颜色。 １．３ 区域的形状特征
这里采用椭圆形Ｆｏｕｒｉｅｒ的方法１７１来描述被分割区 域的特征。首先获取区域边界像素点，经平滑得到边 界轮廓和边界函数，然后用多个椭圆形来表示区域边 界的轮廓，并进行傅立叶变换，取其傅立叶系数作为
量空间。然后在此特征空间中，运用自适应妒均值聚
类算法进行聚类和图像区域分割。最后抽取图像区域 的特征。由于篇幅限制，这里仅介绍在图像区域分割 后区域特征的提取，图像的区域特征描述如下。 １．１ 区域的综合特征
本文介绍的区域的综合特征，包括图像区域的平 均颜色、纹理和空间位置等特征。这些特征值组成一 向量，该向量可表示为：
圈３ 区域相似度计算示意圈
Ｆｉｇ．３
Ｓｋｅｔｃｈ ｆｏｒ ｓｉｍｉｌａｒｉｔｙ ｃｏｍｐｕｔａｔｉｏｎ
ｂｅｔｗｅｅｎ ｔｗｏ ｒｅｇｉｏｎｓ
３．１．１ 基于区域综合特征的区域相似度计算 基于区域的综合特征相似度的计算，按照式（４）
进行。
，一墨１．／ｊ（｜ｉ｝，，）＝ｅ一，九＝队＂（珞）一岛（训ｌ，（４）
ｑｌ ｌ—ａｂＬ厕廊牙 Ｆ —ＣＯｎ ａ。ｒｌｌ Ｆｌ Ｆ２
２ ０．８６６ ０．４４ １ １．２２２ ０．２８４ ０．３３３ ０．０７４ ０．０４ １ ２６．８８ ２２．８７
２．２ 权重确定感兴趣区域方法 这种感兴趣区域确定方法是指例子图像首先经过
分割，将分割的区域显示给用户，用户通过设定区域 的权重来选择感兴趣的区域，图２是这种方法的一个 示例。
ｈａｂｉｔｓ．Ｔｈｅｎ，ａ ｒｅｇｉｏｎ－ｂａｓｅｄ ｓｉｍｉｌａｒｉｔｙ ｍｅａｓｕｒｅｍｅｎｔ ａｐｐｒｏａｃｈ ｉｓ ｉｎｔｒｏｄｕｃｅｄ．Ｗｉｔｈ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｐｐｒｏａｃｈ，ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｏｆ ｔｗｏ ｌｅｇｉｏｎｓ ｗｉｔｈ ｔｈｅ ｃｏｍｂｉｎａｔｉｏｎ ｆｅａｔｕｒｅｓ，ｈｉｓｔｏｇｒａｍ ａｎｄ ｒｅｇｉｏｎ ｓｈａｐｅ ｆｅａｔｕｒｅｓ ｉｓ ｃｏｍｐｕｔｅｄ ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｎ，ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｏｆ ｔｗｏ ｒｅｇｉｏｎｓ ｉｓ ｃｏｍｐｕｔｅｄ ｂｙ ｔｈｅ ｗｅｉｇｈｔ ｐｒｏｄｕｃｔ ｍｅｔｈｏｄ．Ｔｈｅ ａｖｅｒａｇｅ ｖａｌｕｅ’Ｓ ｓｉｍｉｌａｒｉｔｙ ｆｏｒ ｅｖｅｒｙ ｒｅｇｉｏｎ ｉｓ ｒｅｇａｒｄｅｄ ａｓ ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｏｆ ＲＯＩ ａｎｄｔａｒｇｅｔ ｉｍａｇｅ．Ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄｓ ａｒｅ ａｖａｉｌａｂｌｅ．
Ｆｉｇ．２
圈２ 权重确定感兴趣区域方法示例
Ｔｈｅ ｅｘａｍｐｌｅ ｏｆ ｗｅｉｇｈｔ ｃｏｎｆｉｒｍｉｎｇ ＲＯＩ ａｐｐｒｏａｃｈ
这种方法的区域权重值ｗ玑（图像ｑ的第ｊ个区域） 由用户设定，～∈【ｏ，１】，Ｗｑ。＞ｏ的区域就被认为是感兴
趣的区域，不设定权重的区域或Ｗ。，＝０的区域为非感兴 趣区域，将不参与相似度计算。在图２中，若设定区 域ｌ、３、５、６的权重为Ｏ，区域２、４权重为１，则感 兴趣的区域由区域２和４组成。在确定好感兴趣区域 权重后，对权重大于０的区域进行特征抽取，抽取方 法按照Ｉ．１一１．３中介绍的方法进行。
基金项目：广东省自然科学基金资助项目（７３００４５０）
作者简介：李苏梅（１９６５－），女，湖南宁远人，广东外语外贸大学实验师，华南理工大学硕士生，主要研究方向为图像检索；
韩国强（１９６２－），男，江西临川人，华南理工大学教授，博士，博士生导师，主要研究方向为计算机应用技术，多 媒体软件技术与图像重建技术．
区域直方图特征是指按照我们前期研究提出的颜 色空间量化方法１７１，对图像每个区域进行计算所得到 的直方图。然后运用ＢＰ神经网络方法进行训练学习， 得到相应的神经网络。最后利用训练好的神经网络， 对区域进行直方图特征抽取。设尺表示一个感兴趣图
ｋ．。２争ｈｕｍｅ 像区域，则该区域的直方图按式（２）计算。 ＩｐｉｘｅｌｉｃＲ ａｎｄｐｉｘｅｌｆ∈ｃｏｌ０５｝。（２） 』，Ｒ
纛＝（肠地ｔａｂ爿，ｌａｂ＆ｃｏｎ，ａｎｉ，Ｘ，ｙ），
（１）
式（１）中，ຫໍສະໝຸດ 历瓦、２＝菇讶、历硒分别表示在Ｌ＊ａ—ｂ颜色空间，颜
色分量Ｌ、ａ、ｂ在区域中的平均值；
面表示区域对比度的平均值； 丽表示区域各向异性的平均值；
牙、Ｆ表示区域相对于整幅图在行和列方向上位置 的均值。
对于一个图像分割区域Ｒ来说，这些特征按如下 各式计算：
第２２卷第４期 ２００８年７月
湖南工业大学学报 Ｊｏｕｒｎａｌ ｏｆ Ｈｕｍａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ
Ｖ０１．２２ Ｎｏ．４ Ｊｕｌｙ ２００８
感兴趣区域的确定及相似度计算方法
李苏梅１．一，韩国强２
（１．广东外语外贸大学教育技术中心，广东广州５１０４２０；２．华南理工大学计算机科学与工程学院，广东广州５１０６４１）
．％＝百Ｎｑｉ，％＝｛≥ｉｉ‰ｆ ｐｑ，＜－＞卢ｆｌ；。
（３）
式（３）中， ｑ，表示感兴趣区域中的第ｉ个区域； Ⅳ表示感兴趣区域像素点数目； Ⅳ。表示第ｉ个区域的像素点数目； Ｐ。．表示区域ｑ，大小在感兴趣区域的比重； Ｗ。表示口，区域的权重； 卢的取值一般为０．１—０．２。表ｌ是图１区域权重确定
的数据示例。在确定好感兴趣区域权重后，对权重大 于０的区域进行特征抽取，抽取方法按照第２节的方 法进行。表２是图ｌ ｃ）中区域①和区域②的主要特征 数据。
摘要：对ＲＯＩＢＩＲ系统中ＲＯＩ的确定及区域相似度计算进行了研究。首先介绍了两种确定ＲＯＩ的方法，它
们充分利用分割区域的用户可见性、区域及其权重用户的可指定性来实现用户的可选性。使图像的检索系统融
合人的感知能力，符合人们的检索习惯。然后介绍了一种基于区域的图像相似度计算方法。这种方法先分别按
照区域的综合特征、直方图特征值及区域的形状特征进行相似度计算，再将各自相似度加权乘积作为两区域的
ｌａｂＬ ２古∑‘（ｔａｂＬ），而＝亡∑（ｔａｂＡ），
＾卢１Ｚ∈置
¨矗芦ｌ工∈胄
丽。去丕ｌｉ７■ｌｔｉ＝ｌ
ｌｉ６·（坳四）；荔＝寺，：囊Ｒ，ｆ（∞疗），
。＾
刀々ｊ：函名
历＝础１兰删ｌｉ（ａｎｉ，；牙＝寺雾弛歹＝去Ｒ兰ｉ，１。聊。
以上各式中，ｎ。表示属于区域Ｒ像素点的数目， ‘（１ａｂＬ）、‘（１ａｂＡ）、ｌｉ（１ａｂＢ）、‘（ｃｏｎ）、‘（ａｎｉ）、 ‘（Ｘ）、‘（Ｊ，）分别表示第ｆ个像素点的Ｌ‘、ａ’、ｂ’、对 比度（ＣＯｌｌ）、各向异性（ａｎｉ）分量以及象素点位置的 特征分向量。 １．２ 区域的直方图特征
· ‘裹１ ｔ兴趣区域权重确定示倒 Ｔａｂ．１ Ｔｈｅ ｅｘａｍｐｌｅ ｏｆ ｄｅｃｉｄｉｎｇ ＲＯＩ ｂｙ Ｗｅｉｇｈ
ｑ；
％Ｐ毛
Ｗｑｉ
Ｉ
Ｉ ８２９
０．４４２ ９
ｌ
２
ｌ ０７９
０．２６１ ３
ｌ
３
６６７
０．１６ｌ ５
０
４
５５５
０．１３４ ４
０
注：表中为口：０．１ ８条件下所得数据。
表２ 囊兴趣区域特征抽取示例 Ｔａｂ．２ Ｔｈｅ ｅｘａｍｐｌｅ ｏｆ ＲｏＩ ｆｅａｔＩＩＩＩ鹤ｅｘｔｒａｃｔｉｏｎ
万方数据
ａ）例子图像
ｂ）选定的感兴趣区域
ｃ）感兴趣区域分割
ｎ昏１
圈ｌ 指定区域确定感兴趣区域方法示倒 ＲＯＩ ａｐｐｒｏａｃｈ ｆｏｒ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｄｅｓｉｇｎａｔｉｎｇ ｒｅｇｉｏｎ ｅｘａｍｐｌｅ
５０
湖南工业大学学报
２００８年
在图１中，用户在例子图像上用鼠标选定需要检 索的感兴趣区域，感兴趣区域如图ｌ中的ｂ）所示，利 用图像分割方法＂１对感兴趣区域进行分割，结果如图 ｌ中的ｃ）所示。感兴趣区域被分割成较小的区域后， 按式（３）的策略进行区域权重设置。
Ｋｅｙ ｗｏｒｄｓ：Ｒｅｇｉｏｎｓ ｏｆ Ｉｎｔｅｒｅｓｔ（ＲＯＤ；ｓｉｍｉｌａｒｉｔｙ ｃｏｍｐｕｔａｔｉｏｎ；ｉｍａｇｅ ｒｅｔｒｉｅｖａｌ
０ 引言
基于感兴趣区域的图像检索（Ｒｅｇｉｏｎｓ ｏｆ Ｉｎｔｅｒｅｓｔ． ｂａｓｅｄ Ｉｍａｇｅ Ｒｅｔｒｉｅｖａｌ，简称ＲＯＩＢ瓜）技术，是利用图像 分割技术把图像分成多个区域，用区域的特征集来表 示和索引图像，它增强了系统捕获和描述用户对图像 内容感知的能力，在一定程度上实现了基于对象层次 的检索，减小了图像底层特征和高层语义之间的语义 鸿沟，有效地改进了检索性能。它是基于内容的图像