感兴趣区域的确定及相似度计算方法
基于空间位置的兴趣点相似度计算
基于空间位置的不同源兴趣点（POI）相似度计算兴趣点用以标示出该地所代表的政府部门、各行各业之商业机构、旅游景点、古迹名胜、交通设施等处所（来自百度百科）。
兴趣点是导航、LBS（基于位置的服务）的数据基础，兴趣点的数量和准确性在对这些服务的价值产生直接的影响。
因此兴趣点需要快速更新以确保数据的实效性。
在更新兴趣点时，需要对兴趣点进行比对、查找重复点、去除重复点等操作后，才能进行数据融合，生成准确的兴趣点。
由于获取兴趣点的手段、设备多样，在更新时面临不同数据来源的问题。
不同源兴趣点相似度定义不同源数据中重复兴趣点的判断不能完全依赖于空间位置，而应重点考虑两个方面：兴趣点名称和空间位置（当兴趣点名称为空时，）。
由于不同源数据的相同兴趣点在定义名称时，会存在差异，如“胶州公寓”和“胶州教师公寓”可能是同一个兴趣点。
这种情况就需要根据兴趣点名称的相似度进行判断，得到不同兴趣点之间的名称相似度。
同时兴趣点由于采集位置的差异以及数据精度，相同兴趣点的位置也不同。
那么在判断重复兴趣点时，需要综合考虑名称文本相似度和距离两个方面。
结合我们在已有项目中的经验以及综上所述，我们把基于空间位置的不同源兴趣点相似度定义如下：兴趣点相似度= 名称相似度*名称权重+距离*距离权重其中距离需要进行归一化处理，如以200米为阈值，[0-200]归一化到[1,0]，大于200的为0。
其中名称权重和距离权重则根据经验给定，如我们在项目中把名称权重按0.7计，距离权重按0.3计。
名称相似度计算方法对兴趣点名称相似度的计算即文本相似度的计算。
文本相似度计算的算法很多，且Python中有一些现成的方法可以使用。
再加上FME对Python的调用非常方便，可以直接使用FME中的PythonCaller调用方法完成相似度计算。
这里介绍两种相似度计算的方法：1、前几天FME中国技术交流群（群号：43814136）中群友提到FME Store中有现成的FuzzyStringComparer转换器：这个转换器有三个参数，分别设置字符串1、字符串2、相似度存放属性，通过比较字符串1和字符串2，得到两个字符串间的相似度值。
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！。
感兴趣区域的边界点
感兴趣区域的边界点【原创版】目录1.感兴趣区域的边界点概述2.感兴趣区域的边界点的应用3.如何确定感兴趣区域的边界点4.结论正文一、感兴趣区域的边界点概述在许多应用场景中，我们可能需要对某个特定的区域进行分析、处理或者研究，这个区域可以是一个地理区域、一个图像区域或者其他类型的区域。
在处理这些区域时，我们需要首先确定这个区域的边界点，即该区域的最外延边界上的点。
这些边界点将这个区域与其他区域分隔开来，是描述和定义该区域的关键要素。
二、感兴趣区域的边界点的应用1.在地理信息系统（GIS）中，确定感兴趣区域的边界点有助于进行地理数据的分析和处理，例如在地图上绘制区域的范围、计算区域的面积等。
2.在计算机视觉领域，感兴趣区域的边界点可用于图像分割，即将图像中具有相似特征的像素归为一类。
这对于目标检测、图像识别等任务具有重要意义。
3.在数据挖掘领域，确定感兴趣区域的边界点有助于挖掘数据集中有价值的信息。
例如，在研究某个产品的销售情况时，我们可以将销售区域作为感兴趣区域，通过分析边界点来确定哪些地区的销售情况较好，从而制定针对性的营销策略。
三、如何确定感兴趣区域的边界点确定感兴趣区域的边界点通常需要以下步骤：1.收集数据：首先需要收集描述感兴趣区域的数据，这些数据可以是地理坐标、图像像素值等。
2.确定边界点的类型：根据应用场景和需求，确定需要寻找的边界点类型。
例如，在地理信息系统中，我们可能需要找到区域的最北、最南、最东、最西四个边界点；在计算机视觉领域，我们可能需要找到图像中物体边缘的边界点。
3.分析数据：根据所确定的边界点类型，对数据进行分析。
例如，在地理信息系统中，可以通过计算区域内各点的经纬度来找到最北、最南、最东、最西四个边界点；在计算机视觉领域，可以通过图像处理算法（如Canny 边缘检测）来找到物体边缘的边界点。
4.输出结果：将分析得到的边界点输出，以便在后续的应用中使用。
四、结论确定感兴趣区域的边界点是许多应用场景中的关键步骤，对于正确处理和分析感兴趣区域具有重要意义。
感兴趣区域提取方法的研究
1 引言
图像分割是把图像中互不相交、具有特殊涵义的区域区 分出来。每个区域内像素的属性满足一定的一致性，如灰度 值相近或纹理特征相似。图像分割是图像分析的关键步骤， 是一种低层次的计算机视觉技术。计算机视觉中的图像理解 包括目标检测、特征提取和模式识别等，都依赖于图像分割 的质量。尽管已经有了许多分割方法，但是到目前为止还不 存在一种通用的方法，同时也没有一个判断分割质量的标准， 因为它与人的主观认识有密切联系，被认为是计算机视觉处 理中的一个瓶颈技术。目前图像分割主要有以下三类方法： 一是阈值分割，它借助于图像的整体信息，如直方图来决定 阈值的选取；二是基于边界的分割，它主要借助于各种边界 算子对图像处理得到边界，然后再得到用户感兴趣的区域， 其主要问题是如何从得到的分散的边界组成闭合的边界，从而 得到待分割的区域；三是区域生长，寻找与用户输入种子点相 似属性的像素来得到一块区域，最简单的形式是从一个像素出 发，检查其邻域，判断是否与种子点具有相似的属性，若相似， 则加入当前区域，否则不添加，直至区域不再增长为止。
·14·
计算机与信息技术
开发与应用
感兴趣区域提取方法的研究
薛联凤 刘云飞
（南京林业大学信息学院，江苏 南京 210037）
摘 要 感兴趣区域信息的提取和分析，对图像特征分析有着重要的作用，本论文借助于完全离散小波分解得到的大
量子图像数据作为均值移动算法的收敛数据，并对其收敛点。然后在基于相位一致性的边缘检测，依据收敛点的信息结合边 缘信息进行区域生长的方法，而达到图像区域提取和识别，将人们感兴趣的区域孤立出来，对所需区域进行形状描述、收集 信息和求取图像特征参数。实验表明，此方法有着较好的分割效果。
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。
基于兴趣点局部综合颜色和纹理图像检索方法
基于兴趣点局部综合颜色和纹理图像检索方法陈晓宁;杨润丰;赵健【摘要】This paper presents a method for image retrieval based on the local area of interest points and inte- grated color and texture feature of an image. By this method representative features of the local area of an image are extracted. The study puts emphasis on the selection oft the interest points and the interest regions and the subsequent extraction of the color and texture of the interest regions. Experiments show that this method improves the efficiency and accuracy of image retrieval.%提出了一种基于兴趣点局部区域综合颜色和纹理的图像检索方法。
此方法主要用于对图像中有代表意义的局部区域图像特征进行提取。
文中研究了对兴趣点的选取以及感兴趣区域的确定，再对感兴趣区域内的图像进行颜色和纹理特征提取。
实验证明，此方法提高了图像的检索效率及准确率。
【期刊名称】《电子科技》【年(卷),期】2012(025)009【总页数】3页(P52-54)【关键词】兴趣点;局部区域;图像检索【作者】陈晓宁;杨润丰;赵健【作者单位】东莞职业技术学院电子工程系,广东东莞523808;东莞职业技术学院电子工程系,广东东莞523808;西北大学信息科与技术学院,陕西西安710069【正文语种】中文【中图分类】TP391.41传统的基于文本的图像检索技术需要人工去标注，耗时多且图像本身存在非结构化和主观多义性的视觉特点，具有一定的局限性。
- 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)。
。 （ ２）
第 ２２ 卷 第 ４ 期 ２００８ 年 ７ 月
湖南工业大学学报 Ｊｏｕｒｎａｌ ｏｆ Ｈｕｎａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ
Ｖｏｌ．２２ Ｎｏ．４ Ｊｕｌｙ ２００８
感兴趣区域的确定及相似度计算方法
李苏梅 １，２，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 ）
收稿日期：２００８－０６－１８ 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； 作者简介： 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
，
，
；
，
以上各式中，ｎＲ 表示属于区域 Ｒ 像素点的数目， Ｉ ｉ （ｌ ａ ｂ Ｌ ）、Ｉ ｉ （ｌ ａ ｂ Ａ ）、Ｉ ｉ （ｌ ａ ｂ Ｂ ）、Ｉ ｉ （ｃ ｏ ｎ ）、Ｉ ｉ （ａ ｎ ｉ ）、 Ｉｉ（Ｘ）、Ｉｉ（Ｙ）分别表示第 ｉ 个像素点的 Ｌ＊、ａ＊、ｂ＊、对 比度（ｃｏｎ）、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
Ａｂｓｔｒａｃｔ ：Ｔｈｅ ｋｅｙ ｔｅｃｈｎｉｑｕｅｓ ｏｎ ＲＯＩ ｃｏｎｆｉｒｍｅｄ ａｎｄ ｓｉｍｉｌａｒｉｔｙ ｃｏｍｐｕｔａｔｉｏｎ ｉｎ ＲＯＩＢＩＲ ｓｙｓｔｅｍ ａｒｅ ｓｔｕｄｉｅｄ． Ｆｉｒｓｔｌｙ， ｔｗｏ ａｐｐｒｏａｃｈｅｓ ｏｆ ｃｏｎｆｉｒｍｉｎｇ ＲＯＩ ａｒｅ ｉｎｔｒｏｄｕｃｅｄ ｂｙ ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｖｉｓｉｂｉｌｉｔｙ ｏｆ ｉｍａｇｅ ｒｅｇｉｏｎｓ， ｔｈｅ ｐｏｓｓｉｂｉｌｉｔｙ ｏｆ ｄｅｓｉｇｎａｔｉｎｇ ｒｅｇｉｏｎ ａｎｄ ｉｔｓ ｗｅｉｇｈｔ ｆｏｒ ｕｓｅｒｓ ｍａｋｉｎｇ ｔｈｅ ｉｍａｇｅ ｒｅｔｒｉｅｖａｌ ｓｙｓｔｅｍ ｉｎｃｌｕｄｅ ｈｕｍａｎ ｐｅｒｃｅｐｔｉｏｎ ａｎｄ ａｃｃｏｒｄ ｗｉｔｈ ｈｕｍａｎ ｖｉｓｉｏｎ ｈａｂｉｔｓ． Ｔｈｅｎ， ａ ｒｅｇｉｏｎ－ｂａｓｅｄ ｓｉｍｉｌａｒｉｔｙ ｍｅａｓｕｒｅｍｅｎｔ ａｐｐｒｏａｃｈ ｉｓ ｉｎｔｒｏｄｕｃｅｄ． Ｗｉｔｈ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｐｐｒｏａｃｈ， ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｏｆ ｔｗｏ ｒｅｇｉｏｎｓ 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 ａｎｄ ｔａｒｇｅｔ ｉｍａｇｅ． Ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄｓ ａｒｅ ａｖａｉｌａｂｌｅ．
式（３）中， ｑｉ 表示感兴趣区域中的第 ｉ 个区域； Ｎ 表示感兴趣区域像素点数目； Ｎｑｉ 表示第 ｉ 个区域的像素点数目； ｐｑｉ 表示区域 ｑｉ 大小在感兴趣区域的比重； ｗｑｉ 表示 ｑｉ 区域的权重； 的取值一般为 ０．１～０．２。表 １ 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 １ 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 相似度，各区域最大相似度的平均值作为感兴趣区域与目标图像的相似度。并用实验证明了提出方法的有效性。
表 １ 感兴趣区域权重确定示例 Ｔａｂ． １ Ｔｈｅ ｅｘａｍｐｌｅ ｏｆ ｄｅｃｉｄｉｎｇ ＲＯＩ ｂｙ Ｗｅｉｇｈ
ｑｉ
Ｎｑｉ
ｐｑｉ
ｗｑｉ
１
１ ８２９
０．４４２ ９
１
２
１ ０７９
０．２６１ ３
１
３
６６７
０．１６１ ５
０
４
５５５
０．１３４ ４
０
注：表中为β＝ ０ ． １ ８ 条件下所得数据。
表 ２ 感兴趣区域特征抽取示例 Ｔａｂ． ２ Ｔｈｅ ｅｘａｍｐｌｅ ｏｆ ＲＯＩ ｆｅａｔｕｒｅｓ ｅｘｔｒａｃｔｉｏｎ
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：
式（１）中，
， （ １）
、 、 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；
表示区域对比度的平均值； 表示区域各向异性的平均值； 、 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：
检索技术的一个重要研究方向［１－３］。现有的基于感兴趣 区域的检索方法大至可分为基于交互的方法［４］、基于 变换的方法［５］及基于视觉注意的方法［６］３ 类。
ＲＯＩＢＩＲ 技术主要分为如下几步：１）感兴趣区域的 检测与提取；２ ）感兴趣区域的特征描述；３ ）图像间 相似度计算。但现有的感兴趣区域的提取方法只利用 了图像的灰度信息，不能很好地提取在视觉上引起人 们兴趣的区域。本文在充分考虑用户可选择性以及分 割区域用户可见性的基础上，提出两种感兴趣区域的
关键词：感兴趣的区域；相似度计算；图像检索 中图分类号：ＴＰ３９１．４１ 文献标识码：Ａ 文章编号：１６７３－９８３３（２００８）０４－００４８－０５
Ｍｅｔｈｏｄｓ ｏｎ ＲＯＩ Ｃｏｎｆｉｒｍｅｄ ａｎｄ Ｓｉｍｉｌａｒｉｔｙ Ｃｏｍｐｕｔａｔｉｏｎ
媒体软件技术与图像重建技术．
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 Ｋ－均值聚类算法的彩色图像区域分割方 法［７，８］。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 量空间。然后在此特征空间中，运用自适应 Ｋ－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。
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 Ｉｉ 和 Ｉｊ 分别表示两幅图像，ｒｉｋ 表 示图像 Ｉｉ 的一区域，ｒｊｌ 表示图像 Ｉｊ 的一区域，如图 ３ 所 示的图像 Ｉ１ 和 Ｉ２。
这种感兴趣区域的提取方法是指用户在例子图像 中指定感兴趣的区域，被选择的区域再通过图像的分 割方法进行区域分割，其过程如图 １ 所示。
；
。
ａ） 例子图像 ｂ） 选定的感兴趣区域 ｃ）感兴趣区域分割
图 １ 指定区域确定感兴趣区域方法示例 Ｆｉｇ． １ ＲＯＩ ａｐｐｒｏａｃｈ ｆｏｒ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｄｅｓｉｇｎａｔｉｎｇ ｒｅｇｉｏｎ ｅｘａｍｐｌｅ
式（２）中，ＮＲ 表示图像区域 Ｒ 的像素点个数，ｎｕｍｃ 表 示在区域 Ｒ 内且属于第 ｃ 类颜色的像素点个数，ｐｉｘｅｌｉ 表示区域 Ｒ 内第 ｉ 个像素点，ｃｏｌｏｒｃ（文献［７］所指的 １１
类颜色，ｃ＝１， 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［７］来描述被分割区
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。
图 ２ 权重确定感兴趣区域方法示例 Ｆｉｇ． ２ Ｔｈｅ ｅｘａｍｐｌｅ ｏｆ ｗｅｉｇｈｔ ｃｏｎｆｉｒｍｉｎｇ ＲＯＩ ａｐｐｒｏａｃｈ
这种方法的区域权重值 ｗｑｉ（图像 ｑ 的第 ｉ 个区域） 由用户设定，ｗｑｉ∈［０，１］，ｗｑｉ＞０ 的区域就被认为是感兴
趣的区域，不设定权重的区域或 ｗｑｉ＝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 １、３、５、６ 的权重为 ０，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 １．１￣１．３ 中介绍的方法进行。
Ｌｉ Ｓｕｍｅｉ１，２，Ｈａｎ Ｇｕｏｑｉａｎｇ２ （１． Ｅｄｕｃａｔｉｏｎａｌ Ｔｅｃｈｎｏｌｏｇｙ Ｃｅｎｔｅｒ， Ｇｕａｎｇｄｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｆｏｒｅｉｇｎ Ｓｔｕｄｉｅｓ， Ｇｕａｎｇｚｈｏｕ ５１０４２０， Ｃｈｉｎａ； ２． Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｓｏｕｔｈ Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， Ｇｕａｎｇｚｈｏｕ ５１０６４１， Ｃｈｉｎａ）