《表2 不同算法的检索准确率测试结果(返回图像数量为70)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于特征距离与极谐变换的图像检索算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

通过这些操作后，可形成70幅变换图像。从物联网上下载100幅“骡子图像”、100幅“大象图像”，并联合100幅变换图像，从而构建了一个包含270幅图像的复杂测试数据库。利用所提算法、文献[5]和文献[7]的检索过程，从这个复杂测试数据库中检索目标，通过统计每种算法的检索结果，基于式（18）～式（20），得到的Recall-Precise曲线见图7，以及返回图像数量为70的准确率统计结果，见表2。根据图7发现，当Recall=0.6时，所提算法的查准率仍达到了93.87%。文献[5]和文献[7]的查准率均低于90%，分别为89.19%，80.39%。另外，从表2中的统计数据发现，对于复杂数据库，所提算法呈现出更理想的鲁棒性，仍具有更高的检索准确率，达到95.71%。原因是所提算法综合了查询图像的颜色、纹理和形状特征来测量相似度，其采用的NSST能够最大程度地描述图像纹理信息，且采用了QPHT来提取图像的形状特征，使其对各类几何操作具有优异的鲁棒性，在这种复杂的数据库中进行检索时，可呈现出较高的稳健性。文献[5]则是联合颜色与纹理特征来实施检索，没有考虑目标的形状特征，且其采用的旋转局部二值模式对噪声、JPEG压缩等变换的鲁棒性较弱，在复杂数据库中检索时，因对图像特征描述能力不足，易出现较多的误检索结果。文献[7]虽然也综合了查询图像的颜色、纹理和形状特征来检索目标，但其依赖边缘检测方法来描述形状特征，这种边缘算子对内容操作缺乏足够的稳健性，限制了其检索精确度。