[论文解读] A Variation of the Box-Counting Algorithm Applied to Colour Images

N. S. Nikolaidis, Ioannis Nikolaidis+1 more|arXiv (Cornell University)|Jul 12, 2011

Image Retrieval and Classification Techniques参考文献 10被引用 14

一句话总结

本文提出了一种盒合并方法，作为盒计数算法的快速且可扩展的变体，用于通过将彩色图像视为5维数据集（x, y, R, G, B）来估计分形维数。该方法通过合并相同的空域-色彩分区来减少计算时间，实现O(M)时间复杂度，并在测试图像和真实绘画中准确测量了2至5之间的分形维数，其结果在合成图像和艺术图像上均得到验证。

ABSTRACT

The box counting method for fractal dimension estimation had not been applied to large or colour images thus far due to the processing time required. In this letter we present a fast, easy to implement and very easily expandable to any number of dimensions variation, the box merging method. It is applied here in RGB images which are considered as sets in 5-D space.

研究动机与目标

• 为解决在大图像或彩色图像上应用盒计数法时计算成本过高的问题。
• 开发一种快速、可扩展且易于扩展的多维数据（包括彩色图像）分形维数估计方法。
• 在具有已知分形维数的合成图像和真实绘画上验证该方法，以证明其准确性和适用性。
• 通过在完整彩色图像上实现精确且高效的计算，消除对近似方法（如微分盒计数）的依赖。

提出的方法

• 该方法将每个像素视为5维空间（x, y, R, G, B）中的点，将图像映射为5维数据集。
• 构建唯一（x, y, R, G, B）组合的分区表，通过合并相同条目来减少冗余处理。
• 对于每个盒尺寸s = 2^ν，算法通过一次扫描分区表来统计非空盒数n，实现O(M)时间复杂度。
• 分形维数D通过log n与log s图的斜率计算得出，采用启发式截断点0.9 log₂(LxLy)以排除高分辨率噪声。
• 通过使用预先排序并去重的分区表，避免了对整个图像进行重复扫描。
• 通过向分区表中添加新的色彩或特征通道，可轻松扩展至任意维度。

实验结果

研究问题

• RQ1 经过修改的盒计数算法能否在不使用近似方法的情况下，高效估计全彩图像的分形维数？
• RQ2 盒合并方法与现有技术（如微分盒计数）相比，在速度和准确性方面表现如何？
• RQ3 当彩色图像被视为5维集合时，可测量的分形维数范围是什么？
• RQ4 该方法能否准确恢复具有明确几何结构的合成图像中的已知分形维数？
• RQ5 该算法能否为现实世界中的艺术图像产生有意义的分形维数值？

主要发现

• 盒合并算法实现O(M)时间复杂度，在双核32位系统上每百万像素处理时间仅为5秒，显著快于标准盒计数法。
• 该方法准确测量了D = 1（5维空间中的线）、D = 2（5维空间中的平面）和D = 5（完全随机的色彩噪声）的分形维数，验证了其正确性。
• 对于真实绘画，该方法测得列奥纳多·达·芬奇作品的D = 2.45，康定斯基作品的D = 3.25，莫奈作品的D = 3.66，波洛克作品的D = 4.18，反映了复杂度的逐步增加。
• 在0.9 log₂(LxLy)处设置的启发式截断点能有效去除高分辨率噪声，而不扭曲log n-log s图的斜率。
• 内存使用量为每像素7字节（空间坐标2字节，每个色彩通道1字节），适用于大尺寸图像。
• 通过向分区表中添加新组件，该方法可轻松扩展至任意维度。