[论文解读] Local Radon Descriptors for Image Search

Morteza Babaie, Hamid R. Tizhoosh+2 more|arXiv (Cornell University)|Oct 11, 2017

Advanced Image and Video Retrieval Techniques参考文献 19被引用 5

一句话总结

本文提出局部Radon描述子（LRD），一种紧凑的图像描述子，通过计算密集的局部Radon投影并分析成对投影（0°与90°）之间的导数比值与和，从而提升图像检索性能。LRD在性能上显著优于全局Radon方法，且检索准确率与LBP和HOG相当，同时描述子长度仅为全局Radon的1/4，甚至比LBP短达28倍。

ABSTRACT

Radon transform and its inverse operation are important techniques in medical imaging tasks. Recently, there has been renewed interest in Radon transform for applications such as content-based medical image retrieval. However, all studies so far have used Radon transform as a global or quasi-global image descriptor by extracting projections of the whole image or large sub-images. This paper attempts to show that the dense sampling to generate the histogram of local Radon projections has a much higher discrimination capability than the global one. In this paper, we introduce Local Radon Descriptor (LRD) and apply it to the IRMA dataset, which contains 14,410 x-ray images as well as to the INRIA Holidays dataset with 1,990 images. Our results show significant improvement in retrieval performance by using LRD versus its global version. We also demonstrate that LRD can deliver results comparable to well-established descriptors like LBP and HOG.

研究动机与目标

• 为解决全局Radon变换在捕捉图像检索中判别性局部特征方面的局限性。
• 通过从全局采样转向局部密集采样Radon投影，改进基于投影的图像描述子。
• 开发一种紧凑但强大的描述子，利用Radon投影中的局部梯度变化。
• 在医学（IRMA）和通用（INRIA Holidays）图像数据集上验证LRD。
• 证明LRD在性能上可与SOTA描述子（如LBP和HOG）相媲美。

提出的方法

• 该方法使用标准Radon变换公式（包含Dirac delta函数）为每个局部图像块计算n个等距的Radon投影。
• 对于每个局部块，该方法计算0°与90°投影之间导数的比值与和，以捕捉局部梯度变化。
• 通过将导数比值与和的值进行分箱，构建直方图，分箱参数根据数据集进行调优。
• 将图像划分为子图像网格（如IRMA为5×5，Holidays为3×3），并在每个子图像上计算LRD。
• 最终描述子为所有子图像直方图的拼接，参数（块数与分箱数）通过穷举搜索进行优化。
• 该方法采用正交配对的投影（0°与90°）以增强判别能力，避免使用效果较差的配对方式（如正交配对）。

实验结果

研究问题

• RQ1 与全局Radon投影相比，局部Radon投影是否能显著提升图像检索性能？
• RQ2 局部Radon描述子（LRD）在性能与紧凑性方面与LBP和HOG等成熟描述子相比如何？
• RQ3 在医学与通用图像数据集上，LRD的最优子图像数量与直方图分箱数是多少？
• RQ4 在成对投影（0°与90°）之间使用导数比值与和，是否能增强局部特征的判别能力？
• RQ5 LRD能否在显著缩短描述子长度的前提下，实现与全局Radon及其他局部描述子相当的检索准确率？

主要发现

• LRD将IRMA数据集的误差从472.31（全局Radon）降低至287.77，准确率提升10.5%。
• 在IRMA数据集上，LRD达到83.39%的准确率，略低于LBP（85.87%），但显著优于全局Radon（72.74%）。
• 在INRIA Holidays数据集上，LRD实现40.02%的检索准确率，与HOG完全一致，且显著优于全局Radon（6.00%）。
• LRD在IRMA上使用300的描述子长度，在Holidays上为198，分别为全局Radon（1200）的1/4，甚至比LBP（8496）短达28倍。
• LRD在IRMA上的计算时间仅为每张图像0.02秒，远快于LBP（0.50秒）与HOG（0.23秒），归因于其紧凑的尺寸。
• 0°与90°投影的正交配对性能最佳，而其他配对方式（如正交配对）则效果不佳。