Page 352 - 《软件学报》2021年第5期

1576 Journal of Software 软件学报 Vol.32, No.5, May 2021

廓线越来越细致,随着采样点个数的持续增加,形状的细致的特征可以被描述子抽取到,但一般细粒度特征对噪
声比较敏感,从而使得 MAP 值在[89,90]区间有细微的波动.而且采样点个数 T 过大,也会增大计算的开销.因此,
平衡检索精度和计算效率,T 取 256 比较合适.
(2) 中欧木本植物(MEW)数据集
本组实验的参数设置和前组实验相同,用于算法性能比较的其他方法也与前组实验相同.表 2 列出了本文
提出的方法与其他参与比较的 6 种方法在 MEW 测试集上的检索结果的 MAP 值和平均检索时间.从该表可以
看出:本文提出的方法获得了 62.10%的最佳 MAP 值,比排名第二的方法 VGGNet-19 高 2.99%,并且比其他对比
方法高出超过 6%.该实验结果进一步验证了本文提出的方法在叶片图像检索中的有效性,以及相较于其他形状
图像检索方法的优越性.在检索速度方面,跟前组实验一致,而综合考虑检索精确度和检索效率,本文提出的方
法性能最优.
Table 2 Comparison of MAP scores of various methods on MEW dataset
表 2 各种方法在 MEW 叶片图像测试集上的 MAP 值的对比
Algorithm MAP score (%) Average retrieval time (s)
IDSC+DP [9] 45.36 74.63
MDM [16] 39.14 58.35
Height Function [29] 49.76 192.41
HSC [17] 54.98 0.23
VGGNet-19 [30] 59.11 0.19
RESNet-152 [31] 56.10 0.18
高斯卷积角描述子 62.10 10.88
(3) Kimia 形状数据集
本组实验旨在测试本文提出的方法的通用性和鲁棒性.实验中的参数设置和算法性能比较的其他方法与
前两组实验相同.表 3 列出了本文提出的方法与其他参与比较的 6 种方法在 Kimia 形状数据集上的检索结果的
MAP 值.从该表可以看出:本文提出的方法获得了 93.73%的 MAP 值,高于除 Height Function 之外的其他方法.
但由于 Height Function 采用基于动态规划的点到点的匹配,使得其计算复杂度要高于本文提出的方法.该组实
验结果表明,本文提出的方法能适用于一般的形状图像检索任务.
Table 3 Comparison of MAP scores of various methods on Kimia dataset
表 3 各种方法在 Kimia 图像数据集上的 MAP 值的对比
Algorithm MAP score (%)
IDSC+DP [9] 88.98
MDM [16] 91.93
Height Function [29] 97.79
HSC [17] 91.95
VGGNet-19 [30] 84.19
RESNet-152 [31] 93.43
高斯卷积角描述子 93.73

5 结 论

本文提出了一种新的叶片形状描述方法——高斯卷积角,以应用于解决具有挑战性的叶片图像检索任务.
该方法通过轮廓点的左右邻域向量与不同宽度的高斯函数的卷积,产生描述轮廓弯曲特性的多尺度角度特征,
再用多个尺度的高斯角,构成高斯角特征向量,最后组合所有轮廓采样点的高斯角特征向量,生成一个高斯角特
征向量集合,作为叶片形状描述子.通过比较两个叶片形状的高斯角特征向量集合的增强型 Hausdorff 距离,来
度量两个叶片形状之间的差异.本文所提出的高斯卷积角描述子具有以下优良特性:(1) 它满足对平移、旋转、
缩放和镜像变换的不变性,本文从理论上证明了这一优良特性;(2) 它是一种多尺度的描述子,由粗到细提取叶
片的形状特征,这使得它对叶片图像具有强大的辨别能力;(3) 该算法计算简单,易于实现.我们在两个公开的叶
片图像测试集——CVIP100 叶片图像库和 MEW 叶片图像库,都取得了比其他同类方法更高的检索精确率(在