楊磊，張帆，張廣文，張豫

(中國傳媒大學(xué)信息工程學(xué)院，北京 100024)

一種改進的圖像檢索算法

楊磊，張帆，張廣文，張豫

(中國傳媒大學(xué)信息工程學(xué)院，北京 100024)

本文介紹了基于顏色特征的檢索的全過程，首先對HSV顏色模型進行簡單介紹，接下來本文選用HSV顏色空間來驗證其他環(huán)節(jié)方法的選擇;其次對顏色空間進行量化，量化標(biāo)準(zhǔn)可分兩種:等間隔量化和非等間隔量化，再次是選取合適的特征提取方法，一般的顏色直方圖只能表達(dá)圖像的全局統(tǒng)計信息，無法表達(dá)顏色的空間位置，因此本文采用了局部累積直方圖的方法;之后在相似性度量方法上的選擇，本文將歐氏距離與加權(quán)距離進行了對比，進而得出更有效的檢索結(jié)果。最后本文通過實驗對比，選擇了最優(yōu)圖像檢索算法:HSV顏色空間-局部累加直方圖-歐氏距離-非等間隔量化。

HSV顏色空間;累加直方圖;歐式距離;等間隔量化;加權(quán)距離。

1 引言

在圖像的形狀、顏色、紋理等特征中，顏色特征是最顯著、最可靠、最穩(wěn)定的視覺特征，是人識別圖像的主要感知特征。顏色特征具有與生俱來的旋轉(zhuǎn)、平移、尺度變化不變性，甚至各種變形都不敏感，表現(xiàn)出相當(dāng)強的魯棒性，而且顏色特征也是人類認(rèn)知物體的一個主要特征。因此基于顏色特征的檢索方法被廣泛的用于基于內(nèi)容的圖像檢索中?；陬伾卣鞯膱D像檢索方法，最基本的思想是顏色空間直方圖的匹配，對檢索圖像提取其顏色直方圖，計算與存儲在圖像庫中的圖像的顏色直方圖的距離，距離在一定范圍內(nèi)的圖像即為被檢索出來的圖像。本文對基于顏色特征的圖像檢索技術(shù)的全過程進行了論述，包括每個過程的具體方法的選取，并對每個過程的算法進行相應(yīng)的改進，并且將每個步驟的不同方法進行了組合，來對圖像進行檢索，驗證各個步驟的不同方法對圖像檢索產(chǎn)生的影響，最后通過實驗選取了最優(yōu)的改進型圖像檢索算法。

2 HSV顏色模型

HSV顏色空間與人眼視覺上的顏色距離相差較小，H定義為顏色的波長，稱為色調(diào);S定義為顏色的深淺程度，稱為飽和度;V定義為摻入的白光亮，稱為亮度。色調(diào)、亮度、飽和度這三個量化特征稱為人眼識別一個顏色的三個基本屬性。其中色調(diào)和飽和度統(tǒng)稱為色度，它說明了彩色的波長成分的分布情況，同時又說明這種彩色的深淺濃淡。

在HSV模型中，參數(shù)H表示色彩信息，也就是所處的光譜顏色的位置，色調(diào)是由物體反射光線中占優(yōu)勢的波長來決定的，不同的波長產(chǎn)生不同的顏色感知，如紅、橙、黃、綠、青、藍(lán)、紫等色調(diào)是彩色的最重要的屬性，是決定顏色本質(zhì)的基本特性。顏色的飽和度S是指一個顏色的鮮明程度，它的范圍從0到1，表示所選顏色的純度和該顏色最大的純度之間的比率。亮度是光波作用于感受器所發(fā)生的效應(yīng)，其大小由物體反射系數(shù)決定，在HSV顏色模型中，V表示色彩的明亮程度，范圍也是從0到1。HSV顏色模型如圖1所示。

3 本文采取的顏色特征提取算法

在確定了所選取的顏色空間之后，需要對圖像進行特征提取，目前基于顏色特征的提取方式有很多，最常見的有以下幾種:顏色直方圖、累積顏色直方圖、顏色矩、顏色聚合向量和顏色相關(guān)圖。本文采取三種方法，并分別對一般顏色直方圖、累加直方圖和顏色矩三種特征提取方式進行了比較。以下分別詳細(xì)介紹這三種顏色特征提取方法。

圖1 HSV顏色模型

3.1 顏色直方圖

在CBIR系統(tǒng)中，最常用的、也是使用范圍最廣的一種顏色特征提取方式就是顏色直方圖。它的定義如下:一幅圖像中，不同的色彩的像素個數(shù)在整幅圖像中所占的比例。具體實現(xiàn)過程是:以一幅數(shù)字圖像為例，在確定顏色空間的基礎(chǔ)上，統(tǒng)計每一種顏色在該圖像中出現(xiàn)的像素點數(shù)，然后以顏色值作為橫坐標(biāo)，對應(yīng)顏色出現(xiàn)的像素點數(shù)作為縱坐標(biāo)，按此繪出的圖形就稱為該圖像的顏色直方圖。

顏色直方圖的優(yōu)點:相對于圖像的以觀察軸為軸心的旋轉(zhuǎn)以及幅度不大的平移和縮放等集合變換不敏感，所以適合于描述那些難以進行自動分割的圖像和不需要考慮物體空間位置信息的圖像。另外顏色直方圖對于圖像質(zhì)量的變化(如模糊)也不甚敏感。因此比較適用于檢索圖像的全局顏色相似性大的場合，即通過比較顏色直方圖的差以來衡量兩幅圖像在顏色全局分布上的差異。

顏色直方圖的缺點:如上所述，這種方法只能展示圖像顏色的全局分布，不能表達(dá)顏色在空間上的布局，每一幅圖像具有唯一的顏色直方圖，但是不同的圖像可能具有相同的顏色直方圖。

顏色直方圖的具體算法如下:

其中，K代表圖像的特征取值，L是可取特征值的個數(shù)，nk是圖像中具有特征值為K的像素個數(shù)，N是一幅圖像的像素總數(shù)。

3.2 累加直方圖

在對顏色特征提取的過程中，首先提取顏色直方圖，然后對直方圖進行量化，因為一般的顏色直方圖沒有辦法表征顏色的空間分布信息，對檢索可能造成誤差，再者，在對直方圖量化的過程中，量化間隔也會對檢索產(chǎn)生很重要的影響，也會出現(xiàn)某些特征值像素個數(shù)為0的情況。例如以H分量為例，對于兩個相近的顏色，量化后可能拉近它們之間的距離，也可能拉大它們之間的距離。另外，對于HSV顏色空間，人眼視覺對色調(diào)的敏感度較高，并且色調(diào)特征相似性分布并非均勻分布，紅色與黃色的間隔為60°，紅色與品紅的間隔也為60°，但人眼判斷后者比較接近，簡單的等間隔量化不能正確反映圖像之間的色調(diào)差別，在此基礎(chǔ)上產(chǎn)生了累加顏色直方圖，累加直方圖有兩種方法，即全局累加直方圖法和局部累加直方圖法。

全局累加直方圖:

其中，K代表圖像的特征取值，L是可取特征值的個數(shù)，nk是圖像中具有特征值為K的像素個數(shù)，N是一幅圖像的像素總數(shù)。

由公式(2)我們可以看出，在全局累加直方圖中，相鄰特征值顏色的頻數(shù)是相關(guān)聯(lián)的，跟一般直方圖相比，它的存儲量和計算量有所增加，但是這種方法彌補了一般直方圖常見的零值分布以及一般直方圖量化過細(xì)或者過粗使得檢索效果下降的缺陷。

局部累加直方圖是相對于HSV空間而言，將色度沿分步驟劃分為若干個局部區(qū)間的方法。局部累加直方圖就是把色度沿分步軸分成若干個局部區(qū)間而在各局部區(qū)間內(nèi)分別應(yīng)用累加直方圖的方法。色彩分別受到色度、飽和度和亮度綜合作用的影響，所以它的劃分要考慮三種因素的影響。如果固定S的值，根據(jù)數(shù)學(xué)特性，得到一個色調(diào)—飽和度的二維分布圖。然后對色調(diào)空間進行劃分，先以60°為間隔單位，將H軸劃分為6個互不重疊的局部區(qū)間，［60K，60(K+1)］，K=0，1，...，5，計算出每個局部區(qū)間的累加直方圖，但是在量化過程中會出現(xiàn)各局部區(qū)間分界處附近忽視顏色的相似連續(xù)性的情況，造成與量化間隔過大而產(chǎn)生的相同問題。因此我們可以再改變區(qū)間劃分進行一次計算，［30+60K，(30+60(K+1))mod360］，K=0，1，...，5，計算出這時每個局部區(qū)間的累加直方圖，最后將這兩次計算的累加直方圖逐項相加取平均，作為最終的特征直方圖用于檢索，這樣更能體現(xiàn)色度信號在分布軸上各抽樣點間的相關(guān)性，從而提高直方圖反映圖像顏色特征的準(zhǔn)確性。

3.3 顏色矩

顏色矩的方法最早是由Stricker和Orengo提出來的，它是一種非常簡單而有效的顏色特征提取法。這種方法認(rèn)為顏色信息集中在圖像顏色的低階矩中，只要對每種顏色分量的一階、二階和三階矩進行統(tǒng)計。跟顏色直方圖相比，該方法的優(yōu)點就是不需要對顏色進行量化處理。顏色的三個低階矩計算公式為:

其中Pij表示圖像的第i個通道的第j個像素出現(xiàn)的概率，N為總的像素數(shù)目。因此，在RGB顏色空間，圖像的顏色矩一共只需要9個分量就可以了(三個顏色通道，每個顏色通道上三個低階矩)，和其他顏色特征提取方式相比，這種方法較簡單計算量低，但是分辨效果不是特別理想。

4 顏色量化

圖像中包含的顏色很多，一個真實的顏色系統(tǒng)大約有224種顏色，但是如果在實際當(dāng)中我們使用這種顏色統(tǒng)計方法，顯然會直接影響到檢索的效率和速度，而且人眼只能識別出有限的顏色，在檢索系統(tǒng)當(dāng)中比較人眼不能區(qū)分的顏色是沒有意義的。因此在圖像處理前，首先要對顏色空間進行量化。顏色的量化分為兩種，等間距量化和非等間距量化。

(1)等間距量化

等間距量化就是對顏色空間進行均勻劃分，例如RGB空間，將三個顏色通道分別等分為l，m，n份，得到l×m×n種顏色。根據(jù)不同顏色空間的特性，各通道對人眼視覺的重要程度不同，可以對不同的顏色通道給予不同的量化級數(shù)。例如在HSV顏色空間中，由于色調(diào)比亮度和飽和度對人的視覺感知更重要一些，可以給H通道更多的量化級數(shù)。

對顏色空間采取等間距量化，量化后的顏色空間，信息可能會集中于少數(shù)顏色中，還可能導(dǎo)致相同的顏色中包含完全不同的信息，這一缺點毫無疑問影響了顏色檢索的準(zhǔn)確性，因此，等間距量化的方法一般用于顏色直方圖量化的初選。

(2)非等間距量化

非等間隔量化就是對顏色空間每一道通道的劃分不采用等分的方法，而是人為決定劃分的大小，這一方法首先需要對顏色空間模型進行大量的分析，在很大程度上取決于實際應(yīng)用中對圖像顏色感知特性的分析和理解程度。

對圖像進行適當(dāng)?shù)牧炕梢詼p少存儲空間和計算量，人眼的視覺特性決定了它無法分辨差別較小的顏色，所以可以對顏色進行一定的量化，將較大的顏色集合劃分為小集合，每個集合內(nèi)部的顏色都是相似的。因為HSV顏色空間對顏色的度量方式最為符合人眼對顏色的認(rèn)知和判斷，所以在這里我們就以HSV空間為例進行量化。

首先介紹等間隔量化，在等間隔量化中，本文采用的量化比例是12∶12∶12，即分別將三個顏色空間按照等量的距離劃分。

其次是非等間隔量化，本文采用的方法是把HSV顏色空間的色度分量H沿分布軸分為8個空間，把飽和度S分為3個空間，亮度分量V分為3個空間，即劃分比例為H∶S∶V=8∶3∶3。具體的劃分方法是:

按照式(3.11)(3.12)(3.13)對HSV空間進行量化后，得到72個顏色區(qū)間。這樣劃分出來的每個區(qū)間內(nèi)的顏色是相似的，所以我們可以對H、S、V三個特征向量取不同的權(quán)值組合成一維特征向量，在這三個矢量中，我們知道人眼對色調(diào)的敏感程度較大，其次是飽和度，最后才是亮度，同時根據(jù)H、S、V的量化級別和其頻帶寬度可以組合成如下所示的一維矢量L:

Qs和Qv分別是飽和度和亮度的量化級數(shù)，如果按照H∶S∶V=8∶3∶3的量化比例，則 L=9H+3S+V，這樣增大了色調(diào)的權(quán)值，可以減輕圖像亮度V和飽和度S對檢索結(jié)果的影響，使得檢索結(jié)果更滿足人眼的視覺效果。

5顏色特征的相似度計算

圖像的匹配，是依據(jù)一定的關(guān)聯(lián)規(guī)則將圖像的信息用數(shù)學(xué)特征來表示，然后將圖片庫中的備選圖像的特征向量與查詢圖像的特征向量進行對比，最后歸為計算兩幅圖像某種特性的距離問題。計算距離的函數(shù)有很多種，需要結(jié)合具體情況選用，但是距離函數(shù)都符合以下幾個條件:

其中，(x，y)分別是兩個特征向量，f(x，y)表示這兩個向量的距離。不同的距離度量方法適合于不同的特征提取模型。所以本文分別對適用于顏色特征的三種方法做了對比，分別是歐氏距離、加權(quán)距離和相交法。

(1)歐氏距離

xi1表示第一個點的第i維坐標(biāo)，xi2表示第二個點的第i維坐標(biāo)。n維歐式空間是一個點集，它的每個點可以表示為(x(1)，x(2)，...，x(n))，其中 x(i)(i=1，2，...，n)是實數(shù)，稱為 x 的第 i個坐標(biāo)，兩個點之間的距離d(x，y)定義為公式(5.1)。若樣本x，y位于同一類型區(qū)域里，歐氏距離是比較小的;若是位于不同的類型區(qū)域里，歐氏距離則比較大。最后計算出結(jié)果，然后設(shè)置一個閾值，從而來判定兩幅圖像是否匹配。

(2)加權(quán)歐氏距離

在上述公式基礎(chǔ)上衍生出加權(quán)歐氏距離:

加權(quán)歐氏距離的應(yīng)用十分廣泛，不僅適用于顏色直方圖，還適用于紋理、形狀以及綜合特征向量。

(3)直方圖相交法

該距離公式只能用于直方圖的匹配，它指的是兩個直方圖在每個bin中共有的像素個數(shù)。

6 改進算法思想

本文首先將基于顏色特征的圖像檢索技術(shù)的全過程進行拆分，并對每個過程的具體算法進行比較，然后對各個進行相應(yīng)的改進，再將每個步驟的不同方法進行組合對目標(biāo)圖像進行檢索，驗證各個步驟的不同方法對圖像檢索產(chǎn)生的影響，最后通過實驗對比，選取了最優(yōu)的改進型圖像檢索算法:HSV顏色空間-局部累加直方圖-歐氏距離-非等間隔量化。

基于顏色特征的圖像檢索技術(shù)的全過程，如圖2所示。

算法流程:

(1)確定顏色空間，根據(jù)人眼視覺上的顏色距離誤差，選擇HSV空間。

(2)非等間隔量化，把HSV顏色空間的色度分量H沿分布軸分為8個空間，把飽和度S分為3個空間，亮度分量V分為3個空間，即劃分比例為H∶S∶V=8∶3∶3。參見公式(6)，(7)，(8)。

圖2 顏色特征提取算法流程圖

(3)選用局部累加直方圖，根據(jù)公式

［30+60K，(30+60(K+1))mod360］，K=0，1，...，5

計算出這時每個局部區(qū)間的累加直方圖，最后將這兩次計算的累加直方圖逐項相加取平均，作為最終的特征直方圖用于檢索。

(4)相似度計算，選用歐式距離，根據(jù)公式5.1計算圖片庫中的備選圖像與查詢圖像相同特性的距離。

(5)根據(jù)此距離判斷圖像的相似度進行排序，得到最終的匹配結(jié)果。

7 實驗結(jié)果及分析

本文對整個算法流程各個環(huán)節(jié)的不同方法進行比較，并且將視覺特征的相似性轉(zhuǎn)化為可以進行具體比較的數(shù)據(jù)，選用兩個常用的性能指標(biāo):查全率和查準(zhǔn)率。

為了全面驗證系統(tǒng)的準(zhǔn)確性和可行性，我們需要設(shè)置幾組不同類型的圖片庫，本文采用的圖片庫中包含了4種類型的圖片，分別是:花朵、天安門、樹葉和風(fēng)景。

(1)RGB和HSV兩個不同的顏色空間的比較

方法一:RGB顏色空間，一般直方圖，歐氏距離，等間隔量化

方法二:HSV顏色空間，一般直方圖，歐式距離，等間隔量化

表1

表2 兩種顏色空間查全率和查準(zhǔn)率的比較

對比結(jié)果:HSV顏色空間更適合人眼視覺效果，檢索結(jié)果比RGB顏色空間效果好。

(2)兩種距離測算相似度的比較:歐氏距離、加權(quán)歐氏距離。

方法一:HSV顏色空間，一般直方圖，歐氏距離，等間隔量化

方法二:HSV顏色空間，一般直方圖，加權(quán)歐氏距離，等間隔量化

表3

表4

本次實驗結(jié)果表明歐氏距離優(yōu)于加權(quán)歐氏距離。

(3)兩種顏色特征提取方式的比較:顏色直方圖、累加直方圖。

用一般顏色直方圖檢索的方式得出的結(jié)果，如圖3所示。

用累加直方圖的方式的出的檢索結(jié)果，如圖4所示。

圖3 HSV顏色空間-一般直方圖-歐氏距離-等間隔量化

圖4 HSV顏色空間-局部累加直方圖-歐氏距離-非等間隔量化

結(jié)果顯示:局部累積顏色直方圖的檢索效果明顯優(yōu)于一般顏色直方圖。

因此通過上述實驗結(jié)果及分析，本文選取了基于顏色特征的圖像檢索算法的最優(yōu)組合:HSV顏色空間-局部累加直方圖-歐氏距離-非等間隔量化。

8 結(jié)束語

圖像檢索的方法已有上千種，每年還有許多新方法出現(xiàn)，但尚無通用的檢索理論，目前提出的圖像檢索算法大都是針對具體問題的。本文所提出的基于HSV顏色空間-局部累加直方圖-歐氏距離-等間隔量化的檢索算法，是將圖像檢索全過程進行最優(yōu)化組合后的新方法。此算法首先融入了顏色直方圖的優(yōu)點，相對于圖像的以觀察軸為軸心的旋轉(zhuǎn)以及幅度不大的平移和縮放等集合變換不敏感，所以適合于描述那些難以進行自動分割的圖像和不需要考慮物體空間位置信息的圖像;其次，本文采用非等間隔量化，可以減輕圖像亮度V和飽和度S對檢索結(jié)果的影響，使得檢索結(jié)果更滿足人眼的視覺效果;最后，采用常用的歐氏距離進行顏色特征的相似度計算。經(jīng)過大量的實驗證明，本文采用的新型組合的算法在圖像檢索方面效果較好。但是在處理一些復(fù)雜度較高的圖片時，其檢索和匹配效果還有待提高，這也是未來算法改進的重點。

［1］Wang Q，F(xiàn)eng D，Chi Z.B-spline Over-complete WaveletBased FractalSignature Analysis for Texture Image Retrieval［J］.2004 International Symposium on Intelligent Multimedia，Video and SpeechProcessing(ISIMP2004)，HongKong，China，2004:230-242.

［2］M Stricker，M Orengo.Similarity of color images［J］.SPIE Storage and Retrieval for Image and Video Databases III，1995:381-392.

［3］丁宏波.基于顏色和紋理的圖像檢索系統(tǒng)的研究與實現(xiàn)［C］.2008.

［4］J R Bach，C Fuller，A Gupta.Virage Image Search Engine-An Open Frame Work for Image Management［J］.In SPIE Conference on Storage and Retrieval［5］for Image and Video DataBase，San Jose.CA，1996:76-87.

［5］李有鋒.基于顏色和紋理特征的圖像檢索相關(guān)算法研究［J］.電子科技大學(xué)，2009.

［6］趙麟.基于顏色不變性的圖像檢索算法研究［J］.北京交通大學(xué).計算機科學(xué)與技術(shù).2009.

［7］付麗.基于紋理特征的圖像檢索技術(shù)研究［J］.長春理工大學(xué)，2008.

［8］王炳忠.組合顏色和紋理特征的圖像檢索方法研究與實現(xiàn)［J］.計算機技術(shù)，2009.

［9］H Tamura，S Mori，T Yamawaki.Textual features corresponding to visual perception Systems［J］，Man and Cybernetics，1978，8(6):460-473.

［10］Malki J，Boujemaa N，Nastar C，Winter A.Region queries without segmentation for image retrieval by content［A］.Proc.Of Visual Information and Information Systems［C］.London，UK:Springer-Verlag，1999:115-122.

［11］Fauqueur J，Boujemaa N.Image retrieval by regions:coarse segmentation and finecolor description［A］. Proc of International Conference on Visual Information System.

An Improved Image Retrieval Algorithm

YANG Lei，ZHANG Fan，ZHANG Guang-wen，ZHANG Yu
(Information Engineering School，Communication University of China，Beijing 100024，China)

This paper introduces the whole process of retrieval based on color characteristics.First of all，this article presents the HSV color model in brief，then HSV color model is selected to verify other links to the choice of methods.Next，the color space is quantized and the quantization standard can be divided into two kinds:equidistant quantification and non-equidistant quantification.Then it is choosing proper feature extraction method.General color histogram can only express the global statistical information of the image without the color space，so this article adopts the method of local cumulative histogram，and in the choice of similarity measure，this paper compares Euclidean distance and the weighted distance，and then concludes the more effective retrieval results.Finally，through the contrast，this paper chooses the optimal image retrieval algorithm:HSV color model-Local accumulate histogram-Euclidean distance-Equidistant quantification.

HSV color model;local accumulate histogram;euclidean distance;equidistant quantification;weighted distance.

TN391.41

A

1673-4793(2011)04-0059-08

2011-07-04

中國傳媒大學(xué)211重點學(xué)科建設(shè)項目，項目號(21103050102)

楊磊(1960-)，男(漢族)，北京人，中國傳媒大學(xué)信息工程學(xué)院教授.E-mail:yanglei@cuc.edu.cn

(責(zé)任編輯

:龍學(xué)鋒)