許唯瑋

（張家口市電化教育館，河北 張家口075000）

0 引 言

隨著Internet與數(shù)字視頻設(shè)備的高速發(fā)展，數(shù)字圖像信息海量增加，如何幫助用戶迅速有效地找到最需要的數(shù)字圖像，已成為當(dāng)前一個(gè)研究熱點(diǎn).基于內(nèi)容的圖像檢索（Content Based Image Retrieval，CBIR）是指除了利用傳統(tǒng)的數(shù)據(jù)庫進(jìn)行存貯管理外，還利用圖像的顏色、紋理、形狀等特征進(jìn)行檢索.與這些常見的特征檢索相比，尺度不變的特征具有旋轉(zhuǎn)、縮放和仿射的不變性，因而在圖像匹配、圖像檢索領(lǐng)域得到越來越廣泛的應(yīng)用.在尺度不變的特征點(diǎn)提取算法中，較為經(jīng)典的便是SIFT算法，把圖像轉(zhuǎn)化為灰度圖像，再進(jìn)行特征點(diǎn)提取.

1 SIFT特征算法

在2004年David G.Lowe總結(jié)了現(xiàn)有的基于不變量技術(shù)的特征檢測方法，并正式提出了一種基于尺度空間的，對圖像縮放、旋轉(zhuǎn)甚至仿射變換保持不變性的圖像局部特征描述算子-SIFT算子，其全稱是Scale Invariant Feat ure Transform，即尺度不變特征變換，一幅圖像SIFT特征向量的生成算法總共包括4步：

（1）尺度空間極值檢測，以初步確定關(guān)鍵點(diǎn)位置和所在尺度.

（2）通過擬和三維二次函數(shù)以精確確定關(guān)鍵點(diǎn)的位置和尺度，同時(shí)去除低對比度的關(guān)鍵點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)（因?yàn)镈oG算子會產(chǎn)生較強(qiáng)的邊緣響應(yīng)），以增強(qiáng)匹配穩(wěn)定性，提高抗噪聲能力.

（3）利用關(guān)鍵點(diǎn)鄰域像素的梯度方向分布特性為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)，使算子具備旋轉(zhuǎn)不變性.

圖1 SIFT特征向量描述

（4）生成SIFT特征向量.首先將坐標(biāo)軸旋轉(zhuǎn)向關(guān)鍵點(diǎn)的方向，以確保旋轉(zhuǎn)不變性.接下來以關(guān)鍵點(diǎn)為中心取8×8的窗口.圖1左部分的中央黑點(diǎn)為當(dāng)前關(guān)鍵點(diǎn)的位置，每個(gè)小格代表關(guān)鍵點(diǎn)鄰域所在尺度空間的一個(gè)像素，箭頭方向代表該像素的梯度方向，箭頭長度代表梯度值，圖中的圈代表高斯加權(quán)的范圍（越靠近關(guān)鍵點(diǎn)的像素梯度方向信息貢獻(xiàn)越大）然后在每4×4的小塊上計(jì)算8個(gè)方向的梯度方向直方圖.在實(shí)際計(jì)算過程中，為了增強(qiáng)匹配的穩(wěn)健性，對每個(gè)關(guān)鍵點(diǎn)使用4×4共16個(gè)種子點(diǎn)來描述，這樣對于一個(gè)關(guān)鍵點(diǎn)就可以產(chǎn)生128個(gè)數(shù)據(jù)，即最終形成128維的SIFT特征向量.

2 圖像檢索算法

當(dāng)兩幅圖像的SIFT特征向量生成后，取被檢圖像中的某個(gè)關(guān)鍵點(diǎn)，將關(guān)鍵點(diǎn)特征向量的歐式距離來作為兩幅圖像中關(guān)鍵點(diǎn)的相似性判定度量，并找出其與圖像庫中圖像歐式距離最近的前兩個(gè)關(guān)鍵點(diǎn).在這兩個(gè)關(guān)鍵點(diǎn)中，如果最近的距離除以次近的距離少于某個(gè)比例閾值，則接受這一對匹配點(diǎn).降低這個(gè)比例閾值，SIFT匹配點(diǎn)數(shù)目會減少，但更加穩(wěn)定.將所有匹配點(diǎn)達(dá)到一定閾值的兩幅圖像的歐式距離之和除以圖像分辨率系數(shù)為這兩幅圖像的距離.計(jì)算圖像庫中所有圖像與檢索圖像的距離并排序，返回前n項(xiàng)結(jié)果即完成檢索過程.由于這一檢索過程運(yùn)算量較大，實(shí)際操作過程中將特征值存入數(shù)據(jù)庫中，使用最近鄰算法進(jìn)行特征值的查找.

3 實(shí)驗(yàn)及結(jié)果分析

本文使用包含1200副5類圖像的li ff圖庫進(jìn)行試驗(yàn)，使用SIFT算法進(jìn)行檢索，其中第一幅圖為待檢索圖像，檢索結(jié)果如圖2所示.從實(shí)驗(yàn)結(jié)果可以看出，上圖關(guān)于建筑類圖像在SIFT算法檢索出的前7幅圖中，有4幅是相關(guān)圖片.下圖關(guān)于植物類圖像檢索出的7幅圖中，有1幅是相關(guān)圖片.可見該算法檢索在人工目標(biāo)的檢索情況時(shí)，效果還是比較令人滿意的，但對于自然景物的檢索結(jié)果較差.這說明SIFT特征對于人工目標(biāo)比對自然景物更加敏感.加入顏色信息和全局信息，在檢索中可以提高的檢索效果.在實(shí)際應(yīng)用中，可以再加入一些反饋信息，比如感興趣區(qū)域.一副圖像我們想要的可能只是其中的某個(gè)區(qū)域或某個(gè)對象，這時(shí)候可以讓用戶用鼠標(biāo)選取一個(gè)矩形區(qū)域作為感興趣區(qū)域，然后以感興趣區(qū)域作為待檢索對象，忽略其他區(qū)域，結(jié)合了感興趣區(qū)域可以使檢索的結(jié)果更接近用戶的預(yù)期.

圖2 檢索結(jié)果圖

4 結(jié) 語

本文提出了一種能在目標(biāo)發(fā)生一定變化的情況下很好實(shí)現(xiàn)檢索的方法.該方法將圖像轉(zhuǎn)化為SIFT特征向量的集合，再計(jì)算對應(yīng)特征向量之間的歐式距離實(shí)現(xiàn)匹配.實(shí)驗(yàn)表明能對圖像進(jìn)行內(nèi)容檢索，具有縮放、平移、旋轉(zhuǎn)不變性.

［1］David G.Lowe，Distinctive Image Features from Scale-Invariant Keypoints.International Journal of Computer Vi-sion，2004.5

［2］趙壘，侯振杰，一種改進(jìn)的SIFT圖像配準(zhǔn)方法，計(jì)算機(jī)工程，2010.6

［3］Ritendra Datta，Dhiraj Joshi，Jia Li，and James Z.Wang Image Retrieval：Ideas，Influences，and Trends of the New Age，ACM Computing Surveys，Vol.40，2008.4