潘文文，孫曉飛*，王 霞

(棗莊學(xué)院 信息科學(xué)與工程學(xué)院，山東 棗莊 277160)

越來越便捷的圖像采集手段制造出海量的圖像資料，如何有效地從海量圖像中檢索圖像是有效利用圖像資料的前提。目前，在智能設(shè)備上進行圖像檢索主要采用基于文本的檢索，這種方式僅能通過名稱、關(guān)鍵字、描述文字等對圖片簡單命名和主觀描述，不能表達圖像的完整信息［1］。利用手繪草圖從智能設(shè)備中檢索圖像比文本方式更具想象力和創(chuàng)造力，能更準確地反映人類對圖像的準確需求。文獻［2］利用傅里葉形狀描述方法來描述手繪草圖，解決了基于筆劃描述方式的計算效率低和輸入順序敏感的問題，可以獲得較好的檢索效果。文獻［3］提出一種基于結(jié)構(gòu)圖的草圖檢索方法，在保持圖像大致形狀的基礎(chǔ)上對圖像的輪廓數(shù)據(jù)進行有效的降維處理，解決了輪廓的起點選擇、旋轉(zhuǎn)、平移以及縮放等不變性。

基于手繪草圖檢索的本質(zhì)是內(nèi)容方式的圖像檢索，目前主要有2種方法:1)用加權(quán)求和的方式來綜合利用多種特征［4－6］;2)構(gòu)造混合特征［7－10］。文獻［11］通過改進的分水嶺算法對彩色圖像進行分割，運用區(qū)域化空間注意力模型計算各個子區(qū)域的顯著性，該方法傾向于將顯著物體劃分為一個整體，會造成邊緣細節(jié)的丟失。文獻［12］認為圖像中的顏色分布越廣或者越分散，顯著性目標包含這種顏色的可能性就越小，特定顏色的全局空間分布能夠用來描述目標的空間顯著性，先將圖像中的顏色通過K-均值聚類算法進行初步分類，再用多元正態(tài)分布來建模圖中像素顏色的概率分布。文獻［13］提出一種基于遺傳反饋的圖像檢索算法，以遺傳算法和相關(guān)反饋為基礎(chǔ)，利用多特征進行檢索，具有較低反饋次數(shù)和較高的查詢精度。文獻［14］提出基于互信息啟發(fā)的相似度組合圖像檢索算法，利用互信息度量相對熵的原理，計算連續(xù)變量相似度與離散變量相似性之間的相關(guān)性，對多種相似度進行選擇，該算法相對復(fù)雜。

現(xiàn)有的基于內(nèi)容的搜索方法克服了基于文本搜索的一些缺點，但仍存在計算量大、占用存儲量大、效率低下等問題。本文提出一種首先獲取顯著區(qū)域，然后對顯著區(qū)域提取相似特征的方法，圖像的主要語義內(nèi)容集中于顯著區(qū)域，因此可以用顯著區(qū)域代表整幅圖像進行圖像搜索。

1 基于圖像分割的顯著圖提取

首先將原始圖像分割成區(qū)域，然后采用文獻［15］的方法來計算各個分區(qū)的顏色直方圖，將原圖像中各個分區(qū)的像素顏色的RGB分量量化為12個值，在此基礎(chǔ)上統(tǒng)計各個分區(qū)的顏色直方圖。將顏色直方圖中各顏色按照出現(xiàn)頻率排序，將低頻顏色替換為相似的高頻顏色，并去掉比重為0的顏色，從而得到稀疏直方圖。這樣可以保持與原圖像視覺效果基本相同，卻大大減少了顏色的數(shù)量。

然后將各個分區(qū)的顏色直方圖轉(zhuǎn)換至Lab空間，計算各個分區(qū)之間的顏色距離。2個分區(qū)rm，rn之間的顏色距離為:

其中:f(cm，i)為第m個分區(qū)rm的第i種顏色占整張圖片的比例，而不是占本分區(qū)的比例，這有利于取得更好的顯著圖;D(cm，i，cn，i)為 rm的第 i種顏色與 rn分區(qū)的第j種顏色的歐式距離;N1，N2分別為rm，rn分區(qū)的顏色數(shù)量。

由式(2)可知，相互距離越遠的分區(qū)對彼此顯著性的影響越小，即分區(qū)顯著度S(rk)與其他分區(qū)間的距離 Ds(rk，ri)成反比，故用1/δDs(rk，ri)作為距離權(quán)值，δ為常數(shù)，取180時效果最佳。其中:Ds(rk，ri)=|xk－xi|+|yk－yi|為2個分區(qū)質(zhì)心之間的城市街區(qū)距離，即不同分區(qū)質(zhì)心橫坐標差的絕對值與縱坐標差的絕對值之和。使用城市街區(qū)距離而不是歐式距離可以取得更高效率。同等距離下分區(qū)ri的像素w(ri)個數(shù)越大，其對分區(qū)rk的影響越大，故S(rk)與w(ri)成正比。

采用本方法可以獲取與文獻［15］視覺效果相近的顯著圖，但由于沒有采用顏色空間平滑，計算更為簡單，如圖1所示。

圖1 采用本方法獲取的顯著圖

2 基于顯著性的手繪草圖圖像檢索

對 S(rk)，k=1，2，…，N 進行排序，排除顯著度最低的最外圍分區(qū)，余下分區(qū)為物品所在的分區(qū)r1，r2，…，rm，將這些分區(qū)作為一個整體 R=r1∪r2∪…∪rm，以R最外圍的4個頂點所在的橫縱坐標為邊界，等比例劃分10×10個矩形分塊 ui，i=1，2，…，100，即R=r1∪r2∪…∪r100。使用前述算法可以很好地提取顯著區(qū)域，較完整地保留顯著目標信息。劃分10×10個矩形分塊，可以按比例保留顯著目標的信息，當(dāng)2張圖片顯著目標相似但大小不同時仍可提取相近的檢索特征。

然后遍歷這些分區(qū)的像素點，看其屬于哪個矩形分塊ui，就將此像素點的灰度值累加至ui塊的灰度值gi，最后將gi的值除以該分塊像素個數(shù)ni，保存每個分塊ui的平均灰度到矩陣m，以備圖像檢索使用。進行圖像檢索時，先將待檢索圖像經(jīng)過上述處理，得到矩陣信息mk，將mk與保存的所有矩陣信息mi進行比較。

其中:Du(為分塊uk與ui平均灰度距離?？紤]到空間關(guān)系，我們加上了線性距離權(quán)值i/tu，其中:tu為分塊的總數(shù)100，i為各個分塊的序號(1，2，…，100)。將D(mk，mi)進行排序，值越小則圖片相似度越高。

3 實驗與分析

本文從各大購物網(wǎng)站中抽取90張圖片，分3類(上衣、褲子、女鞋)，每類有30張圖片。采用上述方法進行檢索。檢索結(jié)果如圖2所示，上方為3類物品的手繪圖，下方為檢索結(jié)果。

圖2 3類物品的檢索實例

為更加客觀地評價本方法的可行性，分別統(tǒng)計2種情況下的查準率:不同查全率下的查準率和不同檢出結(jié)果下的查準率。查準率為檢出正確結(jié)果的數(shù)量與檢出結(jié)果總數(shù)量的比值，查全率為檢出正確結(jié)果的數(shù)量與應(yīng)有正確結(jié)果總數(shù)量的比值。

如圖3(a)所示，隨著查全率的提高，鞋類和褲子類的查準率保持在90%以上，上衣的查準率基本保持在40%以上。上衣查準率下降趨勢較明顯，原因是圖庫中上衣的樣式復(fù)雜多樣，分類不夠明確，草圖對形狀描述準確從而排除了樣式差異較大的上衣。從圖3(b)可以看出，每類圖片數(shù)目為30張的情況下，大多數(shù)圖片在檢出15個結(jié)果時的準確率較高。

圖3 2種情況下的查準率

4 結(jié)語

提出一種基于顯著性檢測的手繪草圖圖像檢索方法。首先利用基于圖的方式進行圖像分割，然后為各分區(qū)建立稀疏顏色直方圖，進而計算各分區(qū)的顯著性。提取顯著性高的分區(qū)從而獲得所要展示的物品。將物品所在區(qū)域等比例劃分為100個分塊，按塊計算平均灰度，結(jié)合每個分塊的空間位置作為該圖像的檢索特征。抽取各大購物網(wǎng)站的圖片構(gòu)建了圖像庫，通過實驗表明本文方法可以獲取高質(zhì)量的顯著圖，從而可以準確檢索預(yù)期的物品。對每一張圖片統(tǒng)計了10種情況下的查準率，共900次統(tǒng)計，從而較準確地測試了本方法的檢索性能，實驗表明本方法可以通過手繪輪廓準確查詢相似圖像。

［1］黃祥林，沈蘭蓀.基于內(nèi)容的圖像檢索技術(shù)研究.電子學(xué)報［J］.2002，30(7):1065 －1071.

［2］李曼舞，孫正興，顧慶東.基于輪廓的手繪草圖檢索研究［J］.2005，25(2):344 －347.

［3］高竹紅，湯進，羅斌.基于結(jié)構(gòu)圖的手繪草圖檢索［J］.計算機技術(shù)與發(fā)展，2008，18(3):32 －35.

［4］PIAAMSA-NGA P，ALEXANDRIDIS N A，SRAKAEW S，et al.Multifeature content based image retrieval［C］//Proceedings of InternationalConf-erenceon ComputerGraphics and Imaging.Halifax，Canada:IASTED，1998.

［5］孫君頂，崔江濤，毋小省，等.基于顏色和形狀特征的彩色圖像檢索方法［J］.中國圖像圖形學(xué)報，2004，9(7):820 －827.

［6］鄧誠強，馮剛.基于內(nèi)容的多特征綜合圖像檢索［J］.計算機應(yīng)用，2003，23(7):100 －102.

［7］吳介，裘正定.底層內(nèi)容特征的融合在圖像檢索中的研究進展［J］.中國圖像圖形學(xué)報，2008，13(2):189 －197.

［8］HU M.Visual pattern recognition by moment invariants［J］.IRE Transactions on Information Theory，1962(8):179 －187.

［9］王義平，黃新生，李曉雷，等.一種新的灰度變化不變矩［J］.大連海事大學(xué)學(xué)報，2009，34(4):23 －27.

［10］MINGDRU F，TUYTELAARS T，GOOL L V，et al.Moment invariants for recognition under changing viewpoint and illumination［J］.Computer Vision and Image Understanding，2004，94(1):3－27.

［11］LOWER D G.Distinctive image features from scale-invariant key points［J］.International Journal of Computer Vision，2004，60(2):91－110.

［12］孟琭.基于視覺注意機制的彩色圖像顯著性區(qū)域提?。跩］.計算機應(yīng)用研究，2013，30(10):3159 －3161.

［13］楊軍，林土勝，肖應(yīng)旺.基于全局顏色對比的顯著性目標檢測［J］.計算機應(yīng)用研究，2014.31(1):292 －298.

［14］傅啟明，劉全，王曉燕，等.遺傳反饋的多特征圖像檢索［J］.中國圖像圖形學(xué)報，2011，16(10):1858 －1865.

［15］支力佳，張少敏，趙大哲，等.互信息啟發(fā)的相似度組合圖像檢索算法［J］.中國圖像圖形學(xué)報，2011，16(10):1850 －1857.

［16］CHENG M M，ZHANG G X.Global contrast based salient region detection［C］//IEEE International Conference on Computer Vision and Pattern Recognition(IEEE CVPR)，2011:409 －416.