朱黎輝，李曉寧＋，張 瑩，蒲華秀，吳純潔

（1.四川師范大學 計算機科學學院，四川 成都610101；2.成都中醫(yī)藥大學 中藥材標準化教育部重點實驗室，四川 成都611137）

0 引 言

基于內(nèi)容的圖像檢索方式融合了傳統(tǒng)的模式識別技術與良好的人機交互技術［1］，已運用到多個領域，例如植物圖像檢索［2］，商標圖像檢索［3］等。本文結(jié)合實際項目，利用基于圖像內(nèi)容的檢索熱點技術對中藥材圖像進行檢索。

實現(xiàn)中藥材圖像的檢索關鍵在于提取中藥材圖像的有效特征以及利用這些特征構(gòu)建合適的分類器進行分類。中藥材圖像的形狀特征和紋理特征屬較明顯的特征，因此從這2個角度提取中藥材的圖像特征，將所提取到的2個特征進行加權線性組合，構(gòu)成綜合特征向量。支持向量機［4］（support vector machine，SVM）是 一 種 新 的 機 器 學 習 技術，可作為分類器使用。吳樂南等人將SVM 用于水果分類［5］，張淑雅等人使用支持向量機用于黑白老照片和彩色照片的分類［6］。SVM 分類器分類效果明顯，因此使用SVM 對中藥材圖像進行分類。本文著力探尋圖像內(nèi)容的特征，通過設計特征降維方式，減少傳統(tǒng)形狀及紋理特征的維數(shù)，反復試驗對比分析獲得適宜的權重系數(shù)，構(gòu)造多分類器解決圖像分類問題，解決中藥材圖像檢索時間長、精度低等問題。

1 算法流程和框架

圖1為中藥材圖像的檢索結(jié)構(gòu)。對于數(shù)據(jù)庫圖像，分別提取形狀，紋理特征，然后進行特征的加權組合，組合特征放入特征數(shù)據(jù)庫，利用SVM 進行訓練；對于查詢圖像，提取同樣的加權特征構(gòu)成組合特征，查詢時對查詢圖像使用SVM 進行預測所屬類別，通過計算歐氏距離，按距離從小到大依次返回預測類別的檢索結(jié)果圖像。

圖1 中藥材圖像檢索結(jié)構(gòu)

2 圖像特征提取

2.1 改進HOG 的形狀特征提取

梯 度 方 向 直 方 圖 （histogram of oriented gradient，HOG）算法［7］廣泛用于圖像形狀特征提取。但是HOG 特征向量維數(shù)較大，不利于提取特征效率及后期分類。例如分辨率為64＊128像素的圖像進行HOG 特征提取得到特征向量為3780 維［8］。因此，本文對原始HOG 進行了改進，改進梯度方向直方圖 （improved histogram of oriented gradient，IHOG）基本操作步驟如圖2所示。

圖2 IHOG 處理的流程

（1）計算梯度。使用式 （1）計算水平和垂直方向的梯度

式中：Gh（x，y）——該像素點的水平梯度值，Gv（x，y）——該像素點垂直梯度值。像素點的梯度值 （強度）及梯度方向按式 （2）進行計算

（2）分塊。將分辨率為row＊col像素的圖像分為3×3塊。為使圖像特征向量統(tǒng)計時包含盡量多的信息，分塊時考慮使相鄰的區(qū)域有部分重疊。做法是設定步長，使重疊部分大小為原區(qū)域的一半，行步長設定為 row／（3＋1） ；列步長為col／（3＋1） 。

通過步長可嚴格設定重疊塊區(qū)域。圖3 為區(qū)域分塊。單元C1，C2，C5，C6 組成塊B1；單元C2，C6，C3，C7組成塊B2；C2、C6為重疊區(qū)域。

圖3 區(qū)域分塊

（3）計算梯度直方圖。對9個小塊分別計算梯度直方圖，做法是在每塊內(nèi)梯度方向范圍取0～180度，平分為9個方向角度。如0～20度是一個方向角度，再統(tǒng)計在這個方向角度的梯度值總和。9個方向角度得到一個9維的梯度直方圖。

（4）歸一化特征向量。為使特征向量空間對光照，陰影和邊緣變化具有魯棒性，因此對每一塊的梯度直方圖進行歸一化。歸一化函數(shù)選取文獻 ［7］中的L1－norm 范式，即式 （3）

式中：v——未歸一化的特征向量，v1——1－norm，ε——一個很小的常數(shù)，取值為0.01。

（5）組合特征向量。將9塊歸一化后的特征向量通過線性組合成一個81維的IHOG 特征向量。

2.2 分塊LBP的紋理特征提取

原始的局部二值模式 （local binary patterns，LBP）算子［9］在每個像素點都得到一個LBP 編碼，直接用作紋理特征維數(shù)較大，且空間位置容易混亂從而產(chǎn)生誤差。本文在原始LBP算子上進行了一定改進，主要采用了分塊的思想。分 塊 局 部 二 值 模 式 （block Local binary patterns，BLBP）處理的流程如圖4所示。

圖4 BLBP處理流程

（1）對待處理中藥材圖像進行原始LBP 特征提取，得到LBP 紋理圖像。為降低LBP 的編碼模式，使用文獻［10］中特征維數(shù)為10 維LBPriu2（8，1）統(tǒng)一模式，它具有旋轉(zhuǎn)不變性和灰度不變性的特點，可減小中藥材圖像由于旋轉(zhuǎn)和光照不勻帶來的影響。

（2）將降低了編碼模式的LBP 紋理圖像平均劃分為4×4的小區(qū)域。分辨率為row＊col像素的圖像分塊后，每塊的行列像素變?yōu)閞ow／4 ＊ col／4 。

（3）統(tǒng)計每塊的灰度直方圖，即計算小塊內(nèi)每個數(shù)字出現(xiàn)的頻率。因為降低了編碼模式，所以此步得到的是一個10維的向量。

（4）每塊執(zhí)行完直方圖統(tǒng)計后，將每塊得到的向量進行線性合并，組合成一個行向量，此時得到了整幅圖的BLBP紋理特征向量。

3 圖像分類

3.1 線性組合分類器的內(nèi)核

圖像包含顏色、形狀和紋理特征，單一特征只能表達圖像的部分屬性，對圖像內(nèi)容的描述較片面，缺少足夠的區(qū)分信息。從而有必要考慮組合互補特性構(gòu)成綜合特征，使圖像內(nèi)容特征描述更全面。

本文綜合中藥材圖像IHOG 形狀特征及BLBP 紋理特征，考慮2 個特征的凸組合，實驗得出最優(yōu)權重，形如式（4）

式中：F——組合特征，α、β——IHOG、BLBP 特征對應權 重 系 數(shù)，fihog、fblbp——IHOG 形 狀 特 征 及BLBP 紋 理特征。

3.2 分類器的設計

SVM 分類器本質(zhì)是針對兩分類問題，在實際生活中常對多類問題進行分類，即需構(gòu)造SVM 多值分類器。文獻［11］列舉了5種SVM 多類分類方法，分別為一類對余類法、一對一分類法、二叉樹法、糾錯輸出編碼法以及決策樹方法。

本文針對多類中藥材的圖像進行分類，選取一對一方法進行SVM 多值分類器的構(gòu)造，設圖像類別為N 類，共需訓練N×（N－1）／2個2值SVM 分類器，這種方式是對N 個分類類別訓練集進行兩兩區(qū)分，測試的時候采用投票法決定所屬類別，得票最多的類即為預測類別

SVM 通過用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換到一個高維空間，然后在這個空間中求廣義最優(yōu)分類面來解決非線性問題。根據(jù)不同的內(nèi)積核函數(shù)將形成不同的算法，本文選取式 （5）所列的RBF （徑向基）核函數(shù)［12］。

4 實驗及結(jié)果分析

4.1 實驗設置

本文實驗選取自制的中藥材圖像數(shù)據(jù)庫。包括青貝、松貝、珍珠貝、爐貝、蓮子五類圖像，每類藥材圖像數(shù)目為1000幅，一共5000 幅圖像。數(shù)據(jù)庫由不同光照，視點角度條件下拍攝的圖像組成，圖像大小均為128＊128＊3像素，JPG 格式。部分中藥材圖像如圖5所示。

圖5 部分中藥材圖像

實驗過程中訓練集和測試集的組成為：每類圖像隨機抽取500幅作為訓練集，剩下的500 幅圖像作為測試集。一次分類實驗中，每類測試集用于測試，即共需測試2500幅圖像。

4.2 特征權重對分類影響實驗

為獲得IHOG 和BLBP 最佳特征權重，實驗對比了不同權重分配下中藥材圖像10次分類平均準確率。見表1。

表1 不同權重分類準確率比較

從表1 可看出，當α 為0，β 為1 時，平均準確率為86.62%；當α為1，β為0時，平均準確率為84.16%；當α、β均不為0 時，平均準確率提高到92%左右，其中當IHOG 和BLBP特征權重均為0.5時中藥材圖像平均分類準確率最高。

IHOG 和BLBP特征單獨使用時僅體現(xiàn)了圖像的形狀特征或紋理特征；2 個互補特征進行不同權重組合能使圖像內(nèi)容特征描述更全面；其中當IHOG 和BLBP 特征權重均為0.5時顯示出最優(yōu)的權重分配，可見中藥材圖像數(shù)據(jù)庫中圖像的IHOG 和BLBP 特征對于表達圖像內(nèi)容信息貢獻率相當。

4.3 特征提取算法對比實驗

為驗證IHOG 和BLBP 特征提取算法的有效性，實驗對比了原始HOG （文獻 ［8］使用的HOG 方法）、IHOG、原始LBP、BLBP和特征權重均為0.5的IHOG、BLBP 特征組合 （本文方法）在中藥材數(shù)據(jù)庫中性能，如表2所示，表中時間表示一幅圖像進行特征提取所耗時間，分類準確率代表10次平均分類準確率。

表2 特征提取算法在中藥材數(shù)據(jù)庫性能對比

通過表2可看出，BLBP相比原始LBP，特征維數(shù)降低了102.4倍，特征提取時間減少了16倍，但分類準確率提高了66.62%。IHOG 相比原始HOG 特征，特征維數(shù)降低了46.67倍，特征提取時間減少了14倍，分類準確率卻提高了29.88%。本文方法結(jié)合IHOG 和BLBP特征，在保證特征維數(shù)、時間耗費較小情況下分類準確率達到93.56%。

IHOG 算法繼承了原始HOG 描述子能描述圖像局部形狀信息、一定程度上抑制平移和旋轉(zhuǎn)影響等優(yōu)點，一定程度上簡化了分單元的細節(jié)，使表征的范圍大大的減少；BLBP算子在基本保留原始LBP 紋理特征的基礎上，避免了空間位置混亂以及縮小了特征向量的維數(shù)。

4.4 檢索性能實驗

從中藥材檢索框架可知，本文的檢索性能與分類結(jié)果密切相關。查詢圖像首先提取IHOG 和BLBP 組合特征，然后通過SVM 分類器獲得預測類別，再對中藥材圖像數(shù)據(jù)庫中與預測類別一樣的圖像進行歐式距離度量，最后根據(jù)距離大小依次返回檢索結(jié)果圖像。預測正確與否直接關系到最終的檢索效果。

圖像檢索系統(tǒng)性能評價的重要指標是查準率和查全率。查準率 （precision）、查全率 （recall）公式如下

式中：m——檢索結(jié)果的圖像數(shù)量，x——在檢索結(jié)果圖像中與查詢圖像屬于同類別的數(shù)量，測試集總圖像數(shù)量為n幅圖像中共有y 幅圖像與要查詢圖像屬于相同的類別。

實驗利用本文方法分別計算青貝、松貝、珍珠貝、爐貝、蓮子這五類的查準率和查全率。圖6為對五類圖像在圖像檢索系統(tǒng)的查準率折線圖，圖7是與圖6相對應的圖像檢索系統(tǒng)的查全率的折線圖。

圖6 圖像檢索系統(tǒng)的查準率

圖7 圖像檢索系統(tǒng)的查全率

圖6中，圖像檢索系統(tǒng)的查準率基本保持恒定狀態(tài)，其中珍珠貝、爐貝、蓮子這三類的查準率接近1，青貝和松貝的查準率分別在0.8506和0.9374浮動。

圖7中，青貝及松貝的查全率分別在0.8751和0.9218浮動。珍珠貝、爐貝、蓮子這三類的圖像查全率約為1。

由圖6、圖7對圖像檢索系統(tǒng)的查準率和查全率在平均檢索次數(shù)下進行統(tǒng)計可知，青貝和松貝的查準率及查全率相對較低，而珍珠貝、爐貝、蓮子的較高，這和查詢圖像預測類別相關，表3 列出了五類別一次分類的混淆矩陣，矩陣的每行代表一個實際類的實例，而每列代表在一個預測類的實例。

表3可看出，每一類取500張進行測試，其中500張松貝圖像，只有410張分類正確，67張被預測為青貝圖像，19張預測為珍珠貝，4張預測為爐貝，導致分類的準確率為82.0%。松貝和青貝的分類準確率相對較低，這是因為青貝和松貝類間相似度很大，容易導誤分現(xiàn)象；珍珠貝、爐貝、蓮子分別與其他類別之間的類間相似度較小，容易根據(jù)形狀和紋理特征區(qū)別開來，從而分類準確率較高。顯然，檢索的查準率和查準率對易誤分的青貝和爐貝就相對較低。

表3 分類結(jié)果的混淆矩陣

5 結(jié)束語

本文對原始LBP紋理特征及原始HOG 形狀特征進行了改進，在提高分類精度的同時克服了維數(shù)很大的缺點。實驗表明BLBP 紋理特征和IHOG 形狀特征組合存在優(yōu)勢互補，將特征進行適當?shù)奶卣鳈嘀芈?lián)用能改善分類精度。本文提出的基于形狀特征和紋理特征的中藥材檢索方法實驗結(jié)果有效，具有很好的檢索性能。下一步將在此基礎上，研究特征組合權重的自適應設置。

［1］WU Yongguo，LI Deqiang，LUO Haibo，et al.Image retrieval method combining global description and local description［J］.Computer Engineering and Design，2012，33 （2）：634－638 （in Chinese）.［吳永國，李德強，羅海波，等.融合全局和局部描述的圖像檢索方法 ［J］.計算機工程與設計，2012，33 （2）：634－638.］

［2］Kebapci H，Yanikoglu B，Unal G.Plant image retrieval using color，shape and texture features［J］.The Computer Journal，2011，54 （9）：1475－1490.

［3］Mohd Anuar F，Setchi R，Lai Y.Trademark image retrieval using an integrated shape descriptor［J］.Expert Systems with Applications，2013，40 （1）：105－121.

［4］Zheng J，Shen F，F(xiàn)an H，et al.An online incremental learning support vector machine for large－scale data ［J］.Neural Computing and Applications，2013，22 （5）：1023－1035.

［5］Zhang Y，Wu L.Classification of fruits using computer vision and a multi－class support vector machine［J］.Sensors，2012，12 （9）：12489－12505.

［6］ZHANG Shuya，ZHAO Yiming，LI Junli.Algorithm and implementation of image classification based on SVM ［J］.Computer Engineering and Applications，2007，43 （25）：40－42（in Chinese）.［張淑雅，趙一鳴，李均利.基于SVM 的圖像分類算法與實現(xiàn) ［J］.計算機工程與應用，2007，43 （25）：40－42.］

［7］Déniz O，Bueno G，Salido J，et al.Face recognition using histograms of oriented gradients ［J］.Pattern Recognition Letters，2011，32 （12）：1598－1603.

［8］DING Xuedong，LIU Yuan，XIE Zhenping.Improvement of content－based image retrieval system by incrementally learning semantic attributes of images ［J］.Application Research of Computers，2014，31 （1）：273－276 （in Chinese）. ［丁學東，劉淵，謝振平.增量學習語義屬性的圖像內(nèi)容檢索系統(tǒng)增強［J］.計算機應用研究，2014，31 （1）：273－276.］

［9］Mohamed A，Yampolskiy RV.Face recognition based on wavelet transform and adaptive local binary pattern ［G］.LNCS 114：Digital Forensics and Cyber Crime.Berlin：Springer Berlin Heidelberg，2013：158－166.

［10］Li L，Li S，Zhu H，et al.An efficient scheme for detecting copy－move forged images by local binary patterns［J］.Journal of Information Hiding and Multimedia Signal Processing，2013，4 （1）：46－56.

［11］GOU Bo，HUANG Xianwu.SVM multi－class classification methods［J］.Journal of Data Acquisition and Processing，2006，21 （3）：334－339 （in Chinese）.［茍博，黃賢武.支持向量機多類分類方法 ［J］.數(shù)據(jù)采集與處理，2006，21 （3）：334－339.］

［12］Gumus E，Kilic N，Sertbas A，et al.Evaluation of face recognition techniques using PCA，wavelets and SVM ［J］.Expert Systems with Applications，2010，37 （9）：6404－6408.