冀 鑫，冀小平

(太原理工大學(xué) 信息工程學(xué)院，山西 太原 030024)

基于內(nèi)容的圖像檢索技術(shù)主要依據(jù)圖像所具有顏色、紋理、形狀、空間關(guān)系等特征，提取這些特征，然后對(duì)這些特征進(jìn)行相似度對(duì)比，并對(duì)圖庫(kù)中圖像進(jìn)行排序，從而實(shí)現(xiàn)圖像檢索的目的［1］。目前，顏色特征提取的算法大多如文獻(xiàn)［2］一樣對(duì)顏色空間的三個(gè)分量非均勻量化，優(yōu)點(diǎn)是運(yùn)算簡(jiǎn)單，缺點(diǎn)是量化結(jié)果失真較大，顏色量化不精準(zhǔn)。紋理特征的提取方法較多，例如文獻(xiàn)［3］用小波變換提取出紋理，更好地與人類(lèi)視覺(jué)系統(tǒng)結(jié)合。文獻(xiàn)［4］提出的基于圖像灰度共生矩陣的算法，克服了傳統(tǒng)的共生矩陣計(jì)算復(fù)雜的問(wèn)題，采用分波段、分塊處理數(shù)據(jù)，提高了算法的效率。

針對(duì)目前基于顏色的圖像檢索算法在提取顏色特征失真較大的問(wèn)題，提出融合顏色特征和紋理特征的檢索算法，在顏色特征提取時(shí)采用矢量量化提取顏色特征，將彩色圖像轉(zhuǎn)化到HSI 顏色空間，對(duì)查詢圖像矢量量化，形成碼書(shū)，統(tǒng)計(jì)查詢圖像各個(gè)碼字出現(xiàn)的頻數(shù)，形成顏色直方圖，完成顏色特征提取。當(dāng)前將矢量量化應(yīng)用于顏色空間量化實(shí)現(xiàn)圖像檢索的相關(guān)研究并不多，將矢量量化融合其他特征檢索方法也并不常見(jiàn)?？紤]到矢量量化在顏色提取過(guò)程中計(jì)算量較大，本文在紋理特征提取時(shí)，采用容易理解、計(jì)算復(fù)雜度較低、鑒別能力較強(qiáng)的局部二進(jìn)制算法(LBP)［5］，采用灰度空間圓形鄰域的LBP(P，R)算子，得到圖像中每個(gè)像素點(diǎn)的LBP 值，利用直方圖形式展現(xiàn)紋理特征，解決了傳統(tǒng)的依靠單一特征來(lái)檢索圖像的不足。最后，相似度計(jì)算通過(guò)顏色相似度和紋理相似度加權(quán)平均來(lái)度量，通過(guò)改變顏色特征和紋理特征的權(quán)值，得到最佳的查準(zhǔn)率。本文以檢索金針花為例，對(duì)算法進(jìn)行了詳細(xì)闡述，同時(shí)還對(duì)檢索結(jié)果進(jìn)行了客觀評(píng)價(jià)，整體算法的檢索流程如圖1 所示。

1 顏色特征提取

圖像中廣泛存在的RGB 彩色空間是一種與硬件相關(guān)的顏色模型，但它與人類(lèi)的視覺(jué)感官差距比較大［6］。所以直接在RGB 顏色空間提取顏色特征、計(jì)算相似度，最終達(dá)到的檢索結(jié)果不太理想。因此為了滿足人類(lèi)視覺(jué)的需求，選用HSI顏色模型。

圖1 檢索流程圖

1.1 HSI 顏色空間及矢量量化

1.1.1 HSI 顏色空間

HSI(Hue－Saturation－Intensity)模型用H、S、I 3 個(gè)參數(shù)描述顏色特性，它是由Munseu 提出的一種顏色模型，其中H為色調(diào)，S 為飽和度，I 為亮度或強(qiáng)度［7］。在HSI 顏色空間處理圖像，處理結(jié)果更符合人類(lèi)的視覺(jué)感知。RGB 到HSI 轉(zhuǎn)換公式為

1.1.2 矢量量化

矢量量化是從k 維歐幾里得空間Rk映射到其一個(gè)有限子集C 的過(guò)程，即:Rk→C，其中C={Y1，Y2，…，Yi，…，YN|Yi∈Rk}稱(chēng)為碼書(shū)，N 為碼書(shū)長(zhǎng)度［8］。映射關(guān)系應(yīng)滿足:Q(X|X∈Rk)=Yi，其中X=(x1，x2，…，xk)為Rk中的k 維矢量，Yl=(yl1，yl2，…，ylk)為 碼 書(shū) C 中 的 碼 字，并 且 滿 足:d(X，Yl)=min(d(X，Yi))其中d(X，Yi)為矢量X 與碼字Yi之間的失真度。因而只要輸入一個(gè)矢量X 必然能在碼書(shū)C中找到合適的碼字Yi與它對(duì)應(yīng)，使該碼字與輸入矢量X 的失真度達(dá)到碼書(shū)中所有碼字最小。

1.2 顏色特征提取

1.2.1 生成查詢圖像碼書(shū)

本文選取的查詢圖像為256×256 的JPG 格式金針花彩色圖像，如圖2 所示。

圖2 金針花

以下是生成碼書(shū)的過(guò)程:

1)生成查詢圖像的初始碼書(shū)。設(shè)定碼書(shū)長(zhǎng)度N=32。MATLAB 中讀入圖像是由RGB 形式保存，轉(zhuǎn)換為HSI 模型，形成3×256×256 矩陣。在仿真實(shí)驗(yàn)中，將訓(xùn)練樣本(3×256×256 矩陣)通過(guò)隨機(jī)函數(shù)(randn)選擇32 個(gè)樣本作為初始碼書(shū)。

2)進(jìn)行迭代訓(xùn)練。每次迭代中，每一個(gè)訓(xùn)練矢量Xi=(注:每一點(diǎn)HSI 三個(gè)參量作為一個(gè)訓(xùn)練矢量)與碼書(shū)中的各個(gè)碼字Yj(j=1，2，…，32)相比較，找到與該訓(xùn)練矢量最相近的一個(gè)碼字Yk，并把所有與Yk最相近的訓(xùn)練矢量歸為一類(lèi)，這樣一共有32 類(lèi)，這一步叫劃分胞腔過(guò)程。然后求出每個(gè)胞腔中訓(xùn)練矢量與其對(duì)應(yīng)在碼書(shū)中最相近的碼字Yk的距離平方之和，得到此次劃分胞腔進(jìn)行迭代的平均失真Ln。若此次劃分的平均失真Ln與上次劃分的平均失真Ln－1之間的相對(duì)誤差εn符合設(shè)定的失真誤差ε，則停止劃分，否則求出各胞腔的中心矢量作為新的迭代碼書(shū)，重新劃分胞腔。本文失真相對(duì)誤差為ε=0.001。查詢圖像的碼書(shū)生成過(guò)程如圖3 所示。

圖3 矢量量化形成查詢圖像碼書(shū)

1.2.2 形成顏色直方圖

通過(guò)矢量量化查詢圖像，得到查詢圖像的碼書(shū)，按照碼書(shū)對(duì)查詢圖像進(jìn)行編碼，統(tǒng)計(jì)查詢圖像中各個(gè)碼字出現(xiàn)的頻數(shù)，并用直方圖形式直觀地表達(dá)出來(lái)，完成對(duì)圖像顏色特征的提取，其中直方圖的橫坐標(biāo)為碼書(shū)中碼字編號(hào)(1，2，…，32)，直方圖的縱坐標(biāo)為圖片矢量量化后，統(tǒng)計(jì)得出碼字的頻數(shù)。在MATLAB7.11.0(R2010b)中仿真，對(duì)圖2 提取出的顏色直方圖如圖4 所示。

圖4 顏色直方圖

2 紋理特征提取

紋理是一種普遍存在的視覺(jué)現(xiàn)象，可認(rèn)為是灰度在空間以一定的形式變化而產(chǎn)生的圖案模式［9］。紋理特征不同于顏色特征，它所反映的信息不僅僅是單一的像素點(diǎn)，還與該像素點(diǎn)周?chē)渌叶确植记闆r聯(lián)系緊密。圖像中紋理特征提取的方法主要有基于分形維數(shù)提取法、小波提取法、灰度共生矩陣提取法等［10］。本文使用局部二進(jìn)制模式(LBP)算法提取紋理特征。

2.1 LBP 算法

局部二進(jìn)制模式(Local Binary Patterns，LBP)最早是為一種有效的紋理描述算子提出的，由于其對(duì)圖像局部紋理特征的卓越描繪能力而獲得廣泛使用［11］。基本的LBP 算子思路是:以圖像中某一像素點(diǎn)為中心，將該點(diǎn)的灰度值作為閾值，大于此閾值的記作1，小于此閾值的記作0，對(duì)其周?chē)?×3 的8 個(gè)鄰域進(jìn)行二值化，按照約定的順序(以鄰域的某一點(diǎn)開(kāi)始順時(shí)針或者逆時(shí)針)二值化，最終得到一個(gè)8 位二進(jìn)制數(shù)，將此8 位二進(jìn)制數(shù)轉(zhuǎn)化為十進(jìn)制數(shù)(0～255)作為該點(diǎn)的LBP值［12］。本算法使用的是基本LBP 算子推廣以后的圓形鄰域的LBP(P，R)算子，其中下標(biāo)P 表示P 鄰域，R 表示圓形鄰域的半徑，圖5 給出了一個(gè)半徑為2 的8 鄰域像素的圓形鄰域。每個(gè)方格對(duì)應(yīng)一個(gè)像素，對(duì)于正好處在方格中心的鄰域點(diǎn)(左、上、右、下4 個(gè)黑點(diǎn))，直接以該點(diǎn)所在方格的像素值作為它的值;對(duì)于不在像素中心位置的鄰域點(diǎn)(斜45°方向的4個(gè)黑點(diǎn))，通過(guò)雙線性插值確定其值。

例如，圖5 所示，位于圖像中第i 行和第j 列的中心點(diǎn)灰度為I(i，j)和8 個(gè)鄰域點(diǎn)，為計(jì)算左上角2 點(diǎn)的值，需要利用其周?chē)? 個(gè)像素點(diǎn)(4 個(gè)空心點(diǎn))進(jìn)行雙線性插值。首先分別算出2 個(gè)十叉點(diǎn)A、B 的水平插值，A 點(diǎn)的值根據(jù)與之同一行的I(i－2，j－2)以及I(i－2，j－1)的線性插值得到

同理B 點(diǎn)值為

左上角2 點(diǎn)灰度值為點(diǎn)A 和點(diǎn)B 的豎直線性插值

當(dāng)所有8 個(gè)點(diǎn)的灰度值都求出以后，計(jì)算中心點(diǎn)I(i，j)的LBP 值公式為

例如，圖6 每個(gè)方格中的數(shù)字代表灰度值，中心灰度值為5。利用上面的方法得出鄰域8 個(gè)點(diǎn)的像素值，從中心點(diǎn)正左側(cè)對(duì)應(yīng)點(diǎn)開(kāi)始順時(shí)針依次是2，6，6，8，4，5，4，8。所以該中心點(diǎn)對(duì)應(yīng)的二值模式是01110101。根據(jù)式(2)，LBP(8，2)=117。

5 雙線性插值計(jì)算灰度值

圖6 計(jì)算LBP(8，2)的值

2.2 紋理特征提取

首先在MATLAB 中通過(guò)rbg2grey 函數(shù)將彩色圖像轉(zhuǎn)化為灰度圖像。其次利用圓形鄰域的LBP(8，2)算子，逐一掃描圖像，得出每一個(gè)像素點(diǎn)的LBP(8，2)值。最后生成LBP 圖，結(jié)果如圖7。

在實(shí)驗(yàn)中，把LBP 值(0～255)平均分成32 個(gè)區(qū)間，求出查詢圖像中LBP 值落在每個(gè)區(qū)間的頻數(shù)，得到LBP 直方圖如圖8，完成紋理特征的提取。

圖7 實(shí)驗(yàn)得到LBP 圖

圖8 LBP 直方圖

3 圖像相似度計(jì)算

圖像顏色特征和紋理特征提取之后，接下來(lái)的問(wèn)題是如何將這兩特征融合計(jì)算特征相似度。本文在結(jié)合兩特征相似度時(shí)，采用加權(quán)平均的方法。

由于兩種特征最后都形成特征直方圖，所以兩種特征在計(jì)算相似度的時(shí)候，采用相同的度量方法。查詢圖像經(jīng)過(guò)特征提取獲得特征向量X 為32 維，圖庫(kù)中第k 個(gè)圖像經(jīng)過(guò)特征提取得到32 維的特征向量Y。則二者的距離公式為

分別求出查詢圖像與圖庫(kù)中圖像的相似度距離dk(k=1，2，3，…，n)，再將所有距離分別除以最大距離，得到最終的特征距離Dk=(k=1，2，…，n)，距離Dk為一組0～1 之間的一維組數(shù)，用Dk來(lái)衡量圖像特征相似度。為了好區(qū)別顏色與紋理特征相似度，記為圖庫(kù)中第k 個(gè)圖像與查詢圖像的顏色特征距離為圖庫(kù)中第k 個(gè)圖像與查詢圖像的紋理特征距離。采用加權(quán)平均來(lái)融合顏色和紋理的特征距離，最終圖庫(kù)中第k 個(gè)圖像與查詢圖像的距離為

式中，wc為顏色特征的權(quán)值，wt為紋理特征的權(quán)值，且wc+wt=1，經(jīng)過(guò)距離計(jì)算得到Sk是0～1 之間的數(shù)，Sk越小越相似，Sk=0 所對(duì)應(yīng)的圖像為查詢圖像，Sk=1 為與查詢圖像最不相似的圖像。根據(jù)Sk從小到大排序輸出查詢結(jié)果。

4 實(shí)驗(yàn)結(jié)果及算法分析

首先，為了驗(yàn)證檢索算法的可行性，在MATLAB7.11.0(R2010b)中，采用融合矢量量化和LBP 的檢索算法對(duì)金針花進(jìn)行檢索仿真，實(shí)驗(yàn)結(jié)果如圖9 所示。

圖9 實(shí)驗(yàn)結(jié)果

其次，為了驗(yàn)證算法檢索的精準(zhǔn)度，實(shí)驗(yàn)對(duì)植物、動(dòng)物、風(fēng)景分別進(jìn)行檢索。為了達(dá)到算法性能評(píng)價(jià)的可靠性，植物類(lèi)選取了花100 幅圖片(其中花的種類(lèi)不同、形狀不同、顏色不同)，動(dòng)物類(lèi)同樣選取了100 幅圖片，風(fēng)景類(lèi)也選取了100 幅圖片進(jìn)行檢索。通過(guò)改變顏色特征權(quán)值wc和紋理特征權(quán)值wt，統(tǒng)計(jì)出各類(lèi)圖片的查準(zhǔn)率，計(jì)算出整體平均查準(zhǔn)率。平均查準(zhǔn)率(Averprecision)計(jì)算公式為

實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)數(shù)據(jù)見(jiàn)表1。

由表1 數(shù)據(jù)可見(jiàn)，當(dāng)顏色特征與紋理特征比重相等即wc=wt=0.5 時(shí)，平均查準(zhǔn)率達(dá)到最高為0.86。

最后，為了驗(yàn)證算法的檢索性能，將本算法與傳統(tǒng)顏色直方圖算法和文獻(xiàn)［13］檢索算法進(jìn)行對(duì)比，通過(guò)計(jì)算查全率和查準(zhǔn)率，繪制曲線如圖10 所示，顯然本算法要優(yōu)于其他兩種算法。原因:1)顏色特征提取采用矢量量化算法，在量化時(shí)按照查詢圖像來(lái)生成碼書(shū)，在檢索不同的圖像時(shí)，查詢圖像碼書(shū)是按照查詢圖像變化而變化的，提取出的顏色特征更能體現(xiàn)出查詢圖像本身存在的顏色信息;2)紋理提取采用LBP 算法，通過(guò)雙線性插值確定LBP 值;3)本算法融合了顏色和紋理特征，彌補(bǔ)依靠單一特征來(lái)檢索圖像的不足。

表1 平均查全率

圖10 平均檢索性能比較

5 小結(jié)

本文針對(duì)圖像檢索，提出了基于矢量量化與LBP 的圖像檢索算法。本算法通過(guò)矢量量化，根據(jù)檢索圖像來(lái)形成檢索碼書(shū)，能夠很好地保留圖像的顏色信息，融合LBP 算法完成紋理特征，彌補(bǔ)顏色特征忽略空間分布不足。在MATLAB 7.11.0(R2010b)中仿真本算法，實(shí)驗(yàn)結(jié)果表明本算法的查準(zhǔn)率和查全率遠(yuǎn)高于單一的基于顏色的圖像檢索算法，同時(shí)，證明了本算法的可行性和可靠性。

［1］葉佳.彩色圖像的超復(fù)數(shù)整體檢索和客觀質(zhì)量評(píng)估的研究［D］.上海:復(fù)旦大學(xué)，2007.

［2］邱芹軍，譚家政，蔡大偉，等.基于多特征融合的圖像檢索算法［J］.三峽大學(xué)學(xué)報(bào):自然科學(xué)版，2014，36(1):94－98.

［3］舒彬，王軍鋒，陳惠惠，等.基于小波變換的圖像檢索算法［J］.計(jì)算機(jī)工程，2011，37(3):236－240.

［4］任國(guó)貞，江濤.基于灰度共生矩陣的紋理提取方法研究［J］.計(jì)算機(jī)應(yīng)用與軟件，2014，31(11):190－192.

［5］尚燕，安濤，李春明.一種改進(jìn)的抗噪和旋轉(zhuǎn)不變紋理圖像分類(lèi)算法［J］.電視技術(shù)，2013，37(9):38－41.

［6］趙晨煒.基于模糊聚類(lèi)的彩色圖像分割方法的研究［D］.武漢:武漢理工大學(xué)，2012.

［7］鄭美珠，趙景秀.基于區(qū)域一致性測(cè)度的彩色圖像邊緣檢測(cè)［J］.計(jì)算機(jī)應(yīng)用，2011，31(9):2485－2488.

［8］陳倩.基于遺傳LBG 的圖像矢量量化改進(jìn)算法［J］.計(jì)算機(jī)科學(xué)，2012，39(7):280－281.

［9］許元飛.基于紋理的圖像檢索算法研究［J］.西安科技大學(xué)學(xué)報(bào)，2013，33(7):470－474.

［10］肖鵬，徐軍，陳少?zèng)_.紋理特征提取方法［J］.電子科技，2010，23(6):49－51.

［11］李菊，余燁，戴歡，等.基于顏色和LBP 多特征的meanshift 的跟蹤算法［J］.合肥工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版，2014，37(5):578－581.

［12］HEUSCH G，RODRIGUEZ Y，MARCEL S.Local binary patterns as an image preprocessing for face authentication［C］//Proc. FGR 2006.［S.l.］:IEEE Press，2006:9－14.

［13］李雪艷，冀小平.基于分塊顏色特征和相關(guān)反饋的圖像檢索技術(shù)［J］.電視技術(shù)，2013，37(7):29－32.