李玥靈，吳國(guó)平，耿秀秀，杜曉駿

（中國(guó)地質(zhì)大學(xué)（武漢）機(jī)電學(xué)院，湖北 武漢 430074）

在服裝電子商務(wù)蓬勃發(fā)展的背景之下，傳統(tǒng)的基于文本的圖像檢索技術(shù)（Text-based Image Retrieval，TBIR）[1]已經(jīng)不能滿足廣大消費(fèi)者的需求。而基于內(nèi)容的圖像檢索技術(shù)（Content-based Image Retrieval，CBIR）[2]是通過(guò)提取圖像的視覺特征（又稱底層特征、物理特征），如顏色、形狀、紋理、空間位置信息等，利用距離函數(shù)來(lái)度量圖像的相似性達(dá)到檢索圖像的目的，正好可以彌補(bǔ)TBIR在圖像檢索中的不足。

實(shí)現(xiàn)CBIR的關(guān)鍵技術(shù)之一是圖像特征提取。而在圖像的底層特征中，紋理特征由于提取難度較大，一直是研究領(lǐng)域中的熱點(diǎn)，各種方法也層出不窮，Tuceryan和Jain[3]將這些方法歸為四大類：結(jié)構(gòu)分析法、統(tǒng)計(jì)分析法、模型化方法和頻域分析法。在統(tǒng)計(jì)分析法中灰度共生矩陣（Gray-Level Co-Occurrence Matrix，GLCM）因其原理簡(jiǎn)單易于理解且能較精確地反映紋理信息而具有很旺盛的生命力。雖然使用GLCM提取服裝圖像的紋理，可以達(dá)到比較良好的效果，但由于其不具有旋轉(zhuǎn)不變性，而待檢索的服裝圖像很多是人工拍照上傳到數(shù)據(jù)庫(kù)，圖像在方向上有很大的隨意性，單純使用GLCM進(jìn)行檢索會(huì)影響檢索的準(zhǔn)確率。而局部二值模式（Local Bi?nary Pattern，LBP）算法中，恰好有一類旋轉(zhuǎn)不變的算法可以與之結(jié)合。因此，本文提出一種LBP-GLCM紋理特征提取方法，即將Uniform-旋轉(zhuǎn)不變LBP算法與GLCM相結(jié)合，使之具有抗旋轉(zhuǎn)性，并將其應(yīng)用到服裝圖像檢索中，以期達(dá)到更高的檢索效率和準(zhǔn)確率。

1 灰度共生矩陣（GLCM）

由于紋理是圖像中相鄰像素或者相鄰區(qū)域在灰度上表現(xiàn)出來(lái)的某種規(guī)律性，因此同處一種相對(duì)位置關(guān)系下灰度的某種邊緣條件概率可以用來(lái)表示圖像的紋理特征。1973年Haralick等[4]從概率角度研究了圖像紋理灰度級(jí)的空間依賴關(guān)系，依據(jù)圖像中各像素之間的相對(duì)位置關(guān)系構(gòu)造了灰度共生矩陣。如圖1所示，兩像素間的橫向差Δx和縱向差Δy由像素間距離d和方向角θ兩個(gè)參數(shù)決定，Δx=dcosθ，Δy=dsinθ。

圖1 像素相對(duì)分布示意圖

設(shè) f(x，y)表示一幅灰度圖像，S表示為具有某種特定空間和像素關(guān)系的像素對(duì)集合，灰度共生矩陣為

式中：x2=x1+Δx，y2=y1+Δy，card(S)表示集合S中的元素個(gè)數(shù)。在應(yīng)用中常用式（2）對(duì)式（1）進(jìn)行歸一化處理

在實(shí)際使用中，為了減少運(yùn)算量，往往對(duì)圖像進(jìn)行灰度級(jí)縮減處理，經(jīng)常量化為8個(gè)灰度級(jí)別，同時(shí)為了減少θ的方向數(shù)，一般取0，π/4，π/2，3π/4這4個(gè)方向。

假設(shè)圖像被量化到了8個(gè)灰度級(jí)（1～8），取d=1，θ=0，則GLCM計(jì)算過(guò)程如圖2所示，左側(cè)表示原始圖像，右側(cè)表示灰度共生矩陣 m1，0。其中GLCM矩陣中（1，1）元素是“1”，表示該點(diǎn)像素值為“1”，同時(shí)相鄰的右邊像素值也為“1”的像素點(diǎn)個(gè)數(shù)是1個(gè)；同理可得，（1，2）元素是“2”，依此類推。

圖2 灰度共生矩陣統(tǒng)計(jì)過(guò)程

灰度共生矩陣是研究圖像局部紋理模式和排列規(guī)律的基礎(chǔ)，但是由于灰度共生矩陣依然維數(shù)過(guò)高，并且特征不夠明顯，因此為了更加有效地利用灰度共生矩陣所提供的灰度方向、變化幅度和間隔等圖像信息，Haralick等[4]定義了 14個(gè)灰度共生矩陣特征參數(shù)用于紋理分析。本文僅討論試驗(yàn)中用來(lái)描述服裝圖像紋理特征的4個(gè)參數(shù)[5]，其他的不再贅述。

1）二階矩（angular second moment）

2）對(duì)比度（contrast）

式中：μi，μj分別表示水平方向和豎直方向的像素均值

σi，σj分別表示水平方向和豎直方向像素的標(biāo)準(zhǔn)差

相關(guān)性在一定程度上反映了整個(gè)圖像中像素與其周邊像素之間的灰度關(guān)系。當(dāng)矩陣元素值均勻相等時(shí)，相關(guān)值就大；相反，如果矩陣像元值相差很大則相關(guān)值小。相關(guān)性特征范圍在-1～1之間，特別地，相關(guān)系數(shù)為1表示特定位置的像素之間具有相同的像素值。

4）均勻性（homogeneity）

由于這幾個(gè)分量的物理意義、量綱和取值范圍各不相同，因此在進(jìn)行檢索時(shí)需要對(duì)其進(jìn)行歸一化處理[6]，這樣有助于在進(jìn)行相似性度量時(shí)使權(quán)重系數(shù)相近，減少了調(diào)整權(quán)重系數(shù)的過(guò)程。本文使用高斯歸一化法，它對(duì)于嚴(yán)重偏離均值的數(shù)據(jù)點(diǎn)有較好的處理效果。

高斯歸一化的過(guò)程如下，例如有一組數(shù)據(jù)x={x1，x2，…，xn}其均值 μ，方差為σ2。對(duì)x進(jìn)行高斯歸一化，即每一個(gè)元素都減去均值，再除以方差，如式（11），得到歸一化數(shù)據(jù)y={y1，y2，…，yn}。

灰度共生矩陣能夠很好地描述圖像的紋理特征，但是由于灰度共生矩陣不具有旋轉(zhuǎn)不變性，所以從中提取的統(tǒng)計(jì)量也僅僅反映該方向上的特征，雖然可以計(jì)算幾個(gè)方向上的統(tǒng)計(jì)量然后做平均，但也無(wú)法很好地表達(dá)圖像紋理的特征。為了解決這一問(wèn)題，本文在圖像計(jì)算灰度共生矩陣之前，先對(duì)圖像做LBP處理。

2 局部二值模式（LBP）

LBP是一種有效的紋理特征提取算法，由Ojala等[7]在1996年提出，主要用于解決多分辨率和旋轉(zhuǎn)情況下圖像的紋理分類問(wèn)題。從某種意義上說(shuō)，該方法將局部紋理信息與全局紋理信息同時(shí)融合到一起。

2.1 原始LBP算法

原始的LBP算法是作用在一個(gè)3×3的矩形像素區(qū)域中，以中心像素的灰度值為閾值，將周圍8個(gè)像素的灰度值依次與其進(jìn)行比較，如果周圍像素的灰度值大于中心像素，則該位置賦值為“1”，否則賦值為“0”，把閾值化后的值順次記錄下來(lái)，得到一串二進(jìn)制數(shù)字，轉(zhuǎn)換為十進(jìn)制就得到該中心位置的LBP值，其范圍為[0，255]。計(jì)算公式如下，其計(jì)算過(guò)程如圖3所示。

圖3 原始LBP算法示意圖

2.2 多尺度LBP算法

為滿足不同尺度的紋理提取，Ojala T等[8]對(duì)原始的LBP算法進(jìn)行了改造，提出了多尺度LBP算法。使用圓形鄰域(P，R)（P表示圓形鄰域中所取的像素個(gè)數(shù)，R表示鄰域半徑）以及插值法，該算子可擴(kuò)展到任意半徑和任意鄰域像素個(gè)數(shù)，其他尺度的紋理結(jié)構(gòu)如圖4所示。

圖4 幾種不同P，R值對(duì)應(yīng)的圓形鄰域示意圖

對(duì)于這種圓形鄰域的LBP算法，其計(jì)算方法與原始方法相似，記作LBPP，R。計(jì)算公式如下

此算法生成的模式有256種，計(jì)算量太大，極大地影響了檢索效率，不適用于服裝圖像檢索。

2.3 旋轉(zhuǎn)不變LBP算法

多尺度的LBP算法所得到的LBP值與二進(jìn)制序列的起始位置和選取方向密切相關(guān)。如果圖像發(fā)生旋轉(zhuǎn)，對(duì)應(yīng)的二進(jìn)制序列就會(huì)發(fā)生變化，最終的LBP值也將不同。因此，為了得到不變的編碼模式，Ojala等[8]又提出了旋轉(zhuǎn)不變LBP算法，即不斷旋轉(zhuǎn)圓形鄰域得到一系列初始定義的LBP值，取其最小值作為該鄰域的LBP值，用公式表示如下

式中：ROR(x，i)表示對(duì)二進(jìn)制序列x循環(huán)移動(dòng)i位且i＜p。對(duì)于P=8，將有36種唯一的旋轉(zhuǎn)不變二值模式。但是此時(shí)的編碼模式仍然較多，應(yīng)用到服裝紋理特征提取時(shí)，計(jì)算量較大，影響檢索速度。

2.4 Uniform模式

如圖3所示，在記錄閾值化后的二進(jìn)制序列時(shí)，如果選取的起始點(diǎn)和方向不同，二進(jìn)制序列將有2P種，對(duì)應(yīng)的LBPP，R會(huì)產(chǎn)生2P種模式。但是在實(shí)際研究中發(fā)現(xiàn)，各種模式所出現(xiàn)的頻率是不同的，統(tǒng)計(jì)結(jié)果表明，少數(shù)的模式出現(xiàn)的數(shù)量占所有模式的90%以上，Ojala等[8]將這些出現(xiàn)頻率特別高的模式定義為Uniform模式。將二進(jìn)制序列看作一個(gè)圓環(huán)，如果“0→1”和“1→0”的變化不超過(guò)2次，則該序列稱為Uniform模式。例如，“00000000”（0次轉(zhuǎn)變）、“00011100”（2次轉(zhuǎn)變）是Uniform模式，而“10010011”（4次轉(zhuǎn)變）不是Uni?form模式。在使用LBP算法對(duì)圖像進(jìn)行紋理分析時(shí)，通常只關(guān)心Uniform模式，而將其他模式歸為同一類稱為混合模式。判斷某種序列是否為Uniform模式的方法如下

這樣改進(jìn)后，模式的種類大大減少，特別是對(duì)于P=8的情況，模式數(shù)量由原來(lái)的256種變?yōu)?8種。

2.5 Uniform-旋轉(zhuǎn)不變LBP算法

經(jīng)過(guò)抗旋轉(zhuǎn)的編碼方式獲得了若干LBP模式，但是通過(guò)前面Uniform模式的論述可知，其中某些模式在所有的模式中并不是占有大量的比重，故又有人提出Uniform-旋轉(zhuǎn)不變LBP算法，使模式種類減少到P+1種，表示如下

uniform-旋轉(zhuǎn)不變LBP算法，既保證了旋轉(zhuǎn)不變性，又使模式數(shù)量大大減少，應(yīng)用到服裝圖像檢索可提高檢索效率和準(zhǔn)確率。

3 實(shí)驗(yàn)和分析

本文以移動(dòng)拍照設(shè)備采集的服裝圖像為實(shí)驗(yàn)對(duì)象，運(yùn)用提出的紋理特征提取方法進(jìn)行實(shí)驗(yàn)和分析。

3.1 實(shí)驗(yàn)系統(tǒng)設(shè)計(jì)

實(shí)驗(yàn)系統(tǒng)首先要濾除服裝圖像的復(fù)雜背景，將彩色圖像轉(zhuǎn)換為灰度圖像；接著利用圖像分割技術(shù)分割出服裝區(qū)域并找到其中最大矩形部分；然后將圖像通過(guò)Uniform-旋轉(zhuǎn)不變LBP算子處理，并獲取其灰度共生矩陣；再采用能量、對(duì)比度、相關(guān)性和均勻性描述圖像的紋理特征，最后通過(guò)特征匹配進(jìn)行檢索。整個(gè)實(shí)驗(yàn)系統(tǒng)的工作流程如圖5所示。

圖5 LBP-GLCM算法實(shí)驗(yàn)系統(tǒng)流程圖

3.2LBP-GLCM紋理特征提取方法抗旋轉(zhuǎn)性實(shí)驗(yàn)

選取圖6b和圖6d兩幅圖像做抗旋轉(zhuǎn)實(shí)驗(yàn)。首先將兩幅圖像進(jìn)行45°、90°、135°和180°旋轉(zhuǎn)，然后按照?qǐng)D5所示的實(shí)驗(yàn)系統(tǒng)流程圖提取各旋轉(zhuǎn)后的紋理特征（省略特征匹配檢索環(huán)節(jié)），得到如表1和表2所示的紋理特征表。

圖6 服裝紋理待檢索圖像

表1 不同旋轉(zhuǎn)角度下圖6b的紋理特征

表2 不同旋轉(zhuǎn)角度下圖6d的紋理特征

通過(guò)表1和表2可以看出，服裝圖像在不同程度的旋轉(zhuǎn)情況下紋理特征變化很小，因此本文提出的紋理特征提取方法具有較好的抗旋轉(zhuǎn)能力。

3.3LBP-GLCM紋理特征提取方法檢索效果實(shí)驗(yàn)

以如圖6中4幅服裝圖像為例，按照流程圖5進(jìn)行特征提取和匹配檢索可得到如表3所示的服裝紋理特征，以及如圖7所示的檢索結(jié)果。

表3 圖6待檢索圖像的紋理特征

圖7 紋理特征檢索結(jié)果

由表3所示的服裝紋理特征可知，圖6b和圖6d有較多的黑白元素，故對(duì)比度大；在圖6a和圖6c中有大量的條紋元素，故相關(guān)度為正值（即相鄰像素間像素差別不大）；由于圖6b和圖6d中，花紋樣式復(fù)雜多變，故其擁有更大的能量；圖6a和圖6b相對(duì)于圖6c和圖6d具有更均勻的紋理。

系統(tǒng)采用歐氏距離作為相似性的度量，對(duì)于圖6a，找出2幅與之具有相似條紋紋理特征的服裝圖像；圖6b，找出6幅與之具有相似斑點(diǎn)紋理的服裝圖像；圖6c，找出3幅與之相近的具有方格圖案的服裝圖像；圖6d，找出5幅與之相近的具有碎花紋理的服裝圖像。

在本實(shí)驗(yàn)中，T恤樣本：條紋類圖像30張，斑點(diǎn)類圖像20張，純色圖像40張，花型圖像10張；大衣樣本：純色圖像50張，條紋類圖像35張，褶皺類圖像15張，分別利用GLCM和LBP-GLCM提取服裝圖像的紋理特征，采用歐氏距離作為相似性的度量，檢索效果對(duì)比如表4所示。

表4 不同紋理特征提取方法的檢索效果對(duì)比

通過(guò)上述實(shí)驗(yàn)可知，本文的LBP-GLCM紋理特征提取方法在一定的匹配策略下，應(yīng)用在服裝圖像檢索中可以獲得更高的準(zhǔn)確性。

4 結(jié)論

本文提出的LBP-GLCM紋理特征提取方法，既克服了灰度共生矩陣的不抗旋轉(zhuǎn)性，又在一定程度上降低了計(jì)算的復(fù)雜性。在服裝圖像發(fā)生旋轉(zhuǎn)時(shí)，相較于單純的GLCM紋理特征提取方法，檢索的準(zhǔn)確性更高。

因此，本方法可以很好地應(yīng)用在服裝電子商務(wù)領(lǐng)域中，不僅能幫助消費(fèi)者快速地檢索服裝，辨別服裝材質(zhì)，提高購(gòu)物效率，而且可以幫助銷售商進(jìn)行客觀而快捷地服裝分類，減少人工標(biāo)注關(guān)鍵字分類帶來(lái)的主觀影響，同時(shí)也提高了分類效率。另外，LBP-GLCM紋理特征提取方法也可應(yīng)用在工業(yè)領(lǐng)域，比如在服裝生產(chǎn)加工過(guò)程中，以完好的服裝面料為檢索標(biāo)準(zhǔn)，可以對(duì)加工后的服裝進(jìn)行面料的瑕疵檢測(cè)等。

[1] 王瑩，羅坤，姜磊，等.基于內(nèi)容的圖像檢索技術(shù)的專利技術(shù)綜述[J].電視技術(shù)，2013，37（S2）：62-63.

[2] ASLANDOGAN Y A，YU C T.Techniques and systems for image and video retrieval[J].IEEE Trans.Knowledge and Data Engineer?ing，1999，11（1）：56-63.

[3] TUCERYAN M，JAIN A K.Handbook pattern recognition and computer vision[M].Singapore：World Scientific，1993.

[4] HARALICK R M，SHANMUGAM K.Texture features for image classification[J].IEEE Trans.Sys.，Man，and Cyb.，1973，SMC-3（6）：610-621.

[5] 楊帆.數(shù)字圖像處理與分析[M].北京：航空航天大學(xué)出版社，2007.

[6] RALLABANDI V R，RALLABANDI V P S.Rotation-invariant texture retrieval using wavelet-based hidden Markov trees[J].Sig?nal Processing，2008，88（10）：2593-2598.

[7] OJALA T，PIETIKAINEN M，HARWOOD D.A comparative study of texture measures with classification based on feature dis?tributions[J].Pattern Recognition，1996，29（1）：51-59.

[8]OJALA T，PIETIKAINEN M，MAENPAA T.Multiresolution grayscale and rotation invariant texture classification with local bina?ry patterns[J].IEEE Trans.PAMI，2002，24（7）：971-987.