譚志偉++孫新領++孫挺

摘 要： 針對高級用戶的描述對象與低級圖像特征之間的語義差異問題，提出一種基于自組織特征重加權和相關反饋的CBIR算法。首先對查詢圖像和數(shù)據(jù)庫圖像采用Gabor小波變換和小波矩技術提取圖像特征向量；然后進行相似性度量，同時為了最大程度地從相關圖像中分離非相關圖像，引入自組織特征重加權模式，確保非相關圖像集沒有單一的相關圖像；最后將用戶反饋和特征加權循環(huán)進行，直到得出用戶滿意的結果。仿真實驗在Corel收集的1 000幅圖像庫上進行，對某些類別的圖像，該算法的檢索精度可高達97.5%，在無噪聲情況下，對于前10幅圖像，該算法的準確率為82.78%，對于前100幅圖像，精度僅降到66.70%，在有噪聲情況下，精度下降僅3%左右。相比其他優(yōu)秀算法，該算法具有更高的精度和更好的噪聲魯棒性。

關鍵詞： 圖像特征； 基于內(nèi)容的圖像檢索； 自組織特征重加權； Gabor小波變換； 小波矩

中圖分類號： TN911.73?34； TP391.4 文獻標識碼： A 文章編號： 1004?373X（2016）23?0047?05

CBIR algorithm based on relevance feedback technology

and self?organized feature reweighting

TAN Zhiwei1， SUN Xinling1， SUN Ting2

（1. Department of Computer Science & Technology， Henan Institute of Technology， Xinxiang 453003， China；

2. Institute of Visualization， Northwest University， Xian 710069， China）

Abstract： To solve the problem of semantic difference between the description object of the advanced user and low?level image feature， a content?based image retrieval （CBIR） algorithm based on relevance feedback （RF） technology and self?organized feature reweighting is proposed. The Gabor wavelet transform and wavelet moment technology are used to extract the image feature vectors of queried image and database image， and then the similarity is measured. In order to separate the non?relevance image from the relevance image to the maximum extent， the self?organized feature reweighting mode is introduced to ensure there is no any single relevance image in the non?relevance image set. The user feedback and feature weighting are conducted circularly until the user obtains a satisfactory result. The simulation experiments are performed on 1 000 images collected by Corel. The retrieval accuracy of the algorithm can reach up to 97.5% for some certain images. Under the condition of no noise， the algorithm accuracy for first 10 images can reach up to 82.78%， and the accuracy for first 100 images is reduced only to 66.70%. The accuracy under the noise condition is decreased by 3%. In comparison with other outstanding algorithms， this algorithm has higher accuracy and better noise robustness.

Keywords： image feature； content?based image retrieval； self?organized feature reweighting； Gabor wavelet transform； wavelet moment

0 引 言

基于內(nèi)容的圖像檢索（Content?based Image Retrie?val，CBIR）是機器視覺和模式識別領域最熱門的研究課題之一[1?2]。在CBIR系統(tǒng)中，視覺特征的提取依賴于特征的表征方式，與相似性匹配直接關聯(lián)，而相似性評估常常會導致語義差[3?4]，即高級用戶描述的對象與低級圖像特征之間的語義差異，同時也考慮查詢圖像自身的影響，如有噪聲污染等。因此，減少語義差異和提高特征提取的效果是CBIR的主要目標[5]。

已有很多研究者對CBIR進行了研究，例如，文獻[6]提出基于灰度級共生矩陣CBIR算法，灰度共生矩陣既可以表征亮度分布，又可以表征亮度與像素位置關系，因此，廣泛應用于紋理特征。然而，在復雜紋理情況下表現(xiàn)并不穩(wěn)定。

文獻[7]將粒子群優(yōu)化算法的進化搜索過程與用戶的反饋過程有效結合，提出了一種基于粒子群的CBIR方法，本文簡稱為SO?RF算法，避免了初始檢索對用戶認知的影響以及對反饋效果造成的局限性，然而，很容易出現(xiàn)相關反饋提供的標注樣本數(shù)不足的問題。

文獻[8]使用智能搜索進行特征選擇，利用改進的二進制引力搜索（IBGSA）選擇最佳功能子集，改善分類的精度。雖然提高了分類精度，但IBGSA的復雜度比二進制引力搜索（BGSA）的復雜性高了很多。

文獻[9]通過合并未標記的圖像，提出了一種基于改進型相關反饋的CBIR算法，通過使用已標記數(shù)據(jù)觀測誤差函數(shù)最小化，選擇綜合性能最好的回歸函數(shù)，同時兼顧圖像的語義特征及圖像空間的幾何結構，然而，算法依然存在視覺特征和語義信息中的“語義鴻溝”問題。

為了提高分類精度，本文在相關反饋的基礎上，采用了自組織特征重加權方法，同時在特征向量和特征表征中運用了Gabor小波和小波矩技術，稱之為SOFR?RF算法，實驗結果表明，本文算法具有更高的精度和更好的魯棒性，甚至在有噪聲的情況下也是如此。

3 結 論

本文提出了一種基于自組織特征重加權和相關反饋的CBIR算法，利用自組織特征重加權模式盡可能地從相關圖像中分離非相關圖像，確保非相關圖像集沒有單一的相關圖像，圖像檢索的用戶作用通過相關反饋體現(xiàn)。在有噪聲和無噪聲情況下的實驗結果表明，本文算法具有較高的檢索準確度和較好的魯棒性。

參考文獻

[1] BUGATTI P H， KASTER D S， PONCIANO?SILVA M， et al. PRoSPer： perceptual similarity queries in medical CBIR systems through user profiles [J]. Computers in biology & medicine， 2014， 45（2）： 8?19.

[2] 王明三.基于內(nèi)容的圖像檢索關鍵技術研究[D].成都：電子科技大學，2014.

[3] 施智平，李清勇，趙曉東，等.基于內(nèi)容圖像檢索中的優(yōu)化鑒別特征[J].計算機輔助設計與圖形學學報，2012，24（12）：1592?1598.

[4] QUELLEC G， LAMARD M， CAZUGUEL G， et al. Fast wavelet?based image characterization for highly adaptive image retrieval [J]. IEEE transactions on image processing， 2011， 21（4）： 1613?1623.

[5] 李宗民，唐志輝.九宮格空間框架的圖書圖像檢索[J].中國圖象圖形學報，2013，18（3）：325?329.

[6] 于艷紅.基于顏色和紋理特征的圖像檢索與應用[D].大連：大連理工大學，2013.

[7] 許相莉，張利彪，劉向東，等.基于粒子群的圖像檢索相關反饋算法[J].電子學報，2010，38（8）：1935?1940.

[8] RASHEDI E， NEZAMABADI H. Feature subset selection using improved binary gravitational search algorithm [J]. Journal of intelligent and fuzzy systems， 2014， 26（3）： 1211?1221.

[9] LI G. Improving relevance feedback in image retrieval by incorporating unlabelled images [J]. Indonesian journal of electrical engineering， 2013， 11（7）： 3634?3640.

[10] PIRAS L， GIACINTO G. Neighborhood?based feature weighting for relevance feedback in content?based retrieval [C]// Procee?dings of 2009 Image International Workshop on Analysis for Multimedia Interactive Services. Italy： IEEE， 2009： 238?241.

[11] WANG J Z. Corel database [EB/OL]. [2006?03?23]. http：//wang.ist.psu.edu/docs/related.html.

[12] 李宗民，唐志輝.九宮格空間框架的圖書圖像檢索[J].中國圖象圖形學報，2013，18（3）：325?329.

[13] 李波.正交圖像矩及其在精確定位與產(chǎn)品檢測中的應用研究[D].武漢：華中科技大學，2012.

[14] ALVAREZ M J， ELENA G， FRANCESCO B， et al. Color and texture features for retrieval in granite industry [J]. Dyna. Rev. Fac. Nac. Minas.， 2010， 77（161）： 121?130.

[15] JIAN M， GUO H， LIU L. Texture image classification using visual perceptual texture features and Gabor wavelet features [J]. Journal of computers， 2009， 4（8）： 763?770.

[16] 李世雄.小波變換及其應用[J].高等數(shù)學研究，2002，5（1）：43?45.