崔紅靜 景軍鋒 張緩緩 蘇澤斌

(西安工程大學，陜西西安，710600)

1 研究背景

近年來隨著紡織行業(yè)的不斷發(fā)展，織物背景、紋理復雜多樣，織物樣式呈爆發(fā)式增長，相應的紡織數(shù)據(jù)庫也不斷擴充。無論是織物設計、管理還是采購，判斷樣本圖像是否存在于數(shù)據(jù)庫中或者是否存在相似圖像，是所有紡織企業(yè)所面臨的問題。傳統(tǒng)方法依靠人工記憶織物的特征、種類、庫存位置等信息具有一定的難度，而且隨著庫存數(shù)據(jù)的增加，人工圖像檢索方式效率低下、主觀性強[1]，難以滿足現(xiàn)代企業(yè)對紡織品圖像快速、便捷的檢索要求，因此建立一種有效的檢索機制實現(xiàn)紡織品圖像檢索成為必然[2-3]。

基于內容的圖像檢索是以顏色、紋理、形狀等作為圖像的特征表達，提取這些底層特征進行特征匹配，從而實現(xiàn)檢索。國內外許多專家學者做了相關研究。LI等提出了一種以累加直方圖為特征的圖像檢索算法[4]；方珍紅等提出了一種利用模糊C均值聚類的方式構造加權主顏色直方圖實現(xiàn)圖像檢索[5]。單一特征的圖像檢索無法全面描述圖像信息，準確率較低，為了提高檢索準確率，HUANG等提出將RGB顏色空間中的顏色矩與HSV顏色空間中的顏色直方圖相結合進行顏色特征提取，采用灰度共生矩陣進行紋理特征提取，并將這三種特征結合起來實現(xiàn)圖像檢索，該方法只在目標區(qū)域與背景區(qū)域明顯的圖像上效果顯著[6]；CHEN等提出了一種新的基于多特征融合和稀疏編碼的圖像檢索框架，提取圖像的高斯拉普拉斯特征和SURF特征，引入稀疏表示模型衡量圖像相似性，但該方法計算量較大，檢索時效性較差[7]；翟奧博等提出了一種改進雙樹復小波和灰度-梯度共生矩陣相融合的紋理圖像檢索新算法，沒有考慮圖像顏色特征，不適合紡織圖像的檢索[8]；向忠等提出了一種綜合花形邊緣和顏色特征的圖像檢索算法，但該方法對邊緣提取的質量要求較高[9]；吳慶濤等提出一種融合改進的顏色直方圖和灰度共生矩陣算法的新圖像檢索算法，但該方法僅適用于方向紋理明顯的圖像[10]。以上研究都證實了多特征融合檢索方式的可行性，但如何在顏色、花形、紋理復雜的織物圖像中實現(xiàn)圖像檢索，是紡織行業(yè)亟待解決的問題。針對織物圖像具有顏色豐富且背景、紋理復雜的特點，提取單一特征很難描述其全局信息，本文提出將多特征融合的檢索算法應用到紡織行業(yè)。該算法將傳統(tǒng)的分塊顏色直方圖進行改進，并融合邊緣方向直方圖特征來實現(xiàn)圖像檢索。

2 圖像檢索算法流程

本文從織物圖像的視覺特性出發(fā)，提取圖像的顏色特征、邊緣特征，將提取到的特征進行特征融合，對待檢索圖像特征與數(shù)據(jù)庫圖像特征進行相似性度量，根據(jù)相似程度進行排序并顯示檢索結果。

2.1 改進的分塊顏色特征提取

RGB顏色空間作為工業(yè)界的一種顏色標準，無法模擬人類感知顏色的方式，應用HSV顏色空間來描述顏色符合人們的視覺習慣。在基于內容的圖像檢索中，根據(jù)人眼視覺特征將圖像從RGB顏色空間轉換成HSV顏色空間。

顏色空間量化是進行顏色特征提取之前很重要的操作，進行顏色空間量化時量化距離越小，圖像檢索精度就越高，但量化距離過小又會產生人眼不能分辨的顏色；量化距離越大，顏色信息的損失就越多，所以對顏色空間的H、S、V分量做非等間隔量化，構造特征矢量，分別提取HSV顏色空間3個通道的顏色特征。

顏色直方圖描述不同色彩在整幅圖像中所占的比重，是圖像檢索系統(tǒng)中應用較廣泛的一種方法。直方圖特征提取簡便并容易計算，具有圖像尺度不變性和旋轉不變性等特點。傳統(tǒng)的顏色直方圖描述圖像顏色的概率統(tǒng)計特征，丟失了顏色的空間分布信息，因此本文提出改進的分塊顏色直方圖。

傳統(tǒng)的分塊策略是3×3分塊模式，該種分塊方法簡單且易于實現(xiàn)，但它并沒有考慮各子塊之間的內在聯(lián)系，針對人的視覺注意機制，總是先注意到中心位置的圖像信息，所以將一幅織物圖像按圖1的方式分成5個區(qū)域：左上角、右上角、右下角、左下角、圖像的中心。具體分塊步驟：第一步，對于一幅紡織品圖像h×w，首先計算圖像的中心坐標(cx,cy)；第二步，將圖像按照2×2模式分為4個區(qū)域；第三，選取半徑分別為a=(0.75×w)/2、b=(0.75×h)/2的橢圓作為中心區(qū)域(區(qū)域5)，橢圓區(qū)域的中心即為圖像的中心坐標。

(a)原圖

(b)分塊后圖像

圖1 圖像分塊

每張圖像分別提取各個子塊區(qū)域的顏色特征，對顏色空間做非等間隔量化。經(jīng)試驗，將色調H分為8份，飽和度S分為3份，明度V分為3份時檢索效果最好，即將量化后的3個顏色分量合成一個72維的特征矢量，每張圖像可得到一個360維的特征向量。

2.2 邊緣方向特征提取

邊緣特征作為判斷織物類別的重要特征，在基于內容的圖像檢索中可有效地進行區(qū)域性表達[11]。邊緣方向直方圖特征提取方法是基于輪廓的形狀描述符，在邊緣檢測的理論基礎上提出的一種形狀邊緣特征的提取方法。首先使用Canny算子對灰度化后的織物圖像G(x,y)進行邊緣檢測，提取圖像的邊緣點[12]；其次計算各個像素的邊緣方向，計算公式見式(1)；最后統(tǒng)計各方向像素的數(shù)目，并以此作為一組特征向量存儲成特征向量庫。

(1)

式中：Gx、Gy分別為x方向和y方向的導數(shù)，∠Gxy即為梯度向量的方向。

分析織物圖像特點，為了更好地區(qū)分顏色分布相近但織物種類不同的圖像，將提取到的邊緣方向由-180°～180°量化到0°～45°，即方向被量化為8個bins。不同種類圖像的邊緣直方圖對比如圖2所示。其中，圖2(d)、圖2(e)、圖2(f)分別為圖2(a)、圖2(b)、圖2(c)的邊緣方向直方圖，圖2(a)、圖2(b)為相同種類的織物圖像，圖2(b)、圖2(c)為顏色分布相似的圖像。對比分析其對應的邊緣方向直方圖可知，本文提出的邊緣方向直方圖可以很好地區(qū)分顏色分布相近但形狀結構不同的圖像，彌補了單一顏色特征檢索方法的不足，使檢索精度更高。

(a)織物圖像1

(b)織物圖像2

(c)織物圖像3

(d)直方圖1

(e)直方圖2

(f)直方圖3

圖2 不同織物圖像及其邊緣方向直方圖

2.3 相似度度量

相似性度量能夠反映兩幅圖像之間的相似程度，一般通過計算兩個特征向量之間的距離來實現(xiàn)[13]。使用的距離定義方式不同，將直接影響檢索算法的準確率?？ǚ骄嚯x可以有效地反映特征向量之間相對距離的變化，用卡方距離構建的相似度計算方法可以獲得更優(yōu)的檢索性能。

卡方距離是根據(jù)卡方統(tǒng)計量得出的，卡方相似度為0的圖像被認為是相同圖像，隨著卡方相似度值的增大，圖像之間的相似度降低?？ǚ骄嚯x計算見式(2)。

(2)

式中：ai和bi分別表示待檢索圖像A與圖庫中圖像B特征向量中的第i個值，D(a,b)為A和B之間的卡方距離。

顏色特征與邊緣特征均利用上述卡方距離來衡量兩張圖像的相似度，并采用加權平均融合顏色和邊緣特征的距離，則查詢圖像與圖庫中某一圖像的距離見式(3)。

D(a,b)=?1D1+?2D2

(3)

式中：?1為分塊顏色特征的權值，?2為邊緣特征的權值，且?1+?2=1，D1和D2分別表示顏色特征和邊緣特征的卡方距離。

3 試驗結果與分析

為驗證本文提出算法的檢索性能，仿真試驗在MATLAB R2014a上運行實現(xiàn)，計算機硬件配置為英特爾i5-4460，CPU主頻3.20 GHz，4 GB內存，操作系統(tǒng)為Windows 10。選取工業(yè)現(xiàn)場采集的織物圖像數(shù)據(jù)集作為試驗樣本，根據(jù)不同花形圖案的特點，將織物大致分為點狀織物、格子織物、花卉織物、條紋織物、渦紋織物、文字織物等6類圖像，每類圖像各200張，共1 200張。試驗時從每類圖像中隨機抽取20幅圖像進行檢索，總共進行120次查詢，其中每次檢索都選取前10幅最相似的圖像作為試驗顯示結果。利用查全率和查準率作為試驗性能評價標準，對于每類圖像而言，將其20次檢索結果的查準率平均值和查全率平均值，作為該類圖像檢索結果的平均查準率和平均查全率。查準率及查全率的公式見式(4)、式(5)。

(4)

(5)

式中：M表示一次檢索得到的相關圖像數(shù)，N表示圖像庫中與待檢索圖像相關但未檢索到的圖像數(shù)，P表示檢索到與待檢索圖像不相關的圖像數(shù)。

在織物圖像檢索系統(tǒng)中，圖像通常由多個視覺特征來表示。顏色信息是信息量最大的特征，而邊緣信息可以作為另一個重要的空間特征。在該系統(tǒng)中，為了在顏色和邊緣特征的融合中選擇合適的權值，在不同權值上對上述隨機抽取的120幅圖像進行檢索精度的測試，檢索平均查準率見表1。

表1不同權值下的平均檢索查準率

1,2各花形平均檢索查準率/%花卉 格子 條紋 文字 渦紋 點狀平均檢索查準率/%0.1,0.90.2,0.80.3,0.70.4,0.60.5,0.50.6,0.40.7,0.30.8,0.20.9,0.144.545.046.062.570.086.578.568.066.043.545.552.058.068.078.067.564.062.572.082.093.594.096.598.074.567.558.548.552.058.564.568.572.062.561.558.043.046.056.056.574.076.566.564.053.546.548.059.072.072.574.068.562.558.049.6753.0860.8367.9274.9280.8369.6764.5859.42

由表1可以得出，當?1=0.6 ，?2=0.4時，該檢索算法在各個織物種類上的平均查準率最高，平均檢索查準率為80.83%，且對條紋以及花卉織物的檢索效果較好，條紋織物的平均檢索查準率高達98%。部分織物圖像檢索效果如圖3所示，其中圖3(a)和3(b)的檢索結果理想，但圖3(c)的檢索結果中出現(xiàn)了誤檢現(xiàn)象，第9張將方格織物檢索為條紋，出現(xiàn)此類情況的原因是由于織物中含有條紋和方格兩種特征，但在檢索圖像庫中人為將其劃分為方格織物。

(a)檢索1

(b)檢索2

(c)檢索3

圖3 不同類別織物圖像的檢索結果

為驗證本文算法的優(yōu)越性，對比單一分塊顏色特征與文獻[14]算法，文獻[14]采用改進的顏色特征融合Hu不變矩形狀特征進行檢索，不同檢索算法的平均查準率及查全率如圖4所示，檢索效果如圖5所示?？梢钥闯?，對于一幅點狀織物圖像，基于分塊顏色直方圖的檢索算法只檢索出一幅相關圖像，文獻[14]中算法檢索到3幅點狀圖像，而本文算法檢索出的圖像均為點狀織物圖像。單一的分塊顏色直方圖特征檢索只能檢索出與待檢索圖像顏色相近的圖像，受顏色特征影響較大，所以不適合顏色豐富的紡織品圖像檢索；與文獻[14]的檢索方法相比，本文算法對織物檢索有較高的針對性，能獲得較好的檢索效果。

(a)不同算法的平均查準率

(b)不同算法的平均查全率

(a)本文算法

(b)分塊顏色特征檢索

4 結論

本文在借鑒前人特征融合算法的研究基礎上，針對織物特點，提出了一種基于分塊顏色直方圖和邊緣方向特征的圖像檢索算法。該算法采用分塊顏色直方圖獲取顏色信息，邊緣檢測算法提取邊緣特征，最后加權融合兩種特征進行檢索。該檢索系統(tǒng)有效地解決了單一分塊顏色特征檢索準確率低的問題，能夠應用到織物圖像的檢索中，提高了圖像檢索的平均查準率。