秦智康，張衡陽

(空軍工程大學(xué) 信息與導(dǎo)航學(xué)院，陜西 西安 710077)

1 引 言

圖像搜索在電子商務(wù)、醫(yī)學(xué)影像、圖像處理等領(lǐng)域都有重要地位。近年來，硬件技術(shù)的快速發(fā)展和計(jì)算機(jī)能力的增長為移動(dòng)互聯(lián)網(wǎng)爆炸式增長提供了條件，也導(dǎo)致互聯(lián)網(wǎng)能獲取大量圖像數(shù)據(jù)。由于空間和時(shí)間的限制，圖像以壓縮格式表示。主流的圖像檢索系統(tǒng)分兩個(gè)階段運(yùn)行：索引和搜索。在索引階段，使用一組圖像特征屬性(例如顏色、形狀、紋理和布局)來表示數(shù)據(jù)庫的每個(gè)圖像。提取的特診存儲(chǔ)在特征數(shù)據(jù)庫中[1]。在搜索階段，當(dāng)用戶進(jìn)行查詢時(shí)，計(jì)算查詢信息的特征向量。根據(jù)相似性標(biāo)準(zhǔn)將該向量與特征數(shù)據(jù)庫中的向量進(jìn)行比較，再將最相似的圖像返回。學(xué)術(shù)界和工業(yè)界一直研究如何更高效地實(shí)現(xiàn)圖片檢索，孫世然等采用圖像信息熵來提取圖片的紋理特征，同時(shí)利用Gabor濾波器進(jìn)一步提升了特征準(zhǔn)確性，從而改進(jìn)了檢索的準(zhǔn)確率[2]。許喆等采用局部哈希的策略對圖像特征點(diǎn)進(jìn)行聚類操作，并利用映射鏈投票來降低復(fù)雜度，提升檢索精度[3]。王力采用Hadoop分布式系統(tǒng)采集圖像SURF特征,并利用K-Means聚類方法將相似度高的圖片進(jìn)行聚合，提高了處理速度[4]。文獻(xiàn)[5]采用多特征融合的圖像檢索算法，結(jié)合全局和局部特征來提升檢索的成功率。文獻(xiàn)[6]利用顏色直方圖和GWLBP結(jié)合，實(shí)現(xiàn)了圖像的良好分類，提升了檢索效率。

目前為止，對于圖像搜索的研究在變換域中關(guān)于紋理特征的利用還不夠充分[7]，大多采用固定的參數(shù)實(shí)現(xiàn)紋理特征的提取[8-12]，本文研究工作將重點(diǎn)放在變換域中的特征提取，并利用自適應(yīng)的方法動(dòng)態(tài)調(diào)整變換域的參數(shù)，從而更加適用于更多類型的圖片。

2 本文算法核心結(jié)構(gòu)

圖1顯示了基于內(nèi)容的圖像檢索系統(tǒng)的基本框圖。

圖1 本文系統(tǒng)核心框架圖

本文提出的方法比較了使用DWT的基于內(nèi)容的圖像檢索與融合歐幾里德距離(L2)、曼哈頓距離(L1)和標(biāo)準(zhǔn)歐幾里德距離(標(biāo)準(zhǔn)L2)的相似性匹配的紋理的性能。使用離散小波變換分解圖像分量。在DWT之后，使用GLCM獲取圖像的低頻分量(LL)用于紋理特征提取，然后將所有列車圖像的最終特征向量存儲(chǔ)在數(shù)據(jù)庫中，同時(shí)對查詢圖像執(zhí)行相同的過程。最后通過使用L1、L2、標(biāo)準(zhǔn)L2的加權(quán)總和作為實(shí)際距離，檢索前5個(gè)相似圖像。

2.1 離散小波變換

用Wφ來表示圖像變換結(jié)果，尺寸為N1×N2的圖像函數(shù)s(n1,n2)的二維DWT可以表示為

(1)

(2)

其中：i={H,V,D}表示小波函數(shù)的方向指數(shù)；j0表示任何起始標(biāo)度，其可以被視為j0=0。

與其他變換相比，DWT[6]的特點(diǎn)是同時(shí)考慮到了時(shí)間和頻率特性，同時(shí)具有較強(qiáng)的魯棒性，因此在很多領(lǐng)域得到廣泛應(yīng)用。從第一級(jí)到第三級(jí)的二維離散小波變換結(jié)果如圖2所示，其中L為低頻分量，H為高頻，數(shù)字1和2為離散小波變換的分解級(jí)別。子圖像LL是低頻分量，它是原始圖像的近似子圖像;子圖像HL是水平方向上的低頻和垂直方向上的高頻分量，它表示原始圖像的水平邊緣;子圖像LH是水平方向上的高頻和垂直方向上的低頻分量，它表示原始圖像的垂直邊緣;子圖像HH是高頻分量，它表現(xiàn)出原始圖像的傾斜邊緣。顯示原始圖像的大部分能量包含在LL2低頻區(qū)域中。并且相同尺寸的其他區(qū)域以不同角度反映圖像的邊緣特征。這里使用二維離散Haar小波變換來分解圖像。

圖2 二維離散小波變換結(jié)果

2.2 圖像特征提取

圖像的一個(gè)重要特征是紋理。為了描述區(qū)域的紋理特性，在圖像處理中使用3種方法，這些方法是統(tǒng)計(jì)、結(jié)構(gòu)和光譜的方法。統(tǒng)計(jì)方法通過光滑、粗糙、顆粒狀、絲滑等來指定紋理的分類。常見的二階統(tǒng)計(jì)方法是灰度共生矩陣。

灰度共生矩陣(Gray Level Co-occurrence Matrix，GLCM)方法基于條件概率密度函數(shù)，它包含了具有相似灰度值的像素位置的信息，包括方向和距離。在給定了方向和距離的情況下，可以計(jì)算符號(hào)灰度級(jí)像素i、j，如式(3)所示：

(3)

其中行數(shù)和列數(shù)等于圖像中的灰度界別。矩陣元素p(i,j|d,θ)是由距離d分開的兩個(gè)像素的相對頻率，可以看到，GLCM是通過使用方向、距離、位置這3個(gè)屬性的灰度級(jí)共現(xiàn)矩陣來提取紋理特征。

相似度：它返回一個(gè)值用于衡量GLCM中元素分布的緊密程度。其范圍為[0 1]。

(4)

圖像能量：灰度共生矩陣中的平方元素之和稱為能量。其范圍為[0 1]。恒定圖像的能量為1。

(5)

相關(guān)性：返回一個(gè)像素與整個(gè)圖像上領(lǐng)域的相似度。它的范圍是[-1 1]。對于完全正相關(guān)或負(fù)相關(guān)的圖像，相關(guān)性為1或-1。

已經(jīng)使用諸如歐幾里德、曼哈頓和標(biāo)準(zhǔn)歐幾里德距離的距離測量來確定特征向量的相似性。在本文實(shí)現(xiàn)的算法中，歐幾里德距離、標(biāo)準(zhǔn)歐幾里德距離以及曼哈頓距離都用于比較圖像之間的相似性。兩個(gè)圖像之間的距離主要用于查找、查詢圖像與數(shù)據(jù)庫中圖像之間的相似性。

歐幾里得距離：歐幾里德距離的平方根與相應(yīng)值之間距離的平方和。

(6)

曼哈頓距離：它計(jì)算從一個(gè)數(shù)據(jù)點(diǎn)到另一個(gè)數(shù)據(jù)點(diǎn)距離的相應(yīng)樣本的差異總和。

(7)

標(biāo)準(zhǔn)歐氏距離：將歐幾里德距離根據(jù)標(biāo)準(zhǔn)化算法計(jì)算出來。標(biāo)準(zhǔn)值=(原始值-平均值)/標(biāo)準(zhǔn)偏差。

(8)

2.3 自適應(yīng)算法

相關(guān)反饋(RF)算法可以交互式地提高檢索系統(tǒng)的有效性。傳統(tǒng)的相關(guān)反饋算法由3個(gè)步驟組成：(a)系統(tǒng)對用戶提供的查詢模式進(jìn)行初始搜索，返回少量圖像;(b)用戶指出哪些檢索到的圖像是有用的(相關(guān)的);(c)系統(tǒng)根據(jù)用戶的相關(guān)性判斷自動(dòng)重新構(gòu)造原始查詢。此過程可以繼續(xù)迭代，直到用戶滿意為止。

本文提出以下算法來確定查詢圖像與圖像數(shù)據(jù)庫中圖像之間的相似度：

步驟1:輸入需要查詢的圖像I；

步驟2：將RGB顏色空間圖像轉(zhuǎn)換為HSV顏色空間；

步驟3：將圖像分成3個(gè)相等的非重疊水平區(qū)域；

步驟4：計(jì)算3個(gè)區(qū)域的顏色通道，以對應(yīng)從查詢圖像I中的相似度；

步驟5：使用公式(6)、(7)、(8)計(jì)算兩個(gè)圖像之間的距離d并存儲(chǔ)到距離矩陣dm中；

步驟6：數(shù)組d按升序排序，與查詢圖像I相比，對應(yīng)于d的第一元素的圖像是最相似的圖像。

本文采用交互式遺傳算法(IGA)來實(shí)現(xiàn)自適應(yīng)[13]。在圖像檢索的早期階段，系統(tǒng)的準(zhǔn)確率較低，返回的結(jié)果也較少，在這種情況下先由較少的幾個(gè)結(jié)果作為父代執(zhí)行遺傳操作，并讓用戶反饋效果，根據(jù)這些相關(guān)性反饋，重新計(jì)算查詢圖像與數(shù)據(jù)庫中圖像之間的相似性。當(dāng)用戶對檢索結(jié)果滿意時(shí)，系統(tǒng)終止。

用戶輸入查詢圖像，最初執(zhí)行所有數(shù)據(jù)庫圖像的特征提取。執(zhí)行每個(gè)查詢圖像的特征提取，完成使用交互式遺傳算法的相似性測量結(jié)果顯示。如果用戶滿意，則顯示的結(jié)果是最終結(jié)果并且搜索結(jié)束。如果用戶不滿意，根據(jù)用戶對檢索結(jié)果的反饋再次使用遺傳算法來搜索結(jié)果，并通過調(diào)整用戶判斷來計(jì)算相似度函數(shù)。如果用戶仍不滿意，則重復(fù)此步驟。在實(shí)際應(yīng)用中，僅使用單個(gè)特征的檢索結(jié)果可能是低效的，因此會(huì)導(dǎo)致整個(gè)遺傳算法的執(zhí)行次數(shù)過多，效率低下，因此為了獲得更加高效的結(jié)果，本文使用顏色和紋理特征的組合。查詢圖像與數(shù)據(jù)庫中圖像之間的距離計(jì)算如下：

d=w1×d1+w2×d2，

(9)

其中：w1是顏色特征的權(quán)重，w2是紋理特征的權(quán)重，d1和d2是計(jì)算的距離。

3 實(shí)驗(yàn)和結(jié)果分析

本文用查準(zhǔn)率度和召回率衡量檢索系統(tǒng)的性能。查準(zhǔn)率p等于檢索到的相關(guān)圖像數(shù)除以數(shù)據(jù)圖像集中總的相關(guān)圖像數(shù)，召回率r等于系統(tǒng)中檢索到的相關(guān)圖像數(shù)處于檢索到的總的圖像數(shù)[14]。

本文采用CIFAR-10數(shù)據(jù)集進(jìn)行測試，CIFAR-10數(shù)據(jù)集有50 000訓(xùn)練圖片和10 000測試圖片[15]，含有10類彩色圖像，圖像規(guī)格是32×32?？紤]顏色和紋理特征的組合不僅能夠表達(dá)更多的圖像信息，還能從不同方面描述圖像以獲得更詳細(xì)的信息以獲得更好的搜索結(jié)果。同時(shí)對于不同圖片，其特征信息的權(quán)重也有所不同，本文對CIFAR-10中不同類型圖像的權(quán)重設(shè)置如表1所示。

表1 不同類型圖像的權(quán)重選擇

通過本文算法，經(jīng)過訓(xùn)練之后，輸入不同的圖片類型，輸出結(jié)果如圖3所示。

圖3 檢索結(jié)果

通過檢索結(jié)果可以看到，本文算法搜索出的前5張的圖片準(zhǔn)確度相對較高，都能夠搜索出正確的結(jié)果。

本文的對比實(shí)驗(yàn)采用傳統(tǒng)的GA算法、GA+傳統(tǒng)的DCT變換以及本文提出算法。表2總結(jié)了不同訓(xùn)練迭代次數(shù)下的召回率和查準(zhǔn)率對比，可以看到，在增加訓(xùn)練次數(shù)的情況下，不同的算法都在召回率和查準(zhǔn)率上有所提高，同時(shí)本文算法準(zhǔn)確率都優(yōu)于對比的傳統(tǒng)算法。

表2 檢索查準(zhǔn)率和召回率對比

4 結(jié) 論

提出了一個(gè)基于灰度共生矩陣的二維離散Haar小波變換算法，改進(jìn)了基于內(nèi)容的圖像檢索，該灰度共生矩陣用于提取圖像的紋理特征、并采用IGA算法進(jìn)行自適應(yīng)。算法充分考慮了顏色特征，紋理特征和形狀特征，并融合了歐式距離、標(biāo)準(zhǔn)歐氏距離以及曼哈頓距離作為相似度度量。通過實(shí)驗(yàn)可以看出，本文提出的算法能有效搜索到相似圖片，同時(shí)在召回率和查準(zhǔn)率上都優(yōu)于傳統(tǒng)算法，訓(xùn)練迭代次數(shù)為30，60，100的情況下，本文算法的準(zhǔn)確率達(dá)到67%以上。實(shí)驗(yàn)證明本文的算法對于圖像檢索有較高的參考價(jià)值。