【摘? 要】衛(wèi)星遙感、醫(yī)療診斷、公安系統(tǒng)等行業(yè)圖像分析應用較為廣泛，圖像數(shù)據(jù)庫規(guī)模逐漸增大，而如何應用此圖像完善查詢、檢索等工作已經(jīng)成為目前研究重點?；诖耍疚闹饕曰诙嗵卣魅诤系膱D像檢索技術切入，分析在顏色、紋理特征基礎上，添加SVM分類模式，可有效提高圖像檢索準確性與效率，對各行業(yè)發(fā)展意義重大。

【關鍵詞】多特征融合;SVM分類;圖像檢索技術

引言

在科學技術不斷發(fā)展下，圖像檢索效率仍然有所不足，互聯(lián)網(wǎng)的發(fā)展盡管為人們提供了諸多資源，但其數(shù)量過于龐大，也導致用戶在檢索信息時無法第一時間獲得所需信息。因此，亟需有一種能夠更加智能、高效、精準檢索圖像的技術，可基于多特征融合與SVM分類方法，為圖像檢索技術添加語義分類能力，以促進圖像檢索實用價值的提升。

1.基于多特征融合的圖像檢索技術

1.1顏色特征

為了正確利用圖像顏色檢索圖像，保證其結(jié)果與人類視覺系統(tǒng)相符，則需要構(gòu)建顏色空間模型，現(xiàn)階段最多顏色模型為RGB模型，其操作較為簡單，但此模型與人類視覺對顏色感知不一致，而HSV顏色空間與人類視覺感知更符合。所以，本文基于多特征融合圖像選擇HSV顏色空間模型，其可與RGB模型轉(zhuǎn)化。

根據(jù)當前人類視覺分辨能力，可依據(jù)不同色彩量化各個分量，將H色調(diào)分為16等分，不同圖像飽和度及亮度不同。圖像亮度（V）、飽和度（S）、色調(diào)（H）計算如下：

完成轉(zhuǎn)化后，需要將各分量合并為維度相同的特征向量，為方便計算則將上述向量向一維特征轉(zhuǎn)變。本次設計以顏色為主的圖像顏色特征方式，以直方圖橫軸代表量化顏色等級，縱軸則是顏色在圖像中比例：

1.2紋理特征

圖像特征中紋理作為其中重要概念，其作為事物表面特有特性，是圖像檢索的主要依據(jù)之一。在描述圖像紋理特征中，主要使用多尺度自然回歸模型法與馬爾科夫分析法，紋理相當于圖像規(guī)則，代表圖像特征。常見紋理譜法主要是通過Gabor濾波器提取圖像紋理，二維模式變換公式見下：

公式中g為母波，w為高斯函數(shù)復調(diào)制動頻率，恰當變換選取g的尺寸，則是利用改變n與m的數(shù)值以達到乙組與原來方向尺寸相似的濾波器。通過提取特征向量，則可獲得此圖像特征向量，以此作為檢索圖像的標準與依據(jù)。

1.3多特征融合技術

圖像特征向量中不同特征分量代表不同的取值范圍與物理意義，在檢索圖像中作用也有所不同，所以在基于多特征檢索圖像時，需要統(tǒng)一一類特征重點不同特征分量及分量，統(tǒng)一處理圖像特征。

特征向量統(tǒng)一內(nèi)部處理是計算此類特征不同分量相似度，讓其權(quán)重相同，此次應用高斯歸一方式處理，假設一維特征向量是，以i代表圖像庫圖像，對某一圖像特征進行標記，組合多個特征后即可獲得特征矩陣，計算矩陣標準差與均值，以獲得歸一圖像特征。

特征向量統(tǒng)一外部處理則是由于紋理與顏色特征向量具有不同含義，需要對此進行處理，讓不同類型特征經(jīng)過相似度計算后擁有

一致性。本次所用方法是計算圖像紋理與顏色對應Fx和Fy相似值，利用線性代數(shù)獲得特征向量標準差與均值，檢索中以相似距離選擇圖像。

2.基于SVM分類的多特征檢索技術

2.1 SVM分類

SVM方法主要是以線性可分離情況發(fā)展而成，求解不可分離線性情況，獲得SVM模型，而非線性SVM模型，可將其進行線性化求解。SVM問題能夠體現(xiàn)出凸優(yōu)化問題，獲得全局最小目標函數(shù)值，其他人工神經(jīng)網(wǎng)絡、分類器等則通常智能得到局部最優(yōu)解。SVM算法由于其能明確數(shù)據(jù)為反類還是正類問題，又可稱其為兩類分類器。但是，實際應用中通常包含諸多類別，如人臉識別、文本分類等，所以主要研究在于從兩類分類器轉(zhuǎn)變成多類分類。而為了解決不同人體，學者在分解算法、二次規(guī)劃算法、增量算法基礎上改進，提出二次規(guī)劃算法，應用單純行法與罰函數(shù)法，通過分解算法步驟方式，以迭代解決。

2.2實驗步驟

文中圖像分類框架如圖1。

第一步，選用圖像庫中圖像共1000副，每個分類平均有100副，在每個分類中選擇80副為訓練集，剩余20副則是檢測檢索性能。

第二步，通過獲取圖片顏色及紋理等特征向量，依據(jù)圖像庫分類做好人工標注，借助不同特征組合分析其對于圖像分類的影響，以提高分類效率。

第三步，則是選擇SVM算法中較為成熟的軟件，可使用LIBSVM軟件，其具有使用便捷的優(yōu)點，以進行圖像分類。

第四步，由于RBF核函數(shù)可獲得較好分類效果，所以圖像分類操作中SVM算法選用RBF核函數(shù)，軟件系統(tǒng)默認此參數(shù)為分類算法并對其進行分類模型訓練。

第五步，完成分類后根據(jù)檢索程序進行。

3.實驗結(jié)果

在基于多特征與SVM分類圖像檢索中，選用Corel圖像庫，結(jié)果如下：

由此可知，基于SVM分類與多特征圖像檢索具有較高檢索效率，可滿足圖像檢索要求。

4.結(jié)束語

綜上所述，單一特征圖像檢索性能受限，無法檢索不同類別圖像。因此，本文提出基于多特征與SVM分類的圖像檢索技術，利用Coerl-test圖像庫，先依據(jù)圖像顏色及紋理特征進行初步檢索后，再選取部分圖像為訓練集實現(xiàn)分類訓練，考慮不同特征優(yōu)先級，以提高檢索效率。

參考文獻

[1]杜躍，蘇碩，李敬錚.基于多特征融合的圖像檢索技術研究與實現(xiàn)[J].現(xiàn)代信息科技，2020，4（03）：83-85.

[2]顧軍華，王鋒，戚永軍，孫哲然，田澤培，張亞娟.基于多尺度卷積特征融合的肺結(jié)節(jié)圖像檢索方法[J].計算機應用，2020，40（02）：561-565.

基金項目：課題名稱：分層多特征融合圖像檢索方法研究，課題編號：No：Y201738641。

作者簡介：潘紅艷，女，漢族，山東青州人，碩士研究生，副教授，研究方向為信息處理。