【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。