寧海濤

(長春工業(yè)大學人文信息學院，吉林 長春 130122)

1 引言

當前國家的科技水平和計算機網絡技術處于高速發(fā)展階段，隨之發(fā)展的還有圖像等多媒體領域，隨之而來的就是圖像數據的激增問題[1]。圖像數據激增后則會帶來較高的數據管理需求，目前人們面臨著如何實現對海量圖像數據信息進行分析、檢索和提取等問題，尤其是多媒體數據。相關學者針對這些問題作出了很多研究，大體上是基于圖像內容的視覺信息檢索，通過多媒體圖像對視覺內容進行檢索，例如顏色、形狀、紋理、空間分布和綜合特征等內容[2]。在這些視覺特征中，顏色作為最明顯的圖像特征，是人對圖像識別的主要感知特征[3]。另外，該特征經過旋轉和縮放都會保持不變，比其它特征更易獲得。在對圖像數據進行檢索時，顏色是使用率最高的特征之一。該領域的學者為此做了大量實驗，同時得出了很好的圖像檢索方法。

旋轉圖像檢索方法。通過設計多種具有旋轉和縮放不變性的基元結構描述符號，得到基元過度矩陣和平均矩陣，對圖像的紋理和顏色特征進行描述，同時以這兩個矩陣為基礎，采用統(tǒng)計學法獲得基元序列和相應顏色出現的頻率，最終得到顏色基元共生矩陣作為檢索結果[4]。結合顏色特征直方圖和灰度共生矩陣的圖像無序激增數據檢索方法。該方法最終通過加權平均法計算兩個特征之間的距離，以計算的距離值為圖像檢索結果[5]。顏色和紋理特征融合的圖像無序激增數據檢索方法。該方法首先從特定的圖像網格區(qū)域內提取兩個目標特征，然后對每個顏色值的紋理特征進行提取，得到具有旋轉和縮放不變性的混合目標特征，最終將混合特征的分析結果視為圖像檢索結果[6]?；陬伾图y理特征的SVD圖像檢索方法。該方法采用歐幾里德距離對圖像的相似程度進行分析計算，相似度計算結果就是圖像檢索結果[7]。

傳統(tǒng)方法通常都是將顏色特征和其它顯著特征融合，再對圖像進行檢索。這種融合特征的圖像檢索方法，當特征總數量過多時，可能會出現目標特征提取不足的情況，導致檢索結果較差，準確度低等問題，同時由于提取目標特征以及將其融合的過程較為繁瑣耗時，可能會影響整體運行時間。為此，提出一種基于分塊主色法的圖像無序激增數據檢索方法。經過仿真證明，該方法具有較好的檢索性能，且運行時間較短，檢索準確度較高。

2 基于分塊主色法的圖像檢索

2.1分塊主色法主要思想

基于分塊主色法對圖像進行檢索的主要思想：依據一定策略對圖像空間進行分塊處理，然后計算每個圖像分塊的主色調，將其視為該圖像分塊的顏色特征。分塊的主顏色就是在特定分塊中所占像素數量最大的顏色[8]。在對圖像進行檢索時第一步驟就是計算相應分塊主色之間距離，第二步采用加權法對該距離進行累計，并將最終距離視為圖像之間的實際距離。距離越小，則圖像之間的差異越微弱。

通常來說，一幅圖像可以具有大量可以代表圖像主要信息的畫面。如果在進行操作之前沒有對圖像相應的先驗知識有所了解，那么檢索系統(tǒng)想要對主要內容信息的分布和畫面尺寸進行確定是非常困難的。為了降低圖像檢索的誤差，令多個代表圖像主要信息的區(qū)域處在一個分塊內。為此，研發(fā)了一種圖像分塊策略：運用多個劃分樣式、尺寸和排列方式拆分圖像，將圖像拆分成小圖像塊。圖像中主題畫面可能會包含相鄰的分塊，在劃分之前令相鄰分塊在不同方向上各有特定的重合區(qū)域，分塊的重合區(qū)域選取該分塊尺寸的四分之一或是五分之一。

選用這種分塊方式可以選擇性適應不同粒度和不同位置的主體畫面，這點可以彌補單一分塊方式存在的問題和不足之處。

特征選取和匹配的計算量和難度都會隨著圖像實際顏色數量增加而增大，因此在現實中采用真實顏色對圖像進行檢索是不可能實現的。圖像中的真實顏色中很多個色彩將圖像中大部分的像素覆蓋住。如果選用這些顏色對圖像進行表達，可能會對圖像的質量產生一定影響，但是不會導致人們對圖像信息的錯誤判斷和分析。這時就需要通過在HSV空間中設定一個圖像顏色矢量量化公式，對色彩進行集合，該集合應該具備同時反映人的感知和對圖像原色彩的壓縮。

以HSV非均勻量化為參考，經過對顏色模型和實驗數據的分析，依據視覺特點對亮度Y和飽和度S進行非均勻量化，令經過處理的顏色比較能滿足人的視覺感知。將色調H空間拆分成11份，拆分S和量度V空間成4份；并按照色彩的不同范圍根據下式進行量化

(1)

(2)

公式中憑借H值獲取了若干個顏色空間，其中黑色、白色和灰色是色調H自身不包含的，但圖像受到S和V的影響，會呈現黑色、白色和灰色，因此需要添加這三種顏色。由此可得到將整個空間壓縮成的11×4×4個子空間，用符號L表示每個子空間，L的計算公式如下

L=HQsQv+SQs+V=16H+4S+V

(3)

式中：Qs和Qv分別表示S和V的量化級數；Qs=Qv=4，L∈[0，176]；根據式(3)可獲得空間中圖像的顏色像素值Pi(h，s，v)所處的子空間Li；同時計算圖像中每個子空間的目標像素值，就可得到HSV顏色直方圖。

圖像中的每個分塊，統(tǒng)計特征矢量L，并以L的直方圖為依據，選取像素點數量最多的顏色作為小圖像塊的主顏色，這樣就會得到一個綜合空間目標向量：L=(L1，L2，…，Ln)。

首先對小圖像塊主顏色之間的距離進行計算，計算公式如下

Di(p，q)=|Lpi-Lqi|

(4)

式中，Lpi和Lqi分別表示小圖像塊不同主顏色的特征矢量位置。

然后計算所有小圖像塊之間距離的加權和，并將其作為圖像p和圖像q之間的測量距離，加權和計算公式如下

(5)

式中，Wi表示加權系數。

2.2 圖像無序激增數據檢索

圖像顏色和邊緣均是圖像最重要的特征，通過兩者都可實現對圖像檢索[9-10]。如果將二者結合，將會減少圖像檢索過程中出現的誤差。首先對圖像進行拆分，分成4×4的小塊，并對每個小圖像塊的權值ωij進行自適應設定，以經過加權的一維顏色矢量直方圖為圖像目標特征，并按照相似度進行匹配，以完成圖像的檢索過程。

將圖像基于邊緣進行分割，具體步驟如下：

1)提取圖像的邊緣特征，得到邊緣二值圖像。

2)對圖像進行拆分處理，分成4×4的小塊。

3)對各個小塊中白色像素的比例進行計算。

4)對各個小塊中白色像素數量進行計算。

將待檢索圖像和含有主體內容的圖像分別用q和t進行表示，hq和ht代表兩個圖像的一維顏色矢量直方圖。D2(q，t)代表兩者之間的歐幾里德距離。計算步驟如下：

第一步將兩幅圖像均以4×4進行拆分，按照兩幅圖像中相應小圖像塊的一維顏色矢量直方圖，對兩幅圖像之間的歐幾里德距離進行計算[11-12]，公式表示為

(6)

式中：hij代表經過拆分后圖像處在i行，j列的小塊，m代表顏色經過量化后的值。

第二步對待檢索圖像中每個小圖像塊的權值ωij進行設定。

第三步對待檢索圖像和含有主體內容圖像之間的加權尺度進行計算。

經過計算分塊對應權值之后，可以此為基礎，對待檢索圖像和含有主體內容圖像時間的尺度進行計算，公式如下

然而，跑步運動為何如此蔚然成風？它映射了何種社會狀況和文化訴求？又具有什么社會文化意涵？對此我們需要跳出體育學的范疇，給予社會學的理論觀照。

(7)

對圖像無序激增數據進行檢索的具體步驟如下：

1)將圖像的顏色值轉化為HSV空間，并隨其進行量化；

2)對圖像進行拆分成小塊，并提取主色調和各分塊的主色調，將其余顏色進行排序，得到各分塊的顏色特征；

3)對所有圖像和圖像分塊之間的距離進行計算；

4)對計算所得的距離進行分析，得到最終檢索結果。

3 仿真證明

為了驗證本文方法具有較高的檢索性能，在設備配置為：操作系統(tǒng)Windows 10，CPU 3.5GHz，內存8GB，運行內存2GB的計算機上創(chuàng)建實驗平臺，采用Matlab數據庫處理系統(tǒng)，實驗編程語言選用C++，采用基于MPEG7的Caliph&Emir圖像檢索軟件作為平臺支持。

實驗對象采用某圖像數據庫中隨機挑選的五類(人、車、花、樹、兔子)圖像，每類圖像選出3張(每張圖像都有10張與之相似的圖像)，組成15次檢索，然后將每次檢索的前15張最像似的圖像作為檢索結果。

C=R/N

A=R/M

(8)

式中：R表示檢索得到的激增數據量，N表示整體激增樣本數據量，N表示整體樣本數據量。

通常來說查全率和查準率這兩個值越高，說明方法的性能越好，檢索效果越好，反之越差。

采用旋轉圖像檢索方法、圖像顏色和紋理特征融合檢索方法與本文檢索方法進行對比實驗(為了使實驗結果簡潔易讀取，令方法1、方法2分別代表旋轉圖像檢索方法、圖像顏色和紋理特征融合檢索方法)，并對結果進行分析，如表1所示。

表1 三種方法檢索結果對比

通過分析表1可知：在三種方法中，平均查準率和查全率最低的是旋轉圖像檢索方法，該方法主要針對圖像經過旋轉后，再進行無序激增數據的檢索，圖像經過旋轉后某些特征可能會發(fā)生一定程度的變化，導致檢索結果存在一些誤差，因此實驗評價指標值最低；而圖像顏色和紋理特征融合檢索方法相比，方法1表現得要好一些，該方法平均查準率和平均查全率的最低值分別為48.6%和44.5%，均低于本文方法；本文方法由于選取特征具有旋轉不變形，以該特征為基礎進行圖像檢索具有非常穩(wěn)定的結果，且本文方法將圖像進行分塊處理，并依次檢索，該步驟很大程度上提升了方法的檢索精度。

采用三種不同方法對“人物”圖像進行檢索，檢索效果圖如下所示，圖中a為原始圖像，b為旋轉圖像檢索方法的檢索效果圖，c為圖像顏色和紋理特征融合檢索方法，d為本文方法檢索效果圖：

圖1 不同方法檢索效果對比

通過分析圖1可知：直觀地來看，三種方法都能檢索出原圖像中的內容，但是三種方法檢索出的效果各不相同，經方法1處理過的圖像呈現過亮的狀態(tài)，且顏色像素塊不明顯，存在噪聲干擾；經方法2處理過的圖像，沒有太多的噪聲干擾，但是顏色像素塊過于清晰，使得圖像呈現模糊的狀態(tài)；經本文方法處理的圖像，既能清晰地觀察顏色像素塊，又可以看出圖像受到的干擾較小，由此可知，本文方法具較好的檢索性能。

為進一步驗證本文檢索方法的性能，對本文方法與方法1和方法2的檢索耗時進行對比，結果如圖2所示：

圖2 檢索耗時對比

分析圖2可知，在任意實驗次數下，本文方法的檢索耗時均低于其它兩種方法，且差距較大，表明本文基于分塊主色法的圖像無序激增數據檢索方法具有較好的檢索性能，能快速完成無序激增數據檢索。

4 結束語

針對傳統(tǒng)圖像檢索方法存在的顏色漏檢、檢索效率低和誤差大等問題，提出了基于分塊主色法的圖像無序激增數據檢索方法。該方法將圖像的顏色特征作為檢索通道，將圖像分為小塊，顏色像素最多的作為目標特征，進行圖像無序激增數據的檢索。經過在搭建的試驗平臺上進行仿真可以充分證明，所提方法具有較高的準確度，且檢索效率較高、耗時短。