郭曉娟，成繼福

（河南科技學(xué)院，河南新鄉(xiāng) 453003）

在基于內(nèi)容的圖像檢索中，形狀檢索是一個(gè)重要的方面.所以，形狀的提取和描述在基于內(nèi)容的圖像檢索系統(tǒng)中占有重要的地位.對(duì)于自然界的物體，形狀可能比顏色和紋理包含更多的語(yǔ)義信息，所傳遞的語(yǔ)義往往更具體、更準(zhǔn)確[1]，但是，形狀的描述僅僅是在一定的程度上體現(xiàn)人們對(duì)形狀的感知，給人感覺(jué)完全不同的形狀可能有相同的特征量.

物體和區(qū)域的形狀是圖像表達(dá)和圖像檢索中的重要特征，但不同于顏色或紋理等特征，形狀特征的表達(dá)必須以對(duì)圖像中物體或區(qū)域的劃分為基礎(chǔ).由于當(dāng)前的技術(shù)無(wú)法做到準(zhǔn)確而魯棒的自動(dòng)圖像分割，圖像檢索中的形狀特征只能用于某些特殊應(yīng)用，在這些應(yīng)用中圖像包含的物體或區(qū)域可以直接獲得.另一方面，由于人們對(duì)物體形狀的變換、旋轉(zhuǎn)和縮放主觀上不太敏感，合適的形狀特征必須滿足對(duì)變換、旋轉(zhuǎn)和縮放無(wú)關(guān)，對(duì)形狀相似度的計(jì)算也帶來(lái)了難度[2].

1 形狀特征提取算法

通常來(lái)說(shuō)，形狀特征有兩種表示方法：一種是輪廓特征，一種是區(qū)域特征.前者只用到物體的外邊界，而后者則關(guān)系到整個(gè)形狀區(qū)域.下面將詳細(xì)分析一種典型的形狀特征提取法——Hu不變矩算法.

形狀不變矩（Moment Invariants）是基于區(qū)域的物體形狀表示方法.基于區(qū)域形狀的中心矩和歸一化中心矩原理，Hu提出了一系列具有旋轉(zhuǎn)、縮放和平移無(wú)關(guān)的七個(gè)矩特征[3].計(jì)算方法如下：

一幅數(shù)字圖像 f（x， y）的二維（p+q）階矩定義為

通過(guò)公式（4）～（10），可以計(jì)算得到圖像的Hu不變矩.Hu不變矩具有對(duì)平移、旋轉(zhuǎn)及縮放的不變性，易于實(shí)現(xiàn).而且其適用面較廣，對(duì)輸入圖像質(zhì)量要求不是很高，一般不需要對(duì)圖像進(jìn)行預(yù)處理，可以降低整個(gè)算法的時(shí)間復(fù)雜度.除了上述幾種方法之外，近年來(lái)在形狀的表示和匹配方面的工作有很多進(jìn)展，但設(shè)計(jì)一種符合人們主觀判斷的形狀相似度量算法還是一個(gè)有待解決的難題.

2 相似性度量算法

距離相似性度量方法就是利用相關(guān)距離計(jì)算函數(shù)，計(jì)算被檢對(duì)象和目標(biāo)對(duì)象的特征序列之間的結(jié)果，用該計(jì)算值來(lái)判別對(duì)象之間的相似性程度.一般情況下圖像都是多維特征矢量表示的，通過(guò)計(jì)算特征矢量在特征空間的距離可以得到兩個(gè)圖像的相似度[4].以下分別對(duì)目前在基于內(nèi)容圖像檢索系統(tǒng)中常用到的幾種距離度量算法[5]進(jìn)行分析.

歐幾里德距離是簡(jiǎn)單的距離公式，也是在CBIR中應(yīng)用較廣的距離公式，它可以單獨(dú)用于顏色直方圖和紋理特性的匹配.但歐幾里德公式完全不考慮向量各維之間的關(guān)系，而且各維必須是同等重要的，這就大大影響其使用范圍和有效性，故又引入加權(quán)歐幾里德距離.加權(quán)歐幾里德距離

式（14）中的wi是各分量的加權(quán)系數(shù).加權(quán)歐幾里德距離考慮不同維之間的不同重要性，由于CBIR系統(tǒng)通常抽取了大量的特征，不同特征的重要性都是不同的，因此加權(quán)歐幾里德距離在CBIR系統(tǒng)中應(yīng)用很廣，可單獨(dú)用于顏色直方圖、紋理、形狀或它們的聯(lián)合向量.

3 基于形狀特征檢索的實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)實(shí)現(xiàn)了經(jīng)典算法Hu不變矩來(lái)提取形狀特征的檢索方法，所采用的相似性度量方法為歐氏距離，實(shí)驗(yàn)所用到的數(shù)據(jù)分別來(lái)自UIUC圖庫(kù)中的鳥類的egret（共97幅），蝴蝶類的zebra（共91幅）和Caltech101圖像庫(kù)中chair（共60幅），strawberry（共30幅）等4類圖庫(kù).所采用示例圖像分別為egret類中的egr002.jpg，chair類中的image_0001.jpg，zebra類的中zeb001.jpg，strawberry類中的image_0001.jpg.

不同測(cè)試圖例的結(jié)果如表1所示.

表1 不同圖例基于形狀的檢索結(jié)果比較

在表1中，相關(guān)圖像數(shù)，是測(cè)試圖庫(kù)中與示例圖像相關(guān)的圖像數(shù)；檢索結(jié)果總數(shù)，是對(duì)不同測(cè)試圖庫(kù)使用共生矩陣進(jìn)行紋理檢索得到的數(shù)目，檢索的閾值默認(rèn)為0.4，檢索的最大值默認(rèn)為100，本次實(shí)驗(yàn)中閾值的設(shè)置為0.3，檢索的最大值采用默認(rèn)值.這兩個(gè)參數(shù)用戶可以自己設(shè)置，不同的參數(shù)設(shè)置可以得到不同的檢索結(jié)果數(shù).檢索結(jié)果相關(guān)圖數(shù)是檢索結(jié)果集中與示例圖像相關(guān)的圖像數(shù)，檢索結(jié)果相關(guān)圖像數(shù)同時(shí)影響著查準(zhǔn)率和查全率.本實(shí)驗(yàn)中，隨著所選取的測(cè)試圖例的不同、參數(shù)不同而得到不同的檢索結(jié)果數(shù)目；查準(zhǔn)率和查全率是一組相互影響的評(píng)價(jià)標(biāo)準(zhǔn)，兩者共同決定了檢索效果.

Hu不變矩具有較好的旋轉(zhuǎn)、平移和尺度不變性，適用于對(duì)具有放置平移和尺度變化、旋轉(zhuǎn)變化的圖像進(jìn)行檢索.在同樣條件下，綜合考慮到查準(zhǔn)率和查全率后，由表1可以看出，對(duì)于背景單一而對(duì)象形狀突出的圖像如strawberry類、chair類的檢索效果較好；對(duì)背景相對(duì)簡(jiǎn)單，對(duì)象的形態(tài)各異的圖像檢索如egret類和zebra類也能得到較好的檢索效果.當(dāng)然表中的數(shù)據(jù)也會(huì)隨著測(cè)試圖例與圖庫(kù)的變化而變化，但是從總體來(lái)看，四類測(cè)試圖例的平均查準(zhǔn)率與查全率分別為60.675%和68.9%，所以利用Hu不變矩進(jìn)行檢索也可得到較好的檢索效果.

4 結(jié)束語(yǔ)

本文在研究與分析了紋理特征提取算法Hu不變矩以及相似性度時(shí)算法的基礎(chǔ)上，利用UIUC和Caltech101圖像數(shù)據(jù)庫(kù)，驗(yàn)證了采用Hu不變矩的形狀特征提取算法的有效性，最后對(duì)不同圖像數(shù)據(jù)庫(kù)采用同一種特征提取方法的檢索結(jié)果進(jìn)行比較.可以看出，對(duì)背景相對(duì)簡(jiǎn)單，對(duì)象的形態(tài)各異的圖像還是具有較好的檢索性能，可以得到較好的檢索效果.但由于文中所用的圖像數(shù)據(jù)庫(kù)種類比較單一且數(shù)量也不是很多，檢索的速度比較快，如果使用種類繁雜的大量網(wǎng)絡(luò)數(shù)據(jù)庫(kù)圖像進(jìn)行檢索時(shí)，該實(shí)驗(yàn)系統(tǒng)的檢索速度會(huì)比較慢，這也是下一步需要解決的問(wèn)題.同時(shí)對(duì)圖像進(jìn)行單一特征檢索不能很好地描述圖像的特征，以后的研究會(huì)趨向于多特征以及相關(guān)反饋等方面的研究.

[1]呂娜，孫楊民，黃國(guó)豐.對(duì)圖像檢索應(yīng)用概況的研究[J].情報(bào)科學(xué)，2002，（20）:3-5.

[2]樊亞春，耿國(guó)華，周明全.用不變矩和邊界方向進(jìn)行形狀檢索[J].小型微型計(jì)算機(jī)系統(tǒng)，2004，25（4）:652-659.

[3]岡薩雷斯.數(shù)字圖像處理（第二版） [M].阮秋琦，阮宇智,譯.北京:電子工業(yè)出版社，2002:224-272.

[4]Sameer A，Rangachar K，Ramesh J.A survey on the use of pattern recognition methods for abstraction， indexing and retrieval of images and video[J].Pattern Recognition，2002，（35）:945-965.

[5]李瑜，李磊.基于內(nèi)容的圖像檢索的方法研究[J].計(jì)算機(jī)科學(xué)，1999，（26）:8-10.