王海波，艾斯卡爾·艾木都拉

（新疆大學(xué) 信息科學(xué)與工程學(xué)院，新疆 烏魯木齊 830046）

0 引言

顏色特征是基于內(nèi)容的圖像檢索(CBIR，Content Based Image Retrieval)中一個非常重要的特征，其對圖像本身的尺寸、方向和視角的依賴性較小，具有很強的魯棒性。顏色直方圖[1]是一個使用非常廣泛的顏色特征圖像索引技術(shù)，該技術(shù)提取特征方便，有平移和旋轉(zhuǎn)不變性，但這種技術(shù)僅統(tǒng)計全局顏色特性，失去了顏色空間分布信息，檢索效果不佳。直方圖相交法[2]、色彩聚合矢量法[3]、累加直方圖法[4]等方法的提出，一定程度上改善了顏色直方圖方法的不足，但仍失去部分顏色空間分布信息。文獻[5-6]采用顏色和邊緣綜合特征進行檢索，文獻[7]采用基于小波的 Contourlet變換（WBCT，Wavelet-based Contourlet Transform）與平滑共生矩陣相結(jié)合的方法進行圖像檢索，文獻[8]采用信息代理技術(shù)（Agent）進行圖像檢索，這些方法雖檢索精度有了提高，但其復(fù)雜的算法使得檢索消耗大量的時間，增加了用戶的等待時間。

提出了一種改進的基于顏色和邊緣特征的快速圖像檢索技術(shù)。算法可分為兩步：①是統(tǒng)計HSI顏色空間的H分量并計算色調(diào)直方圖，通過計算特征相似性度量獲得初級檢索圖像庫；②是通過改進的數(shù)學(xué)形態(tài)學(xué)算法對圖像庫進行二次檢索得到檢索結(jié)果。

1 初級檢索圖像庫的建立

1.1 顏色特征提取

常用的顏色空間有RGB顏色模型、CMY和CMYK顏色模型、HSI顏色模型等。由于HSI色彩空間是從人的視覺系統(tǒng)出發(fā)，用色調(diào)、飽和度和亮度來描述色彩，更符合人的視覺特性，故這里采用HSI顏色模型。

統(tǒng)計圖像中H分量的數(shù)量，建立色調(diào)直方圖。用向量(1)和向量(2)分別表示待檢測圖像q和圖像庫中第i個圖像的色調(diào)直方圖特征。

其中N為特征向量的維數(shù)，0＜N≤360，N越大，特征信息越豐富，檢索效果越好，然而計算量也越大。在檢索效果允許的情況下，為減少計算量，經(jīng)實驗現(xiàn)選擇特征分辨率為R=5°。則N=360°/R，即特征向量的維數(shù)為72。

1.2 相似距離計算及初級檢索圖像庫建立

相似距離的選取其對檢索結(jié)果有非常重要的影響。距離越大，兩幅圖像的相似性越小。

由公式（3）可計算圖像庫中每個圖像與待檢測圖像之間的距離向量D如公式(4)，

其中I為圖像庫中圖像的數(shù)量。

假設(shè)Pr為初級檢索圖像庫中圖像的數(shù)量P′與原圖像庫中圖像數(shù)量P的比例，則

其中 Pr的值通過實驗得出，具體方法在實驗結(jié)果及分析部分有闡述。

在公式(5)中Pr及P的值都是已知，則可得到P′得值。

對距離向量D進行從小到大排序，得到排序后的距離向量D′，如公式(6)：

取出向量D′前P′個向量元素，查詢這P′個向量元素在原圖像庫中所對應(yīng)的圖像。所查詢的P′個圖像構(gòu)成的圖像集合，即是初級檢索圖像庫。

2 二次檢索

2.1 數(shù)學(xué)形態(tài)學(xué)邊緣檢測算法

傳統(tǒng)的數(shù)學(xué)形態(tài)學(xué)邊緣檢測梯度算子有：

膨脹型：

腐蝕型：

膨脹腐蝕型：

其中⊕為膨脹運算，Θ為腐蝕運算，A為原圖像，B為結(jié)構(gòu)元素。

這些方法實現(xiàn)簡單，降低時間復(fù)雜度，然而其對噪聲較為敏感，導(dǎo)致檢索結(jié)果不佳。

使用一種改進的數(shù)學(xué)形態(tài)學(xué)邊緣檢測梯度算子[5],如公式(10)所示。

其中“?”表示開運算，“?”表示閉運算。

該算子邊緣定位準(zhǔn)確、連續(xù)性好且具有較強的抗噪能力。

2.2 選取結(jié)構(gòu)元素

結(jié)構(gòu)元素的選取是非常關(guān)鍵的，它的選取會直接影響邊緣檢測的結(jié)果[6]。

根據(jù)邊緣方向和結(jié)構(gòu)元方向的最佳匹配關(guān)系[9]-10]和實驗對7種3×3結(jié)構(gòu)元素進行檢索結(jié)果對比，根據(jù)對比結(jié)果結(jié)構(gòu)元素分別選取：

2.3 相似距離的計算及二次檢索

由公式(13)可得到數(shù)學(xué)形態(tài)學(xué)邊緣檢測的邊緣像素點集合。為獲得邊緣像素點集合的直方圖，使用公式(14)將邊緣像素點對應(yīng)的彩色值轉(zhuǎn)化為轉(zhuǎn)化為灰度值。

其中S(i,j)為轉(zhuǎn)化后的灰度值，r(i,j)、g(i,j)、b(i,j)分別為RGB顏色空間中位置為(i,j)的R、G、B分量值。

假設(shè)待檢測圖像在像素點（i，j）處的灰度值是Sr（i，j），初級檢索圖像庫的第 K幅圖像在像素點（i，j）處的灰度值為 Sk（i，j），則初級檢索圖像庫的第 K幅圖像與待檢索圖像的距離定義如公式(15)：

其中 DS(i,j)(k)為相似距離值。

計算待檢索圖像與初級檢索圖像庫中每一幅圖像的相似距離值，可得到距離特征向量：

對Ds從小到大排序，得到排序后的向量Ds′：

假設(shè)用戶期望獲得M個檢索結(jié)果，則Ds′前M個向量元素對應(yīng)的原圖像庫圖像即為最終檢索結(jié)果。

綜上所述算法步驟如下：

步驟1 將圖像庫中所有圖像的 RGB顏色空間轉(zhuǎn)化為HSI顏色空間，并計算出色調(diào)直方圖，作為顏色特征向量保存到文件中；

步驟2 計算待檢測圖像顏色特征向量，作為目標(biāo)顏色特征向量。將步驟1中的顏色特征向量與目標(biāo)特征向量進行距離計算，得出顏色距離向量。對距離向量按從小到大的順序排序，按一定比例取舍排過序的顏色距離向量，即可得到初級檢索圖像庫；

步驟3 將初級檢索圖像庫中的圖像二值化，并使用公式(10)求出二值圖像的邊緣集合點。在原圖像中找出這些邊緣集合點，用公式(11)將這些集合點對應(yīng)的彩色值轉(zhuǎn)化為灰度值，統(tǒng)計并求出這些集合點的特定灰度直方圖，作為邊緣特征向量；

步驟4 計算待檢測圖像的邊緣特征向量，作為目標(biāo)邊緣特征向量，由公式(12)可求得邊緣距離向量。對邊緣距離向量按從小到大的順序重排序。在排過序的邊緣距離向量中取出排在前面的N個圖像，即可作為整個檢索算法的結(jié)構(gòu)（N由用戶指定）。

3 實驗結(jié)果及分析

3.1 實驗結(jié)果

使用matlab7.1在WindowsXP平臺上進行仿真。主機配置為：AMD Sempron(tm) processor 1.81 GHz,512M內(nèi)存。實驗中使用的圖像庫為image.orig。該圖像庫中有1000幅大小為256×384的彩色圖像，內(nèi)容包括人物、海灘、建筑、恐龍、花卉、動植物、山峰等，共10個內(nèi)容，每個內(nèi)容100幅圖像。

假設(shè)初級圖像庫在總圖像庫中所占的比例用 Pr表示；檢索結(jié)果中檢索到的目標(biāo)圖像數(shù)與數(shù)據(jù)庫中全部目標(biāo)圖像數(shù)之比(即查全率)用Re表示。圖1給出了通過實驗得出的Pr與Re之間的關(guān)系。

圖1 Pr/Re

圖2是三種檢索方法在檢索恐龍圖像時的結(jié)果對比。在圖像庫中恐龍的圖像共 100幅。幾種檢索結(jié)果都是 11×11的矩陣塊顯示，共121幅圖像。

圖2 幾種方法檢索結(jié)果對比

表1是三種方法分別檢索恐龍、巴士、馬匹、花卉的查準(zhǔn)率。檢索結(jié)果為121幅圖像。檢索過程中，從每個檢索內(nèi)容的100幅圖像里隨機抽取10幅圖像，分別計算其查準(zhǔn)率，求平均值作為表中檢索的查準(zhǔn)率。

表1 幾種方法查準(zhǔn)率對比表

表 2是這里方法和文獻[6]方法檢索時所用時間比較。檢索過程中，從每個檢索內(nèi)容的 100幅圖像里隨機抽取 10幅圖像，分別計算其檢索時間，求平均值作為表中檢索的檢索時間。

表2 這里和文獻[6]檢索時間/s對比表

3.2 結(jié)果分析

在圖1中，當(dāng)Pr=0.121時，這里算法檢索結(jié)果等同于僅使用色調(diào)直方圖檢索結(jié)果；當(dāng) Pr=1.0時，檢索結(jié)果等同于僅使用數(shù)學(xué)形態(tài)學(xué)方法。實驗表明當(dāng)Pr=0.37時，Re可以達到最大值。故建立的初級圖像庫為總圖像庫的37%，即370幅圖像。

圖2(b)中由于一些花卉的色調(diào)直方圖與帶檢索圖像相似，在檢索結(jié)果中具有較強干擾；圖2(c)是僅使用數(shù)學(xué)形態(tài)學(xué)進行邊緣檢測，并建立邊緣直方圖的檢索結(jié)果。由于馬匹的形狀和恐龍有些相似，檢索結(jié)果中混入了一些馬匹圖像。圖2(d)是這里的檢索方法，數(shù)學(xué)形態(tài)學(xué)邊緣檢測算法把初級檢索圖像庫中的恐龍圖像前移，使得檢索效果得到了明顯提高。

表1和表2表明這里算法在提高檢索精度的同時，也大大縮短了檢索時間。時間的縮短，是由于引入了初級檢索圖像庫，使得檢索時間復(fù)雜度大大降低。

4 結(jié)語

綜合了顏色和邊緣特征進行圖像檢索，先使用色調(diào)直方圖建立初級檢索圖像庫，然后使用數(shù)學(xué)形態(tài)學(xué)對初級檢索圖像庫進行再次檢索。由于初級檢索圖像庫的引入，使得檢索時間大大縮減，并且初級檢索圖像庫在原圖像庫中的比例由實驗得出，檢索精度也得到提高。實驗結(jié)果證明了這里方法的有效性。

[1] SWAINM,BSLLARD D.Color indexing.Intemational Joumal of Computer Vision[J].1991,7(01):11-32.

[2] PASS G ,ZABIH R,MILLER J Comparing images using color coherence vectors[M].MA:ACM,1996.

[3] STRICKER M,ORENGO M.Similarity of color images[M].USA:[s.n.],1995:381-392

[4] 韓軒，陳海山.綜合顏色和局部空間特征的彩色圖像檢索方法[J].計算機技術(shù)與發(fā)展，2008，18(01):122-125.

[5] 成曉倩.一種基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測算子[J].河北理工大學(xué)學(xué)報:自然科學(xué)版,2009,31(02):54-58.

[6] 鄭秋梅，王紅霞，劉康煒.基于邊緣和顏色特征的圖像檢索技術(shù)[J].微計算機應(yīng)用,2008，29(11)：19-24.

[7] 向麗.基于 WBCT與平滑共生矩陣的圖像檢索[J].通信技術(shù),2009,42(12):150-152.

[8] 張峰，尹東，吳文宇.基于Agent技術(shù)的遙感圖像檢索[J].通信技術(shù),2008,41(10):119-121.

[9] Schonfeld D.Optinal Semeturing Elements for the Morphological Pattern Rescoration of Binary Images[J].IEEE Trans on HMI,1994,16(06):589-601.

[10] 陳虎，王守尊，周朝暉.基于數(shù)學(xué)形態(tài)學(xué)的圖像邊緣檢測方法研究[J].工程圖學(xué)學(xué)報，2004，25(02):112-115.