洪天昊，孫華東，金雪松，張廣元，趙志杰

(哈爾濱商業(yè)大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，哈爾濱 150028)

一種利用局部直角均值模式的圖像檢索算法

洪天昊，孫華東，金雪松，張廣元，趙志杰

(哈爾濱商業(yè)大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，哈爾濱 150028)

提出一種基于紋理特征的圖像檢索方法.在RGB顏色空間提取紋理特征描述子，將彩色圖像分離出R、G、B三通道色，使用Haar小波基將三通道顏色圖像通過二維離散小波變換，分別提取其低頻子帶.在三維球形對稱模式下，使用局部直角均值模式對鄰域像素進(jìn)行重新編碼，通過均勻LBP模式進(jìn)行降維，取直方圖作為特征向量，從而實(shí)現(xiàn)圖像檢索過程.在Corel-10K數(shù)據(jù)庫上進(jìn)行實(shí)驗(yàn)，通過對實(shí)驗(yàn)結(jié)果進(jìn)行分析，表明本文方法在圖像檢索方面有較好的表現(xiàn).

CBIR；紋理特征；局部紋理模式；局部直角均值模式

隨著信息量的指數(shù)型增長，低廉的數(shù)據(jù)存儲成本以及龐大的數(shù)據(jù)量促進(jìn)了數(shù)字圖像處理在諸多研究領(lǐng)域的蓬勃發(fā)展：醫(yī)學(xué)圖像處理，網(wǎng)絡(luò)圖像檢索，人臉識別，步態(tài)識別等.在日益壯大的互聯(lián)網(wǎng)時(shí)代，用戶可以輕松地獲取和訪問大量的數(shù)字圖像信息，這使得圖像檢索逐漸成為擁有更廣泛應(yīng)用價(jià)值的研究領(lǐng)域.20世紀(jì)90年代初，CBIR系統(tǒng)的誕生[1]使眾多計(jì)算機(jī)各領(lǐng)域的研究人員更傾向于對數(shù)字圖像檢索系統(tǒng)的研究.目前，有多種特征用來作為索引，大體上可分為低層視覺和語義內(nèi)容這兩類.低層視覺特征主要包括顏色、紋理和形狀等；語義內(nèi)容就是圖像的含義，它包含著人類對圖像的識別和理解，往往借助人類的知識推理.由于當(dāng)今計(jì)算機(jī)視覺和圖像理解的發(fā)展水平限制，還無法真正依靠基于語義圖像檢索，所以目前研究得比較多也比較成熟的檢索算法大多都是基于圖像的低層視覺特征.Ojala等人提出了用于紋理分類且具有旋轉(zhuǎn)不變性的LBPs算子[2-4].隨著研究人員對LBP旋轉(zhuǎn)不變性的廣泛研究，LBP也衍生出了各種形式.S·Murala等人[5]在此基礎(chǔ)上使用球形對稱的三維局部三值模式SS-3D-LTP，使用不同標(biāo)準(zhǔn)偏差值的高斯濾波器組的多分辨率圖像，根據(jù)五個(gè)不同方向建立三維立體模型來實(shí)現(xiàn)特征提取.

1 紋理特征提取

本文紋理特征提取具體過程如下所示：

1)分離彩色圖像R、G、B三通道色；

2)基于Haar小波基分別對三通道色進(jìn)行二維離散小波變換，取LL低頻子帶；

3)建立球形對稱模型，對五個(gè)方向分別采集樣點(diǎn)，生成局部直角均值模式；

4)將局部直角均值模式分解轉(zhuǎn)換為兩個(gè)二值模式，并對二值模式直方圖進(jìn)行計(jì)算，將連接直方圖形成特征向量.

2 局部直角均值模式

以R通道色LL低頻子帶為例.根據(jù)中心像素gc，半徑R=2分別取α及(α+90°)方向上鄰域像素gp，鄰域像素個(gè)數(shù)P=8.通過比較α及(α+90°)方向鄰域像素均值與中心像素(gc±μ)的關(guān)系確定二值模式下α方向上鄰域像素取值，設(shè)固定閾值μ=2.局部直角均值模式計(jì)算過程如圖1所示.圖1中g(shù)pa(α=0°,45°,90°,…,315°)分別對應(yīng)gpi(i=0,1,2,…,7).局部直角均值模式計(jì)算公式如下所示：

(1)

α=0°,45°,90°,…,315°

(2)

其中:gc表示中心像素，gPa和gpα+90°分別表示中心像素在α及(α+90°)方向上的鄰域像素.

圖1 局部直角均值模式

3 相似度度量算法及評價(jià)準(zhǔn)則

3.1 相似度度量算法

通過計(jì)算待檢索圖像Q的特征向量fQ=(fQ1,fQ2,fQ3,…,fQLg)與圖像數(shù)據(jù)庫中圖像的特征向量fDBj=(fDB1,fDB2,fDB3,…,fDBLg,j=1,2,…|DB|的距離實(shí)現(xiàn)圖像檢索.匹配圖像的距離公式如下所示：

(3)

其中:fDBji代表數(shù)據(jù)庫|DB|中第j幅圖像的第i個(gè)特征，Lg表示圖像數(shù)量.

3.2 評價(jià)準(zhǔn)則

對提出方法性能的評價(jià)指標(biāo)使用查準(zhǔn)率和查全率來計(jì)算.對于待檢索圖像Iq，查準(zhǔn)率計(jì)算公式見式(4)：

(4)

其中:n表示檢索到的相關(guān)圖像數(shù)量，|DB|表示數(shù)據(jù)庫大小，φ(x)表示x的類別.

查全率計(jì)算公式如式(5)：

(5)

其中:NG表示與待檢索圖像Iq相關(guān)圖像總量，φ(x,y)函數(shù)關(guān)系如式(6)：

(6)

4 實(shí)驗(yàn)結(jié)果分析

本文使用Corel-1K數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)，該數(shù)據(jù)庫包含10類圖像(黑人，海灘，建筑，汽車，恐龍，大象，鮮花，馬，雪山，食物)，每類圖像各100幅，圖像大小均為384×256，圖像內(nèi)容豐富，適合作為數(shù)據(jù)庫進(jìn)行圖像檢索實(shí)驗(yàn).

圖2表示局部直角均值模式與SS-3D-LTP模式在數(shù)據(jù)庫Corel-1K中的檢索結(jié)果的比較，查詢圖像通過隨機(jī)生成，通過查準(zhǔn)率進(jìn)行表示.圖3通過查全率表示局部直角均值模式與SS-3D-LTP模式在數(shù)據(jù)庫Corel-1K中檢索結(jié)果的比較.紅色曲線代表局部直角均值模式，藍(lán)色曲線代表SS-3D-LTP模式.表1表示不同類別不同待檢索圖像數(shù)量的查準(zhǔn)率表現(xiàn)情況.

Corel-1K數(shù)據(jù)庫圖像檢索在查準(zhǔn)率上局部直角均值模式與SS-3D-LTP模式比較實(shí)驗(yàn)結(jié)果表明(待檢索圖像定為30幅)：在黑人圖像中，提升23.33%；在海灘圖像中，提升1.00%；在建筑圖像中，提升7.66%；在汽車圖像中，提升3.66%；在恐龍圖像中，降低0.66%；在大象圖像中，提升10.00%；在鮮花圖像中，降低23.00%；在馬圖像中，提升33.00%；在雪山圖像中，提升15.33%；在食物圖像中，提升27.67%.通過實(shí)驗(yàn)結(jié)果分析可知，局部直角均值模式與SS-3D-LTP模式在查準(zhǔn)率上相比，8類圖像有所提升，2類圖像有所下降，查準(zhǔn)率平均提升9.80%.

圖2 查準(zhǔn)率在不同類別上的檢索情況

圖3 查全率在不同類別上的檢索情況

Corel-1K數(shù)據(jù)庫圖像檢索在查全率上局部直角均值模式與SS-3D-LTP模式比較實(shí)驗(yàn)結(jié)果表明(待檢索圖像定為30幅)：在黑人圖像中，提升18.10%；在海灘圖像中，提升3.90%；在建筑圖像中，提升2.60%；在汽車圖像中，提升7.90%；在恐龍圖像中，降低6.50%；在大象圖像中，提升5.70%；在鮮花圖像中，降低9.20%；在馬圖像中，提升20.90%；在雪山圖像中，提升13.60%；在食物圖像中，提升21.60%.通過實(shí)驗(yàn)結(jié)果分析可知，局部直角均值模式與SS-3D-LTP模式在查全率上相比，8類圖像有所提升，2類圖像有所下降，查全率平均提升7.86%.

表1 圖像檢索查準(zhǔn)率情況(%)

數(shù)量類別 20406080黑人50.0049.5046.3344.38海灘28.0028.0025.8324.75建筑51.5042.5036.6733.38汽車57.5047.5038.3333.63恐龍98.0091.5084.3371.37大象36.5026.7522.8320.63鮮花58.5050.7544.0038.00馬83.5075.7569.3361.63雪山50.0047.0044.0040.63食物35.0033.2530.3328.25平均值54.8549.2544.2039.66

5 結(jié) 語

本文提出一種新的紋理特征提取算法.檢索實(shí)驗(yàn)結(jié)果表明，在Corel-1K數(shù)據(jù)庫下該方法有良好的檢索精度.在局部直角均值模式中，閾值選擇初步選擇為定值有一定的主觀因素，將考慮使用局部自適應(yīng)閾值代替，從而提高檢索精度.我們還將嘗試使用其他數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)，并繼續(xù)探索更好的紋理特征提取方法.

[1]SMEULDERSAWM.Content-basedimageretrievalattheendoftheearlyyears[J].IEEETrans.PatternAnal.Mach.Intell, 2000, 22: 1349-1379.

[2]OJALAT,PIETIKINENM,HARWOODD.Acomparativestudyoftexturemeasureswithclassificationbasedonfeaturedistributions[J].PatternRecognition, 1996, 29(1): 51-59.

[3]OJALAT,PIETIKINENM,MENPT.Multiresolutiongray-scaleandrotationinvarianttextureclassificationwithlocalbinarypatterns[J].PatternAnal.Mach.Intell., 2002, 24(7): 971-987.

[4]PIETIKAINENM,OJALAT,SCRUGGST, et al.Rotationalinvarianttextureclassificationusingfeaturedistributions[J].PatternRecognition, 2002, 33(1): 43-52.

[5]MURALAS,JONATHANQM.Sphericalsymmetric3Dlocalternarypatternsfornatural,textureandbiomedicalimageindexingandretrieval[J]. 2015, 149(C): 1502-1514.

Study on image retrieval algorithm based on local right-angle mean patterns

HONG Tian-hao, SUN Hua-dong, JIN Xue-song, ZHANG Guang-yuan, ZHAO Zhi-jie

(School of Computer and Information,Harbin University of Commerce, Harbin 150028, China)

This paper proposed an image retrieval method based on texture feature. The texture feature descriptor was extracted in RGB color space. Isolated R, G, B three channel color images from the color images, and used two-dimensional discrete wavelet to transform three channel color images based on Haar wavelet basis, respectively extract low frequency sub band of them. The local right-angle mean patterns was used to reencode neighborhood pixels in the three-dimensional spherical symmetric patterns, reduced dimension by uniform local binary patterns, and took the histogram as the feature vector, such for realizing the image retrieval process. In this paper, through the experiments on the Corel-10K database, the analysis of the experimental results showed that this method has better performance in natural image retrieval.

CBIR; texture feature; local texture patterns; local right-angle mean patterns

2016-12-26.

洪天昊(1992-)，男，碩士，研究方向：圖像處理與識別.

TP391

A

1672-0946(2017)02-0172-03