張長宏， 孫琦龍

(青海民族大學(xué) 計算機(jī)學(xué)院， 青海 西寧 810007)

?

一種圖像快速綜合檢索方法

張長宏， 孫琦龍*

(青海民族大學(xué) 計算機(jī)學(xué)院， 青海 西寧 810007)

基于Sobel邊緣檢測算法處理圖像,得到邊緣圖像以及灰度共生矩陣。將該矩陣的多個統(tǒng)計量記為描述圖像的特征向量,并對圖像進(jìn)行檢索。實驗結(jié)果表明，該算法能夠大幅縮減檢索時間，并且對于紋理較為豐富的圖像具有較好的檢索效果。

圖像檢索； 阻塞直方圖； Sobel算子； 灰度共生矩陣

0 引 言

基于內(nèi)容的圖像檢索方法可根據(jù)內(nèi)容的不同形式分為多種檢測方法[1-2]。文中基于圖像的色彩并有效結(jié)合影像的紋理特點闡述具體的檢測方法。在單一基于色彩的檢索方法中，顏色直方圖方法具有運(yùn)算速度快、存儲空間要求低、圖像的尺度及旋轉(zhuǎn)變化不敏感等特點[3]。

在基于紋理特征的圖像檢索中，灰度共生矩陣因具有較好反映圖像紋理特征的優(yōu)點而得到廣泛應(yīng)用，但是具有計算量大的缺點[4]。針對該問題，文中提出了一種綜合性圖像檢索方法。首先基于Sobel邊緣檢測算法處理圖像，進(jìn)行邊緣圖像的獲?。蝗缓蠡谏鲜鎏幚磉M(jìn)行灰度共生矩陣的獲?。蛔詈髮⒃摼仃嚨亩鄠€統(tǒng)計量記為描述圖像的特征向量，基于圖像的特征向量對圖像進(jìn)行檢索。實驗表明，文中所提出的綜合性算法運(yùn)行速度快，對于紋理較為豐富的圖像檢索效果較理想。

1 圖像快速檢索的綜合性方法

1.1 圖像分塊與相似性計算

1.1.1 顏色空間的轉(zhuǎn)換和量化

對比顏色空間模型HSV與RGB，前者更具有直觀性，更貼近人們對顏色的主觀意識[5-6]，所以文中先把RGB轉(zhuǎn)化成HSV顏色模型，再進(jìn)行相關(guān)操作。在RGB空間中的任意一點的R(紅)，G(綠)，B(藍(lán))值(都在區(qū)間[0,255])均可轉(zhuǎn)換到HSV顏色空間中，得到與其相對應(yīng)的H(色度)，S(飽和度)，V(亮度)的值，由此為RGB顏色空間模型到HSV顏色空間模型間的轉(zhuǎn)換，其轉(zhuǎn)換公式如下：

為了提高圖像的檢索效率，依據(jù)人的視覺特點，把H，S，V做不均勻間隔數(shù)值化，并把三者分別分成8份、3份和3份。然后把這3個分量合為一維矢量：

其中，取Qs=3和Qv=3，分別對應(yīng)s與v的量化級數(shù)。代入式(4)，獲得G的對應(yīng)直方圖。

1.1.2 圖像分塊及改進(jìn)

傳統(tǒng)的全局直方圖往往忽略了圖像的空間分布信息，針對這一點，分塊直方圖[7]是對此的一種改進(jìn)，傳統(tǒng)的圖像分塊如圖1所示。

圖1 傳統(tǒng)的圖像分塊示意圖

圖像被分成大小勻稱的子塊，并提取各塊的顏色信息，因其本身信息容量的特征，在圖像檢索中提高了圖像的檢索準(zhǔn)確性。

文中首先對圖像采用的是4×4的分塊方式，即將整幅圖像均勻地分成16個子塊,如圖2所示。

P11P12P13P14P21P22P23P24P31P32P33P34P41P42P43P44

圖2 文中采用的圖像分塊

通常情況下，人們主要對于圖像的中間區(qū)域較為關(guān)注，若將圖像分成較多的塊數(shù)，有利于較準(zhǔn)確地找到感興趣的目標(biāo)區(qū)域，但能擴(kuò)大特征的存儲容量和圖像相似度的運(yùn)算量，同時能把目標(biāo)物體分割的十分散碎,而使檢索性能下降。

文中算法所采取的分塊就對此加以了改進(jìn)，提出了一種矩形重疊分塊的方法，即在16個子塊的基礎(chǔ)上，再分為9個重疊子塊區(qū)域，它們分別為：

在文中提出的重疊分塊法中，最終將圖像分成9個子塊區(qū)域，比4×4即16個子塊所涵蓋的信息內(nèi)容更加豐富，即圖像的中間區(qū)域子塊E={P22,P23,P32,P33}的各子塊P22，P23，P32，P33均被其它子塊區(qū)域A、B、C、D、F、G、H、I分別重疊了4次，圖像的上邊緣B區(qū)域中的子塊P12，P13,邊緣H區(qū)域中的子塊P42，P43，左邊緣D區(qū)域中的子塊P21，P31以及右邊緣F區(qū)域的子塊P24，P34分別被其它子塊區(qū)域重疊了2次。

兩幅圖像間的相似性由顏色特征向量的距離來決定，用直方圖相交法來計算對應(yīng)分塊之間的相似度：

Similarity(Qi,Ii)=∑cj=1min(Qij,Iij)

(5)

式中：Q----示例圖像；

I----檢索圖像；

C----顏色的種類數(shù)，經(jīng)過計算所得的結(jié)果越小，其相對應(yīng)的視覺差異也就相應(yīng)的越小。

然后利用式(5)分別計算每一個分塊之間的相似度矩陣，以此得到最為相近的檢索圖像。

1.2 基于Sobel算子的邊緣提取

Sobel邊緣檢測算子如下：

式(6)中fx和fy分別為：

(7)

Sobel算子的操作理論是對圖像任意一個像素點周圍灰度值之和，據(jù)此來確定τ，若S(i,j)>τ，則認(rèn)為此像素點S(i,j)為邊緣點。

Sobel邊緣檢測算子非常容易在空間中實現(xiàn)，它根據(jù)等待處理的像素點周圍區(qū)域的像素點灰度求和的方法，并設(shè)定在圖像周邊部分有極限值情況進(jìn)行的邊緣檢測。同時，對于噪聲具有平滑處理的作用，保證了邊緣信息的真實有效性，據(jù)此文中采用Sobel算子對圖像的邊緣進(jìn)行檢測。

1.3 灰度共生矩陣的獲取

1.3.1 灰度共生矩陣

在θ方向、像元距離為d的一對像元使用灰度共生矩陣來表示，灰度值分別為i和j的出現(xiàn)頻率，元素記為P(i,j|d,θ)，在θ和d一定的情況下，簡記為Pij。由此可知，該矩陣是對稱的，其階數(shù)大小由灰度級數(shù)目決定。元素值求解方法如下：

灰度共生矩陣法一般先構(gòu)造0°、45°、90°和135°這4個方向上的特征矩陣，當(dāng)進(jìn)行紋理特征提取時，首先將灰度共生矩陣進(jìn)行歸一化，得到：

其中，R是歸一化的常數(shù)，使d=1，當(dāng)θ=0°或者θ=45°時，R=2Ny(Nx-1)，當(dāng)θ=45°或θ=135°時，R=2(Ny-1)(Nx-1)。

1.3.2 灰度共生矩陣的特征向量

前面已經(jīng)對此種矩陣的使用做了說明，下面來對其特征向量的獲取做一說明。從灰度共生矩陣中獲取的紋理特征較多，由于計算量過大，文中只取其中的能量FASM、反差FCON、熵FENT、相關(guān)FCOR這4個特征，計算公式如下：

選擇以上4個灰度共生矩陣中的紋理參數(shù)，同時構(gòu)造0°、45°、90°和135°方向的能量、反差、熵以及相關(guān)。

1.4 紋理特征提取算法

在提取紋理特征[8-9]時，采用Sobel邊緣檢測算子和灰度共生矩陣相結(jié)合的方法，以此來提高圖像的檢索速度，從而縮減了在提取灰度共生矩陣的紋理特征時計算量大的缺點。首先采用Sobel算子獲得邊緣圖像，在此基礎(chǔ)上，提取其圖像基本特征。具體步驟如下：

1)采用Sobel算子提取出邊緣圖像。核心問題是獲取二值圖像，對像素點周圍進(jìn)行相關(guān)運(yùn)算，選取τ值，若S(i,j)>τ，則認(rèn)為此像素點S(i,j)為邊緣點，根據(jù)這點是否處在極值的狀態(tài)來進(jìn)行邊緣檢測。

2)應(yīng)用灰度共生矩陣提取邊緣圖像的紋理特征。在得到的二值化的邊緣圖像后，構(gòu)造并計算0°、45°、90°和135°這4個方向的灰度共生矩陣，然后取這4個灰度共生矩陣的對應(yīng)項的和再取其平均值，作為待檢索圖像的綜合的矩陣值。

3)特征向量的提取與處理。取上述矩陣中的能量FASM、反差FCON、熵FENT、相關(guān)FCOR這4個特征，由于這4個特征的物理意義以及它們的取值區(qū)間的差異，在使用歐式距離前，使用高斯歸一法，先對這幾個分量做相應(yīng)處理。

4)進(jìn)行圖像的相似性度量。樣本與數(shù)據(jù)庫中對應(yīng)的兩個圖像的近似程度求解公式為：

(15)

假若Similarity<τ，那么就判定該匹配成功。

1.5 綜合檢索

通過相關(guān)方法，對圖像顏色特征進(jìn)行提取，以此包含了圖像的空間信息?？墒亲訅K的劃分有的時候也不能有效地表達(dá)圖像的空間信息，同時子塊的大小和區(qū)域的劃分也不可以隨著圖像的不同而改變。相對應(yīng)的圖像的紋理特征可以對圖像的空間特征進(jìn)行描述，所以文中結(jié)合顏色與紋理兩方面特征來搜索圖像。這種綜合性方法首要問題是獲取特征向量并歸一處理，再將這兩種特征結(jié)合起來進(jìn)行檢索。具體步驟如下：

1)構(gòu)建測試集，以圖庫為范圍。

2)使用直方圖算法，獲取圖像顏色特征。

3)提取紋理特征，采用文中前面的算子方法和紋理算法步驟。

4)在進(jìn)行綜合特征獲取過程中，為確保顏色與紋理特征向量在計算相似距離時具有相同的地位，前面在分別提取顏色和紋理特征時，已把相關(guān)特征做了相關(guān)處理，為適應(yīng)不同的檢索要求，文中采用的顏色特征向量的權(quán)重Wc和紋理特征向量的權(quán)重Wt分別為0.5，即算法權(quán)重比為1∶1。任一幅圖像與查詢圖像Q的綜合相似距離D(Q,i)，計算公式如下：

(16)

2 實驗結(jié)果和性能分析

查準(zhǔn)率和查全率是目前進(jìn)行基于內(nèi)容的圖像檢索中最常用的評價標(biāo)準(zhǔn)，其計算公式如下：

(17)

(18)

文中的測試圖片由Corel圖片庫中的1 000幅RGB彩色圖像組成，共包括10個種類，每類圖像各100幅，圖像以JPEG文件格式存取。為了證明檢索方法對圖像旋轉(zhuǎn)、平移、尺寸大小等變化的反應(yīng)，有256×384和384×256兩種尺寸供檢索使用。為了測試文中所提出的算法的可行性，設(shè)計了如下的實驗，即分別從這10種類型的圖像中各隨機(jī)抽取5幅圖像作為檢索的圖像，總共進(jìn)行50次的查詢，兩組檢索實驗如下：

實驗1：測試單一的基于顏色特征的圖像檢索性能，即前面闡述的分塊直方圖算法。

實驗2：單一測試基于紋理特征的檢索，即文中基于Sobel邊緣檢測算子和灰度共生矩陣的算法性能。

實驗3：測試綜合顏色特征和紋理特征的圖像檢索性能，即文中提出的基于分塊直方圖和Sobel邊緣檢測算子與灰度共生矩陣結(jié)合的算法性能，并將前面兩種檢索效果進(jìn)行對比。

獲得的檢索結(jié)果中第一幅圖像都是示例圖像，顯示的都是從圖像庫中選出與示例圖像最為接近的20幅圖像，并按照檢索的相似程度由高到低按順序排列。

此方法既體現(xiàn)了圖像的局部和整體信息，同時又涵蓋了圖像的空間信息，融合了圖像的多種信息，適用的檢索范圍更加廣泛，也取得了較好的檢索效果。

3 結(jié) 語

描述了基于圖像的顏色與紋理特征的綜合性檢索方法。此方法并沒有通過人為設(shè)定加權(quán)來達(dá)到加強(qiáng)對中間目標(biāo)區(qū)域的檢索，既減少了人為因素對檢索時的影響，也沒有因為分得較多的子塊而破壞了圖像間的信息聯(lián)系。經(jīng)實驗對比，該檢索方法比傳統(tǒng)的單一特征算法的搜索效果更為理想，充分說明了該算法的有效性和可行性，具有廣泛的應(yīng)用前景。

[1] 高美真,申艷梅.基于顏色直方圖的圖像檢索技術(shù)[J].計算機(jī)應(yīng)用與軟件,2011,25(4):25-27.

[2]AkgülCB,RubinDL,NapelS,etal.Content-basedimageretrievalinradiology:currentstatusandfuturedirections[J].JournalofDigitalImaging,2011,24(2):208-222.

[3] 張恒博,歐宗瑛.一種基于顏色基元共生矩陣的圖像檢索方法[J].計算機(jī)工程,2012,33(14):171-173.

[4] 王向陽,楊紅穎,鄭宏亮,等.基于視覺權(quán)值的分塊顏色直方圖圖像檢索算法[J].自動化學(xué)報,2012,36(10):1489-1492.

[5] 朱焰爐,程昌秀,陳榮國,等.基于直方圖的空間查詢選擇率估計研究[J].計算機(jī)科學(xué),2011,37(12):125-129.

[6] 孫琦龍,張明亮.基于顏色特征的藏毯圖像檢索研究與實現(xiàn)[J].軟件,2015(8):25-29.

[7] 林克正,張彩華,劉丕娥.基于分塊主顏色匹配的圖像檢索[J].計算機(jī)工程,2010,36(13):186-188.

[8] 宋衛(wèi)華.基于底層紋理特征的圖像檢索[J].長春工業(yè)大學(xué)學(xué)報:自然科學(xué)版,2014,35(2):135-138.

[9] 王杰.基于顏色和紋理特征的圖像檢索[D].重慶:重慶大學(xué),2012.

A comprehensive image fast retrieval method

ZHANG Changhong, SUN Qilong*

(School of Computer Science and Technology, Qinghai Nationalities University, Xining 810007， China)

Sobel edge detection is applied to process images to get the image edges and gray level co-occurrence matrix. The statistic parameters of the matrix are taken as the image feature vectors for image retrieval. Experiment results indicate that the algorithm is effective to reduce retrieval time, and for abundant texture image detection.

image retrieval; blocked histogram; Sobel operator; gray-level co-occurrence matrix.

2017-03-20

青海省創(chuàng)新平臺建設(shè)專項基金資助項目(2016-ZJ-Y04)

張長宏(1976-)，男，漢族，青海樂都人，青海民族大學(xué)副教授，碩士，主要從事文本數(shù)據(jù)挖掘及可視分析方向研究,E-mail:zhangchhzgy@163.com. *通訊作者：孫琦龍(1970- )，男，漢族，青海西寧人，青海民族大學(xué)教授，碩士，主要從事數(shù)據(jù)庫、軟件工程方向研究,E-mail:2932792961@qq.com

10.15923/j.cnki.cn22-1382/t.2017.2.13

TP 391

A

1674-1374(2017)02-0174-05