摘  要： 針對(duì)全局圖像特征不能有效刻畫彩色圖像內(nèi)容信息的問題,，提出了一種基于興趣點(diǎn)的彩色圖像特征檢索方法。首先基于仿射-尺度不變特征轉(zhuǎn)換（ASIFT）算法,，利用亮度概率密度梯度進(jìn)行興趣點(diǎn)提?。蝗缓髮⑻崛『蟮呐d趣點(diǎn)映射回原圖像,，構(gòu)建顏色直方圖作為圖像的特征,；最后通過計(jì)算不同圖像特征間的相似度進(jìn)行圖像檢索。仿真實(shí)驗(yàn)證明,，該方法能夠充分地提取圖像中的角點(diǎn),、邊緣點(diǎn)和這些點(diǎn)的周圍點(diǎn),，較好地表達(dá)圖像的內(nèi)容，最終得到比較理想的檢索結(jié)果,。

　　關(guān)鍵詞： 圖像檢索,；概率密度；仿射-尺度不變特征轉(zhuǎn)換算法

　　隨著多媒體技術(shù)的發(fā)展及互聯(lián)網(wǎng)的不斷普及,，數(shù)字圖像作為一種內(nèi)容豐富,、表現(xiàn)力強(qiáng)的信息儲(chǔ)存形式被大量應(yīng)用，而海量的數(shù)字圖像也因此產(chǎn)生,。如何快速準(zhǔn)確地從數(shù)據(jù)庫(kù)中找到用戶所需要的圖像逐漸成為一個(gè)難題并被研究者重視,。傳統(tǒng)的基于文本的圖像檢索技術(shù)主要依靠人工標(biāo)記，在大量消耗人力資源的同時(shí),，還存在著用戶對(duì)圖像內(nèi)容的理解不同,，標(biāo)記的信息不全面等問題。因此,，基于內(nèi)容的圖像檢索技術(shù)（Content-Based Image Retrieval）隨之產(chǎn)生,，該方法是利用圖像的視覺特征（如顏色、形狀,、紋理以及空間分布等底層特征）進(jìn)行檢索[1],。相對(duì)于人工標(biāo)記，這種方法所提取的特征更具有通用性,，從而有效地解決了基于文本的圖像檢索技術(shù)的不足,。

　　在基于內(nèi)容的圖像檢索中，傳統(tǒng)的方法一般使用全局特征進(jìn)行檢索[2],，不但計(jì)算量大，而且在提取特征的過程當(dāng)中摻雜了很多并不被用戶所關(guān)注的信息,。因此,，基于局部特征的圖像檢索方法被學(xué)者們提出，目前常見的方法大致分為基于圖像分割的方法和基于興趣點(diǎn)的方法兩類,。其中,，基于圖像分割的方法由于圖像分割技術(shù)本身尚未成熟，在受到光照影響,、背景相對(duì)復(fù)雜等因素的干擾下,，很難找到一種相對(duì)通用的方法將目標(biāo)與背景完整地分離開。因此,，更具穩(wěn)定性和通用性的基于興趣點(diǎn)的方法受到了更多的關(guān)注,。WOL C等人[3]提出了一種通過提取特征點(diǎn)局部Gabor特征的方法，進(jìn)行圖像的檢索,。根據(jù)不同尺度不同方向的最大幅值,，構(gòu)造出不同直方圖描述圖像,。Zheng Xia等人[4]首先將圖像分成不同區(qū)域，分別對(duì)每個(gè)區(qū)域檢測(cè)進(jìn)行興趣點(diǎn)的檢測(cè),，然后利用興趣點(diǎn)的邊緣類型的直方圖進(jìn)行檢索,。Jian Mumei等人[5]利用密度聚類的算法實(shí)現(xiàn)圖像檢索。該算法首先對(duì)興趣點(diǎn)進(jìn)行分類,，然后利用顏色矩和Gabor特征對(duì)每類興趣點(diǎn)進(jìn)行處理,，通過構(gòu)建出圖像的特征向量進(jìn)行檢索。符祥等人[6]基于局部興趣點(diǎn)的灰度信息,，利用Zernike矩相關(guān)理論計(jì)算Zernike矩值作為圖像特征,，然后通過計(jì)算歐氏距離的方法對(duì)不同特征間的距離進(jìn)行排序，從而濾除不匹配的興趣點(diǎn),，最后利用興趣點(diǎn)的空間離散度作為不同圖像間的相似度來實(shí)現(xiàn)圖像的檢索操作,。

　　以上檢索方法充分考慮到了興趣點(diǎn)的分布信息，并且不同程度地提高了檢索精度,，但終究不能達(dá)到理想的效果,。為了進(jìn)一步提高檢索的準(zhǔn)確性，本文提出一種新的基于興趣點(diǎn)的圖像檢索方法,，該方法在仿射-尺度不變特征轉(zhuǎn)換（ASIFT）[7]算法基礎(chǔ)上,，利用亮度的概率密度梯度來完成對(duì)興趣點(diǎn)的檢測(cè)。該算法不僅能有效地繼承ASIFT算法的優(yōu)點(diǎn),，并且使興趣點(diǎn)更好地聚集在圖像的關(guān)鍵區(qū)域上,，從而更加充分地表達(dá)出圖像的語義。最后通過計(jì)算興趣點(diǎn)顏色直方圖的相似度進(jìn)行圖像的檢索,。

　　1 圖像的興趣點(diǎn)檢測(cè)

　　圖像中的角點(diǎn),、邊緣點(diǎn)等具有很好的穩(wěn)定性，常被研究者們作為興趣點(diǎn)來描述圖像特征,。Harris[8]基于Moravec的檢測(cè)算法中,，利用亮度函數(shù)的自相關(guān)矩陣檢測(cè)興趣點(diǎn)，但是該算法存在對(duì)紋理很敏感,，容易產(chǎn)生噪聲的不足,。因此，本文用各點(diǎn)亮度的概率密度梯度代替亮度梯度,，通過ASIFT算子進(jìn)行興趣點(diǎn)的提取,。

　　1.1概率密度梯度估計(jì)

　　目前，主要的興趣點(diǎn)檢測(cè)算法都將研究重心集中在幾何不變性上,，而對(duì)于圖像檢索技術(shù),，興趣點(diǎn)的數(shù)量、分布程度同樣也很重要。只有將興趣點(diǎn)集中在圖像的關(guān)鍵區(qū)域上,，才能有效地表達(dá)出圖像內(nèi)容的語義信息,；只有在興趣點(diǎn)數(shù)量足夠多時(shí)，才能保證對(duì)圖像內(nèi)容信息描述足夠詳細(xì),，從而得到理想的檢索結(jié)果,。參考文獻(xiàn)[9]提出了一種基于概率密度的檢測(cè)算法，該算法在Harris角點(diǎn)檢測(cè)算法的基礎(chǔ)上,，將亮度梯度替換為亮度的概率密度梯度,，進(jìn)而建立二階矩矩陣，最終實(shí)現(xiàn)對(duì)興趣點(diǎn)的提取,。該算法可以有效地降低紋理中的“噪聲”興趣點(diǎn),，并且興趣點(diǎn)的分布比基于亮度算法更加均勻。在此基礎(chǔ)上,，本文使用ASIFT算子代替原文獻(xiàn)使用的Harris算子,，繼承了ASIFT算子提取的興趣點(diǎn)多的優(yōu)點(diǎn)，并且使興趣點(diǎn)更好地聚集在圖像邊緣等關(guān)鍵區(qū)域上,，從而更加充分地表達(dá)出圖像的語義,。

　　圖像中每個(gè)像素的概率密度都可以通過核函數(shù)估計(jì)得到。圖像中的任意一點(diǎn)X（x,，y）處的概率密度P（X）的估計(jì)值為：

　　其中,，pw是每一點(diǎn)概率密度的觀測(cè)窗口，Xj是以X為中心的窗口pw的一點(diǎn),，cj是圖像中Xj點(diǎn)的亮度,，k1、k2是高斯核函數(shù),，hs是圖像空間中的帶寬,，hr是亮度空間中的帶寬。通過式（1）可以推導(dǎo)出各像素概率密度梯度的估計(jì)公式為：

　　1.2 ASIFT算子介紹

　　興趣點(diǎn)的提取方法有很多,，如SIFT算法,、SURF算法、Harris算法等,，這些方法雖然各有優(yōu)點(diǎn),，但都不具備完全的仿射不變性,。而ASIFT算法實(shí)現(xiàn)了真正意義上的仿射不變,。

　　圖1闡明了仿射變換的參數(shù)[10]，分別是：u0是一個(gè)平面圖像,，角度θ和Φ分別表示攝像機(jī)光軸的經(jīng)度,，角度Φ表示攝像機(jī)光軸的緯度，角度Ψ代表攝像機(jī)的旋轉(zhuǎn)角度,，λ是縮放參數(shù),。這些參數(shù)中,，SIFT算法和SURF算法對(duì)所有參數(shù)都進(jìn)行了歸一化，而ASIFT算子則歸一化了仿射變換中的平移,、旋轉(zhuǎn),、傾斜3個(gè)參數(shù)，模擬了經(jīng)度角,、緯度角,、尺度縮放3個(gè)參數(shù)。

　　由于相機(jī)光軸的變化帶來的圖像扭曲,，可以使用仿射平面的改變進(jìn)行局部的建模操作,，其中，目標(biāo)邊界必須光滑或者是分段光滑的,。此時(shí)攝像機(jī)運(yùn)動(dòng)由于光軸變換所帶來的圖像的扭曲模型為：

　　u（x,，y）→u（ax+by+e，cx+dy+f）,，將其改寫成矩陣的形式為：

　　其中,，T=ef是平移因子；t>1是絕對(duì)傾斜參數(shù),，它是攝像機(jī)光軸與所照射物體平面垂線的夾角余弦的倒數(shù)值,；λ>0是縮放參數(shù)；表示平面旋轉(zhuǎn)?鬃角度,。

　　ASIFT算法步驟如下：

　?。?）充分考慮所有相機(jī)可能拍攝到該圖片的角度，模擬出由相機(jī)光軸的經(jīng)度和緯度變化所帶來的所有可能的仿射變換,。

　?。?）仿射扭曲的變換由光軸的傾斜參數(shù)和旋轉(zhuǎn)角度決定，而旋轉(zhuǎn)和傾斜由經(jīng)度角和緯度角表示,，對(duì)這些參數(shù)進(jìn)行間隔采樣,，采樣間隔要確保模擬出盡可能多的由于相機(jī)光軸變化所導(dǎo)致的圖像扭曲。

　?。?）利用SIFT算子對(duì)所有模擬出的圖像進(jìn)行處理,，提取興趣點(diǎn)。

　　2 特征構(gòu)造和相似度計(jì)算

　　顏色是彩色圖像最直觀的特征,。在提取圖像顏色特征的眾多方法中,，顏色直方圖由于具有對(duì)旋轉(zhuǎn)、平移和尺度變化不敏感的特點(diǎn),，并且計(jì)算簡(jiǎn)單,，已成為圖像檢索中應(yīng)用最多的特征提取方法。

　　2.1 RGB顏色空間

　　RGB顏色空間是是最常見的顏色空間，廣泛用于手機(jī),、數(shù)碼相機(jī)和計(jì)算機(jī)等設(shè)備,。它是由紅、綠,、藍(lán)3種基色混合構(gòu)成的直角坐標(biāo)系中的一個(gè)單位正方體,，坐標(biāo)系中的原點(diǎn)即3種顏色的亮度都等于零為黑色，當(dāng)3種顏色的亮度都達(dá)到1時(shí)表示白色,，如圖2所示,。

　　2.2 顏色直方圖

　　圖像的顏色直方圖采用統(tǒng)計(jì)學(xué)的方法，分別計(jì)算各個(gè)顏色通道興趣點(diǎn)的顏色值的出現(xiàn)頻數(shù),。通常情況下,，其定義為：

　　Hx，y,，z（x,，y，z）=N×Prob（R=x,，G=y,，B=z）(5)

　　其中，R,、G,、B分別代表了紅、綠,、藍(lán)3個(gè)顏色通道,，N代表了圖像中像素點(diǎn)的個(gè)數(shù)。本文算法分別統(tǒng)計(jì)了紅,、綠,、藍(lán)3個(gè)顏色通道中興趣點(diǎn)的顏色直方圖，構(gòu)成一個(gè)三維特征向量,，并將其作為圖像的特征進(jìn)像檢索,。

　　2.3 相似度計(jì)算

　　相似度計(jì)算采用歐氏距離計(jì)算，目標(biāo)圖像和圖像庫(kù)中的圖像特征向量間的相似度計(jì)算公式為：

　　S（Q,，I）=SR（Q,，I）+SG（Q，I）+SB（Q,，I）（6）

　　其中,，Q和I表示目標(biāo)圖像和圖像庫(kù)中的圖像，SR,、SG,、SB分別表示R、G,、B 3個(gè)顏色通道的歐式距離,。

　　3 仿真實(shí)驗(yàn)結(jié)果

　　興趣點(diǎn)的提取方法是否能夠滿足圖像檢索的要求，主要在于兩個(gè)方面：（1）必須有足夠多的興趣點(diǎn),，這樣才能盡可能充分表達(dá)出圖像的內(nèi)容信息,；（2）興趣點(diǎn)必須盡可能多地聚焦在圖像的主要語義信息上，從而準(zhǔn)確表達(dá)圖像內(nèi)容,。為了驗(yàn)證本文算法的有效性,，進(jìn)行了如下仿真實(shí)驗(yàn)。實(shí)驗(yàn)中所采用的軟硬件環(huán)境為：Intel Xeon E5-1603 2.8 GHz處理器,，4 GB內(nèi)存,，Windows 7 64位操作系統(tǒng)和MATLAB 2011b。

　　圖3顯示了本文算法與全局顏色直方圖檢索算法[2],、參考文獻(xiàn)[11]算法的對(duì)比檢索結(jié)果,，其中第一幅圖為待檢圖像。

　　為進(jìn)一步證明本文算法的有效性,，將本文算法與全局顏色直方圖算法,、參考文獻(xiàn)[11]算法的平均查準(zhǔn)率、平均查全率進(jìn)行對(duì)比,。實(shí)驗(yàn)選用了著名的Corel圖像庫(kù),，該圖像數(shù)據(jù)庫(kù)包括非洲人、馬,、大象,、恐龍、風(fēng)景,、沙灘,、公交車、夕陽(yáng)等各類圖片3 000張（包含30個(gè)種類,，每個(gè)種類包含100幅相關(guān)圖片）,。實(shí)驗(yàn)中從圖像庫(kù)中任意挑選了10類圖像，每類圖像隨機(jī)抽取10幅作為待檢圖像,，共構(gòu)成100次查詢,。每次查詢從檢索結(jié)果中截取前20幅相似程度最高的圖像作為檢索結(jié)果。對(duì)于每類圖像分別計(jì)算其查詢結(jié)果的查準(zhǔn)率平均值,、查全率平均值,，其中：

　　表1和表2分別給出了3種方法的對(duì)比實(shí)驗(yàn)結(jié)果。

　　基于內(nèi)容的圖像檢索是一門飛速發(fā)展中的跨學(xué)科,、綜合性的高新技術(shù),，該技術(shù)的研究與發(fā)展涉及多個(gè)學(xué)科和領(lǐng)域,。本文以興趣點(diǎn)為基礎(chǔ)，提出了一種概率密度和ASIFT的彩色圖像檢索方法,。該方法能夠充分提取圖像中的興趣點(diǎn),，并能有效地刻畫出圖像的特征，降低了圖像檢索的歧義性,。仿真實(shí)驗(yàn)表明,，該方法能夠準(zhǔn)確和高效地查找出用戶所需內(nèi)容的彩色圖像，在圖像檢索領(lǐng)域有較廣闊的應(yīng)用前景,。

　　參考文獻(xiàn)

　　[1] REDDY P V N,， SATYA PRASAD K. Color and texture features for content based image retrieval[J]. International Journal of Computer Technology and Applications， 2011,，2（4）：1016-1020.

　　[2] SWAIN M J,， BALLARD D H. Color Indexing[J].International Journal of Computer Vision， 1991,，7（1）：11-32.

　　[3] WOL C,， JOLION J， KROPATSCH W,， et a.l Content based image retrieval using interest points and texture features[C]. Proceedings of 15th International Conference on Pattern Recognition,， Barcelona， IAPR,， 2000： 234-237.

　　[4] Zheng Xia,， Zhou Mingquan， Wang Xingce. Interest point based medical image retrieval[C]. Lecture Notes in Computer Science,， Beijing：Springer Verlag,， 2008：118-124.

　　[5] Jian Muwei， Chen Shi. Image retrieval based on clustering of salient points[C]. Proceedings of 2008 2nd International Symposium on Intelligent Information Technology Application,， Shanghai,， 2008，1： 347-351.

　　[6] 符祥,，曾接賢.基于興趣點(diǎn)匹配和空間分布的圖像檢索方法[J].中國(guó)激光,，2010，37（3）：774-778.

　　[7] MOREL J M,， Yu Guoshen. A new framework for fully affine invariant image comparison[J]. SIAM Journal on Imaging Science,， 2009，2（2）：438-469.

　　[8] HARRIS C,， STEPHENS M. A combined corner and edge detector[C]. proceedings of 4th Alevy Vision Conference,，1988： 147-151.

　　[9] 孫達(dá)，唐降龍,，劉家鋒,，等.基于概率密度的興趣點(diǎn)檢測(cè)算法[J].自動(dòng)化學(xué)報(bào),，2008，34（8）,，854-860.

　　[10] Yu Guoshen,， MOREL J M. A fully affine invariant image comparison method[C]. IEEE International Conference on Acoustics Speech and Signal Processing， Taipei,，2009：1597-1600.

　　[11] YAP P T， PARAMESRAN R. Content-based image retrieval using Legendre chromaticity distribution moments[J]. IEEE Proceedings of Vision Image and Signal Processing,， 2006,，153（1）：17-24.