0 引言

    隨著科學(xué)技術(shù)的迅速發(fā)展，基于內(nèi)容的圖像檢索技術(shù)^[1]在諸多領(lǐng)域中的應(yīng)用變得越來越廣泛,。但是圖像數(shù)據(jù)庫中的圖像也大幅度增加,，且內(nèi)容也愈加豐富多彩，這對(duì)于如何在大數(shù)據(jù)庫中實(shí)現(xiàn)快速準(zhǔn)確的檢索無疑帶來了一定的困難,，且由于單一特征本身的局限性,，這就使得基于單一的檢索系統(tǒng)精度不高，因而基于多特征融合的檢索方法已成為當(dāng)前主要研究的方向,。

    當(dāng)前描述圖像內(nèi)容的主要索引特征是顏色,、紋理,、形狀和空間關(guān)系^[2-4],。其中顏色和紋理特征是應(yīng)用最為廣泛的兩個(gè)特征，在顏色特征方面,，主要方法有顏色直方圖,、顏色矩、顏色集法等^[5],。其中顏色直方圖^[6]在描述圖像整體特征時(shí)運(yùn)用較廣泛,，但其缺乏顏色空間信息的描述，導(dǎo)致檢索精度不高,。針對(duì)這個(gè)問題,，文獻(xiàn)[7]提出以顏色相關(guān)圖為特征的圖像檢索方法來描述顏色的空間信息，但是計(jì)算量大且空間相關(guān)性較弱,。為此,，文獻(xiàn)[8]在基元的基礎(chǔ)上提出基元自相關(guān)圖的檢索方法，但顏色空間相關(guān)性有待提高,，且顏色索引誤差大,、抗噪性差。為此,，本文采用一種改進(jìn)的基元來描述顏色空間信息,，以克服上述存在的問題。

    在紋理特征方面,，文獻(xiàn)[9]提出一種基于結(jié)構(gòu)量化的圖像檢索方法,，文獻(xiàn)[10]提出一種基于結(jié)構(gòu)元的圖像檢索方法，該方法很好地描述圖像的紋理特征，且在一定程度上也表達(dá)了顏色和紋理特征之間的相關(guān)性,。故在此基礎(chǔ)上,，本文采用一種改進(jìn)的結(jié)構(gòu)元，使其在提取紋理特征時(shí)結(jié)構(gòu)的內(nèi)在連續(xù)性和空間表達(dá)性更強(qiáng),。

1 顏色空間的選取與量化

    根據(jù)人眼視覺特征先將圖像從RGB顏色模型經(jīng)過非線性變換^[11]成HSV模型,，并將其非等間距量化為63種顏色，其中色調(diào)H分為7份,，飽和度S分為3份,，亮度V分為3份。將其合成一維特征矢量L,，即：L=Q_SQ_VH+Q_VS+V,，其中Q_S和Q_V都取3，故L=9H+3S+V,，且L的取值范圍是[0,，1，2,，…,，62]。

2 顏色代表值的確定

    本文采用3×3單元格將大小為M×N的圖像均勻劃分成(M/3)×(N/3)個(gè)子塊,，其中每個(gè)子塊含有9個(gè)像素,。為了降低計(jì)算復(fù)雜度和增強(qiáng)算法的抗噪性，本文利用(μ+σ,，μ-σ)作為閾值的上下界進(jìn)行比較,，其中μ和σ的計(jì)算公式如式(1)和(2)所示，若子塊內(nèi)像素顏色值大小在閾值范圍內(nèi),，則賦值為1,；反之，賦值為0,，最后統(tǒng)計(jì)該子塊中非零的個(gè)數(shù),，作為該子塊的顏色代表值。

其中,，c(i,，j)是像素點(diǎn)(i，j)的顏色值,。 

    該方法的抗噪性更強(qiáng),，它可以解決顏色代表值受噪聲影響的問題，具體如圖1所示,。

3 基元自相關(guān)圖

    基元的類型有很多,，但通常將具有相同顏色值的兩個(gè)像素點(diǎn)構(gòu)成一種基元，正如文獻(xiàn)[8]中提出的4種基元一樣，如圖2所示,。但是該4種基元在表達(dá)顏色空間信息時(shí)空間相關(guān)性不強(qiáng),，對(duì)此本文進(jìn)行改進(jìn)并提出一種內(nèi)在連續(xù)性和顏色空間相關(guān)性更強(qiáng)的基元，分別如圖3所示5種基元,，圖中陰影表示這些像素的顏色代表值相等,，且含有不同陰影的基元各代表不同的類型。

    從左上角開始,，以2個(gè)子塊包含的像素為步長,，從左至右、從上到下移動(dòng)大小為3×3的基元,，并檢測基元出現(xiàn)的類型,。其中經(jīng)基元檢測后只能保持基元像素的顏色代表值不變，而其他像素顏色代表值都置為0,。待檢測結(jié)束后,，按如下規(guī)則進(jìn)行組合：(1)若5個(gè)基元分量圖像中對(duì)應(yīng)位置的像素顏色代表值非零且都相等，則組合后仍為原值,；(2)若其對(duì)應(yīng)位置的像素顏色代表值分別為非零值和零值,，則組合后為原非零值。

    若其中一個(gè)顏色代表值為c的子塊A出現(xiàn)的概率為P(A),，如果任意一個(gè)與子塊A相鄰的子塊B,，它的顏色代表值也為c，則由概率條件可得式(3),，其中P(B|A)表達(dá)了基元圖像的顏色空間特征，即基元自相關(guān)圖,。

4 結(jié)構(gòu)元直方圖

    紋理特征也是表達(dá)圖像信息的一種重要方法,，在文獻(xiàn)[10]提出一種結(jié)構(gòu)元直方圖的方法。其中含有5種結(jié)構(gòu)元,，具體如圖4所示,。為了更好地表達(dá)紋理特征的內(nèi)在關(guān)聯(lián)性和適應(yīng)性，本文提出一種內(nèi)在連續(xù)性更強(qiáng)的結(jié)構(gòu)元,，如圖5所示,。

    從左上角開始，以2個(gè)子塊包含的像素為步長,，從左至右,、從上到下移動(dòng)大小為3×3的結(jié)構(gòu)元，檢測出基于每一種顏色代表值下的結(jié)構(gòu)元類型,。當(dāng)用本文的結(jié)構(gòu)元描述子檢測時(shí)可得到10張結(jié)構(gòu)元描繪子圖,，并將其量化為結(jié)構(gòu)元直方圖。

    設(shè)|T_1，i|,，|T_2,，i|，|T_3,，i|,，|T_4，i|和|T_5,，i|分別表示為在第i層中統(tǒng)計(jì)得到的結(jié)構(gòu)元類型的個(gè)數(shù),，為了避免受圖像發(fā)生縮放而導(dǎo)致尺寸大小不同的影響，本文采用如下公式對(duì)其進(jìn)行歸一化處理：

其中,，t_ki為歸一化后的值,，k的值代表第k個(gè)結(jié)構(gòu)元，且k∈(1,，5),；i的值代表子塊的顏色代表值，且i∈(0,，9),。

    對(duì)于查詢圖像P的結(jié)構(gòu)元直方圖特征為P=(p₀，p₁,，p₂,，…，p₄₉),，圖像庫Q中每幅圖像的結(jié)構(gòu)元直方圖特征為Q=(q₀,，q₁，q₂,，…,，q₄₉)，這樣相對(duì)于63維特征向量來說,，簡化了計(jì)算量,，同時(shí)該基元具有更強(qiáng)的空間性，所以能保證檢索的精度,。本文采用式(6)來計(jì)算查詢圖像P和圖像庫Q中圖像的相似度,。

5 實(shí)驗(yàn)結(jié)果與分析

    本文采用的圖像數(shù)據(jù)庫是由Corel-5000圖像庫中的6類圖像構(gòu)成，其中包含人物,、海灘,、建筑、公交,、美食和花卉,，每類未受噪聲的圖像各90幅,，加噪后的圖像每類10幅，總共600幅圖像,。

    實(shí)驗(yàn)采用Windows XP操作系統(tǒng),，開發(fā)工具為Visual C++ 6.0。從每類圖像中隨機(jī)抽取10幅圖像作為查詢圖像進(jìn)行檢索,，總共進(jìn)行60次查詢,，每次查詢都選取前15幅最相似的圖像作為實(shí)驗(yàn)的結(jié)果。利用查準(zhǔn)率,、平均排序比值作為實(shí)驗(yàn)性能的評(píng)價(jià)標(biāo)準(zhǔn),，對(duì)于每類圖像而言，將其10次查詢結(jié)果的查準(zhǔn)率平均值作為該類圖像檢索結(jié)果的平均查準(zhǔn)率,；對(duì)于平均排序比值S的定義如下：設(shè)在查詢后返回R幅圖像中含有M幅相關(guān)圖像,、N幅實(shí)際相關(guān)圖像，ρ_r為相關(guān)圖像的排序號(hào),，則平均排序的計(jì)算公式如式(7),，若S的值越接近1，則排序效果越好,。

    (1)實(shí)驗(yàn)1：本文首先應(yīng)該統(tǒng)計(jì)w₁和w₂值的變化對(duì)本文算法檢索效果的影響,，從而確定最佳的加權(quán)值。表1統(tǒng)計(jì)了本文方法在不同權(quán)值下的圖像檢索平均查準(zhǔn)率,。

    由表1可知,，考慮到每類語義圖像的平均查準(zhǔn)率，故當(dāng)w₁=0.6,、w₂=0.4時(shí),，該方法的綜合平均查準(zhǔn)率最高。由于除了結(jié)構(gòu)元直方圖可以表達(dá)紋理信息外,，基元自相關(guān)圖在一定程度上描述了紋理信息,，因此這也解釋了w₁的值要盡量比w₂的值取大一些。此外,，綜合這兩種特征對(duì)圖像數(shù)據(jù)庫中的圖像進(jìn)行檢索，具體統(tǒng)計(jì)結(jié)果如表2所示,。

    (2)實(shí)驗(yàn)2：分別進(jìn)行4組對(duì)比實(shí)驗(yàn)：①以顏色自相關(guān)圖（CAC）為特征進(jìn)行圖像檢索,；②以文獻(xiàn)[8]方法進(jìn)行圖像檢索；③以文獻(xiàn)[10]方法進(jìn)行圖像檢索,；④以本文方法進(jìn)行圖像檢索,。以海灘圖像為關(guān)鍵圖進(jìn)行4組實(shí)驗(yàn)的檢索結(jié)果分別如圖6(a)～圖6(d)所示。表3統(tǒng)計(jì)了4種檢索方法對(duì)海灘圖像經(jīng)過10次檢索后的結(jié)果,，表4統(tǒng)計(jì)了4種檢索方法對(duì)圖像庫中各種圖像檢索后的結(jié)果,。表5統(tǒng)計(jì)了4種檢索方法的平均查準(zhǔn)率和平均排序比值S,。

    由表3可知，采用本文方法檢索時(shí)的平均查準(zhǔn)率最高,，且平均排序比值S也最接近1,，本文方法的總體效果最優(yōu)。由表4和表5的數(shù)據(jù)統(tǒng)計(jì)結(jié)果可以看出,，本文方法對(duì)相似圖像的查準(zhǔn)率和相似圖像輸出的排序值都有所提升,，證明了本文方法的有效性。在表4中,，由于海灘和建筑類圖像顏色和紋理信息都比較復(fù)雜,，因此海灘和建筑類圖像在綜合兩者特征下檢索的提升效果最好；同時(shí)由于花卉主要含較為單一的顏色信息,，且紋理信息不復(fù)雜,，因此對(duì)于花卉類圖像來說，采用本文方法相較于顏色自相關(guān)圖,、文獻(xiàn)[8]中方法來說,，其提升效果沒有其他組大，但總的來說,，在本文方法檢索下的查準(zhǔn)率和相似圖像輸出的排序值都有所提升,。在表5中，本文算法的檢索效果要明顯優(yōu)于顏色自相關(guān)圖,、文獻(xiàn)[8],、文獻(xiàn)[10]。綜上所述,，本文算法有效地提高了圖像的檢索精度,，改善了相關(guān)圖像的排序值，并具有很好的抗噪性,。

6 結(jié)論

    本文首先將RGB圖像非等間距的量化為63種顏色,，同時(shí)為了簡化計(jì)算和減小顏色索引誤差，采用3×3單元格將圖像進(jìn)行不重疊分塊,，然后又提出了用子塊顏色代表值代替顏色值的方法以增強(qiáng)算法的抗噪性,，最后提取其基元自相關(guān)圖和結(jié)構(gòu)元直方圖特征，并且綜合這兩個(gè)特征進(jìn)行相似性度量,。實(shí)驗(yàn)結(jié)果表明,，本文方法有效地提高了檢索精度，改善了相關(guān)圖像的排序值,，并具有較好的抗噪性,。此外，對(duì)于如何將其他特征相結(jié)合起來,，將是下一步研究的內(nèi)容,。

參考文獻(xiàn)

[1] 蔣琳瓊,，戴青云.一種改進(jìn)的基于內(nèi)容的圖像檢索系統(tǒng)研究[J].軟件導(dǎo)刊，2013,，12(1)：168-170.

[2] BAI C,，ZOU W，KPALMA K,，et al.Efficient color texture image retrieval by combination of color and texture features in wavelet domain[J].Electronics Letters,，2012，48（23）：1463-1465.

[3] 張永庫,，李云峰,，孫勁光.基于多特征高效索引的圖像檢索[J].計(jì)算機(jī)工程與應(yīng)用，2016,，52(7)：181－186．

[4] 孫君頂,，郭啟強(qiáng)，周雪梅.基于顏色和紋理特征的彩色圖像檢索[J]．計(jì)算機(jī)工程與應(yīng)用,，2010,，46(29)：176－178．

[5] JYOTHI B，MADHAVEELATHA Y,，MOHAN P G K,，et al.Integrated multiple features for tumor image retrieval using classifier and feedback methods[J].Procedia Computer Science，2016,，85(4)：141-148．

[6] LEW M S,，SEBE N，DJERABA C,，et al.Content-based multi-media information retrieval：state of the art and challenges[J].ACM Transactions on Multimedia Computing,，Communications，and Applications,，2006,，2(1)：1-19.

[7] HUANG J，KUMAR S R,，MITRA M,，et al.Spatial color indexing and applications[C].Proc.of the 6th International Conference on Computer Vision.Bombay，India：IEEE Press,，1998.

[8] 劉廣海,，王強(qiáng).基于基元自相關(guān)圖的圖像檢索[J].計(jì)算機(jī)科學(xué)，2009,，27(3)：166-169.

[9] 金蓮芳，覃團(tuán)發(fā),，王海霞.基于結(jié)構(gòu)量化直方圖的圖像檢索方法[J].中國圖像圖形學(xué)報(bào),，2006,，11(2)：180-185.

[10] Wang Xingyuan，Wang Zongyu.A novel method for image retrieval based on structure elements’ descriptor[J].Visual Communication and Image Representation,，2013,，24(1)63-74.

[11] OTA S，TAMURA M,，F(xiàn)UJITA K.A hybird method for real-time animation of trees swaying in wind fields[J].The Visual Computer,，2004，20(10)：613-623.

作者信息：

劉芳輝,，郭  慧,，張  培，周邵萍

（華東理工大學(xué) 機(jī)械與動(dòng)力工程學(xué)院,，上海200237）