基于联合特征的图像检索

摘要：基于内容的图像检索是指在大型图像数据库中寻找相匹配的数字图像的一门机器视觉技术。在该文中用到的基于内容的图像检索技术是建立在图像内容上的提取上的，通过提供更好的索引来达到更准确的检索结果。该文提到的图像检索的内容是指颜色特征，纹理特征和这俩个特征的综合应用。相比较单特征，联合特征可以返回更加优秀的和更加准确的检索结果。

关键词：颜色直方图；联合特征；欧氏距离；灰度共生矩阵

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）01-0190-05

1 概述

基于内容的图像检索，也被称之为图像收索技术，它是计算机视觉技术应用在大容量的图像数据库中，解决数字图像检索的匹配问题。所谓基于内容是指图像检索系统分析的图像本身的内部数据，而不是关键词，标签和图像相关的说明。图形的内容包括颜色，形状，

纹理或任何可以直接从图片本身上提取出的信息。基于以上内容，用图片本身信息来检索图片，可以提供更好的检索服务和更准确检索结果[1]。

2 设计过程

2.1 颜色特征提取

颜色特征提取，直方图距离为查询图像的第一图像的数据库计算即贡献分量单独计算。现在之间的欧氏距离查询图像和图像中的第一个数据库的计算。这欧几里德距离是存放在一个数组。该程序重复其余图像在数据库中通过存储各自的价值。现在数组排序升序和第一8最接近的匹配项显示。

在颜色特征提取方方面，分别计算要查询图像和在数据库中图像的颜色直方图，用来统计统计RGB分量之间的距离。就是这样计算查询图像和在数据库中的匹配图像之间的欧几里德距离的。然后把计算所得的欧几里德距离被存储在一个数组中。计算在图像数据库中的其他图像平且存储它们各自的值。对得出的数据进行升序排列，显示前8个最接近的匹配图像。

2.2 纹理特征提取

在纹理特征提取，对数据库中的所有图像和待检索的图像，提取出它的灰度纹理特征向量[3]。共生矩阵这种技术，不仅可以显示图像强度值也可以显示出强度的分布图。纹理特征检索选择的参数有能量，对比度，熵，逆差额，转动惯量，均值，灰度方差，灰度偏离值，分布均匀程度，局部图像的稳性和均匀性。

计算待查询图像和图像数据库中的第一幅图像之间的欧几里德距离，并把该欧几里德距离被存储在数组中。重复这个过程，直到把剩余所有图像的欧几里德距离都计算出来，并且存储它们各自的到一个数组中。然后把这个数组中的值按照排升序排列，把前8个最接近的匹配图像显示出来。

2.3 联合特征提取[6]

联合特征提取提需要先把在图像数据库中第一图像和查询图像的直方图的距离计算出来。然后同样在数据库中的第一图像和待查询图像之间的欧几里德距离也计算出来，并且把欧几里德距离存储在一个数组中。重复该过程，直到数据库中的所有图像都得到了遍历，而且把所有得到的距离结果存储到一个数组中。

使用的灰度共生矩阵提取出纹理特征向量，为在数据库中的第一图像和待查图像提取纹理特征向量。待查询图像和数据库之中的第一副图像之间的欧几里德距离的计算就可以计算出来了。并且把这个计算出来的欧几里德距离被存储到一个数组中。重复进行这个过程，直到数据库中的所有图像都得到遍历，并且存下他们的欧几里得距离到同一个数组中。

以上存储的数组是为了进一步的运算的。进一步比较数组中存放的欧几里得距离。上述计算阵列之间的欧几里得距离的计算方法。按升序排序，并且前8个显示最接近的匹配。

3 算法

3.1 颜色特征的提取算法

1）把查询图像被输入到系统中。

2）用颜色直方图的方法，然后计算查询图像的直方图距离。

3）用同样的方法，计算在数据库中的第一图像的直方图距离。

4）计算查询图像和数据库中的第一幅图像之间的欧几里德距离。数据库中使用的颜色特征提取图像。

5）存储阵列中的“欧几里德距离”。

6）计算数据库中的下一图像的直方图的距离。

7）重复步骤4，5和6，直到数据库中的所有图像得到遍历。

8）把所有的数组中的的欧氏距离，按升序摆列。

9）显示8个最接近的匹配结果。

3.2 纹理特征的提取算法

1）把待查询图像被输入到系统中。

2）用灰度共生矩阵的方法，计算查询图像的纹理特征向量，并把结果存在一个数组中。

3）用上述的方法，计算图像数据库中的第一幅图像的纹理特征向量，并把结果存在一个数组中。

4）计算查询图像和在数据库中的第一幅图像之间的欧几里德距离。

5）把这个结果存储在一个数组中。

6）用灰度共生矩阵的方法，计算出图像数据库中下一幅图像的纹理特征向量，并将其存储在数组中。

7）重复步骤4，5和6，直到数据库中的所有图像得到遍历。

8）把所有的数组中的的欧氏距离，按升序摆列。

9）显示8个最接近的匹配结果。

3.3 联合特征的提取算法（颜色特征和纹理特征）

1）把待查询图像被输入到系统中。

2）用颜色直方图的方法，然后计算查询图像的直方图距离。

3）用同样的方法，计算在数据库中的第一图像的直方图距离。

4）计算查询图像和数据库中的第一幅图像之间的欧几里德距离。

5）把这个结果存储在一个数组中。

6）用同样的方法，计算在数据库中的第一图像的直方图距离。

7）重复步骤4，5和6，直到数据库中的所有图像得到遍历。

8）所有的数组中的的欧氏距离，按升序摆列。

9）用灰度共生矩阵的方法，计算查询图像的纹理特征向量，并把结果存在一个数组中。

10）用灰度共生矩阵的方法，计算出图像数据库中下一幅图像的纹理特征向量，并将其存储在数组中。

11）计算查询图像和在数据库中的第一幅图像之间的欧几里德距离。

12）把这个结果存储在另一个数组中。

13）重复步骤11，12和13，直到遍历了所有的图像数据库中的所有图像。

14）把所有的数组中的的欧氏距离，按升序摆列。

15）计算存储图像直方图数组和纹理特征向量数组之间的欧几里德距离。

16）综合以上结果，可以得到一个有效的搜索检索结果。同时显示8个最接近的匹配结果。

4 结论

4.1 颜色直方图的方法

下面的出的检索结果是用提取颜色特征的方法得到的。

4.2 纹理特征的方法

以下是基于纹理检索的结果

4.2 联合特征的方法

以下是基于联合检索的结果

5 结论

颜色特征，纹理特征和联合特征是通过本文以上提到的各种发。 颜色特征的提取是通过颜色直方图的方法来实现。

对于纹理特征使用了11项的属性，其中包括能量，对比度，熵，逆差法，平均值发，方差，分布均匀度，转动惯量，偏离度，局部平稳性，均匀性。这些属性的综合应用提高了纹理特征检索效果。

联合特征的提取是通过提取颜色和纹理特征，得到的一个综合检索。检索的图像适合于各种的图片格式，特征提取是实现项目的保证。

6 结束语

基于内容的图像检索系统，可以运用于许多方面。在技术领域是会有不断的新的发展。下面将简要呈现图像检索系统。

该系统具有图像旋转不变性。也就是说，这个系统应进一步提高旋转了的图像和没有角点匹配的图像。适用于所有的图像格式和接受不同程度的图像缩放。对于图像的形状特征也可以被认为是作为一个有用的图像特征矢量。该系统可以进一步提高效率，在数据库搜索时，查询图像的用户可以自己选择所需的特征向量或一些特征向量的组合。

参考文献：

[1] Woo Chaw Seng，Seyed Hadi Mirisaee.A Content-Based Retrieval System for Blood Cells Images[C].International Conference on Future Computer and Communication，icfcc，2009：412-415.

[2] Mohammad Reza Zare，Raja Noor Ainon，Woo Chaw Seng.Content-Based Image Retrieval for Blood Cells[C].Third Asia International Conference on Modelling & Simulation，ams，2009：332-335.

[3] Fan-Hui Kong.Image Retrieval Using Both Color AndTexture Features[C].Department of Information Science &Technology，Heilongjiang Proceedings of the EighthInternational Conference on Machine Learning andCybernetics，Baoding，12-15 July 2009.

[4] Xiangbin Wang，Junmin He，Zhongwei Lv.Texture-based Retrieval of Thyroid Gland SPECT Image[D].School of Life Science and Technology Tongji University，978-1-4244-4134-1/09/$25.00 ©2009 IEEE.

[5] Subrahmanyam Murala，Anil Balaji Gonde R.P.Maheshwari.Color and Texture Features for Image Indexing and Retrieval[C].Department of Electrical Engineering，Indian Institute of Technology Roorkee，Uttarakhand， India，IEEE International Advance Computing Conference，2009.

[6] Wei Wang，Motoyuki Suzuki.Texture Retrieval Based on Gray-Primitive Cooccurrence Matrix[Z].Dept InfoScience & Intelligent Systems Faculty Engineering，The University of kushima，Tokushima，Japan， 978-1-4244-6899-7/10/$26.00 ©2010 IEEE.

[7] 孙君项，赵珊.图像低层特征提取与检索技术[M].北京：电子工业出版社，2O09.

[8] 张华伟，孙劲光.基于颜色与形状图像检索的研究[J].计算机仿真，2009，26（11）.

[9] Guo ZH，Zhang L，Zhang D.Rotation invariant texture classification using LBP variance（LBPV）with global matching，2010，43（3）：706-719.

[10] Woo Chaw Seng，Seyed Hadi Mirisaee.A Content-Based Retrieval System for Blood Cells Images[C].International Conference on Future Computer and Communication，icfcc，2009：412-415.