基于图像内容的检索技术的研究

王玉兰 王剑雄 赵翊君 甄同妙

（河北建筑工程学院，河北，张家口075000）

0 引 言

随着视频监控的发展，数字图像正以惊人的速度增长，因此当前需要解决的问题是如何快速、准确的管理，并且检索出所需要的图像.而传统的图像检索技术因为其本身的局限性，已经不能满足现在庞大数据的需求，这时人们把研究的焦点放在基于内容的图像检索技术上.在提取能表示图像内容的纹理、颜色、形状和空间位置等底层视觉特征的基础上，融合图像多特征进行索引匹配，通过降维、构建索引结构，这就是基于内容的图像检索.具体算法流程为：a）利用聚类算法提取视频的背景帧，把当前帧与背景帧相减得到运动目标的位置；b）用户指定前景目标上、中、下三个位置的权重；c）计算前景目标的颜色低阶矩；d）按公式计算关键图和目标图对应的相似度；e）把相似度高于阈值的图像存放到数据库中；f）按相似度大小进行索引排序目标图片；g）显示结果.

1 运动目标的提取

本文参考了国内外很多研究人员的方法，如基于统计模型的方法［1］，基于预测的方法［2］等，最后经过分析研究，得出一种新的背景提取算法，即基于聚类思想的背景提取算法.经过实验，该算法的时间度优于前两个算法，且具有显著的应用效果.

算法的过程是，在N帧图像中取出相同位置的每一个像素值，然后求其均值与方差，如果方差大于某一个特定的阈值，则去掉与均值距离最远的那个像素值，然后再重新求均值与方差，直到剩下像素值的方差小于特定的阈值，最后该均值就是该像素点的背景值，然后取下一个像素值，直到图像所有像素值的背景提取完毕，算法具体步骤如下：

Step1：对N帧图像同一个位置点的像素灰度值进行排序.读取视频流中N帧图像同一个位置像素点的灰度值，把这些数据进行由小到大排序，放入一个临时（Temp）数组中，该数组预先清零，且开始时k＝1，x＝1，y＝1.用公式（1）表示为：

式（1）中：Temp（k）表示数组Temp中存放的由小到大排列的K个灰度值数据，1≤k≤N，Imagek（x，y）表示第k帧图像中（x，y）处的灰度值，且1≤x≤Height（图像行高），1≤y≤Width（图像列宽），总共N帧图像.

Step2：计算视频序列图像（x，y）点处像素的平均值与方差.初始化low＝1，high＝N.用公式（2）表示为：

Average（x，y）是视频序列图像（x，y）点处灰度的平均值，D（x，y）是视频序列图像（x，y）点处灰度的方差，low指向Temp数组中未被去掉的极小值，high指向Temp数组中未被去掉的极大值.

Step3：比较该点方差与阈值，如果方差大于阈值，比较Temp数组中第一个和最后一个数据值与Average（x，y）的距离值，然后去掉距离大的那一个，重复Step2和Step3；如果方差小于阈值，平均值即为该像素点的背景值.

当D（x，y）＞TH时，用公式（3）表示为：

当D（x，y）≤TH时，用公式（4）表示为：

BImage（x，y）是视频序列图像（x，y）处的背景灰度值，本文中TH阈值取值为50.

Step4：行或列移动一个单位，重复Step1、Step2、Step3直到计算出图像的全部像素点的背景值BImage（x，y），用公式（5）表示为：

x代表图像像素的行数，y代表图像像素的列数，width是图像的宽度，height是图像的高度.

2 图像颜色特征的提取与表示

数字图像内容的一种重要表示方法就是颜色.因为颜色特征对图像本身的大小、方向的不敏感，所以颜色特征成为图像检索中应用最为广泛的视觉特征.再由于颜色和图像中所包含的物体或场景十分相关，从而具有较强的鲁棒性.之所以很多基于颜色特征的图像检索算法被提出来，就是因为颜色特征的重要作用.

颜色直方图具有随图像尺度、旋转等变化不敏感，并且特征提取和相似度计算简便的特点，因此将它作为一种重要的基于颜色特征进行图像检索的方法.但是，颜色直方图也有一些缺点：颜色直方图只计算图像颜色数量分布，没有考虑颜色在图像空间的分布，并且真彩色的数字图像的R，G，B分量取值均在［0，255］之间，那么一张数字图像的颜色数有255×255×255种.这就使得提取的特征维数过高，不利于检索，这就会出现颜色直方图相同但图像内容完全不同的情况.故我们采取颜色矩［3］的方法来提取颜色特征值.此外，由于颜色分布信息主要集中在低阶矩中，因此仅采用计算颜色分布的一阶矩、二阶中心矩和三阶中心矩就可以表达图像的颜色特征.另外，采用颜色矩的另一个好处在于降低了颜色特征的维数并且无需对颜色进行量化.颜色矩的三个低阶矩为公式（6）：

图像的颜色矩一共有9个分量，其中3个颜色通道分量，每个颜色分量有3个低阶矩，hij表示第i个颜色通道分量中灰度为j的像素出现的概率，下角标的第二个分量j表示灰度级数.本文采取颜色矩作为特征值，并且颜色矩同其它颜色特征相比是非常简洁的.

3 图像相似度距离的计算

相似性度量方法模型多种多样，没有具体的哪一种方法能够适用于所有情况.就是因为计算方法和计算量的原因，当前用于图像检索的相似性度量模型主要还是采用欧几里德距离度量，如果图像特征的分量之间各维特征的重要程度相同，并且它们互不相关，那么特征向量T和Q之间的相似程度可以如公式（7）表示：其中：n为特征向量的维数.

本文综合考虑其它距离相似性的度量方法的优缺点，最后对欧几里德距离稍加修改，即加权欧几里德距离作为相似性的度量方法.设待查图像为Q，目标图像为T，其颜色矩特征分别为：Eqi，Eti，加权系数是W，则图像Q和T之间的相似度距离可用以下公式表示：

式中：n为分割区域个数；Wt为分割区域所占视觉权重，We、Ws为各阶颜色矩的权重.

4 数据库索引技术的实现

由于图像数据库包含着众多的数据而且描述图像的特征矢量的维数［4］往往很高，所以要有效检索，高效的索引机制是非常重要的.之所以很多常用的索引机制无法直接用于图像数据库，是因为图像数据库与文本数据库有很大的区别.

本文采用特征向量来表示图像［5］，这些特征向量维数的数量级通常达到102.对于小型图像数据库（≤104幅），用优化或者简单的线性查找就可以有效地进行.但对于数字化图书馆和其他的一些集成检索系统，图像库的容量一般都是非常大的（≥105幅），高维索引对检索效率的影响很大，因此采用高效地索引机制是十分必要的.本文研究的合理做法是对图像特征向量的维数先进行缩减，为此采用RGB三个通道分开，分别计算每个通道的特征值，再乘以它们的权值，然后相加就得到数据库索引的索引值，通过索引值检索图库，查找相似图像.

5 系统仿真与实验分析

为了模拟真实环境下的图像检索［6］，特意拍摄了500多幅各个种类的照片，经过系统模拟实验，大部分能预期检索发现。模拟检索系统如图1所示：

图1 图像检索系统

为了和本文参考文献的算法进行比较，本文查准率取前6幅进行比较，查全率取前12幅进行比较，比较结果本文算法优于大量参考文献的算法，符合人的心理预期。

6 结束语

本文实现了一个基于内容的颜色特征图像检索原型系统，这是以内容图像检索技术进行研究和分析为基础的.本文对许多经典的传统算法进行了诸多的改进：提取运动目标区域的方法，使得查找范围缩小；采取加权的欧几米的距离进行相似度测量，提高相似度检测；把运动目标区域分成上、中、下三个部分，每个部分都有自己的权值，使得查找精确度大大提高，实验仿真验证了该方法的有效性.本文还存在一些不足之处，今后需要进一步研究和改进：

1）文章中进行的特征检索技术还只是基于图像的低层视觉特征，没有涉及低层视觉特征与高层语义特征之间的联系.

2）需要加大对人的视觉感知特性的考虑和研究，这样有助于快速捕获用户的需求.

3）如何解决检索精度和检索效率之间的矛盾.

4）大量的特征数据必然要采用建立图像特征数据库方法，因此，要引入分布式计算模式，提高基于内容图像检索系统的并行处理能力、响应能力和检索能力.

［1］Christopher Richard WREN，All AZARBAYEJANI，Trevor DARRELL，et al.Pfinder：real－time tracking of the human body［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19（7）：780～785

［2］Christof RIDDER，Olaf MUNKELT，Harald KIRCHNER.Adaptive background estimation and foreground detection using Kalman－Filtering［A］.Proceedings of the International Conference on recent Advances in Mechatronics［C］.Istanbul，Turkey：UNESCO Chair on Mechatronics，1995.193～199

［3］Stricker，M.，Orengo，M.Similarity of color images［A］.In：Niblack，W.R.，Rceds，J.，eds.Proceedings of the SPIE2420，Storage and Retrieval for Image and Video DatabaseI I I［C］.San Jose，CA：SPIE，1995.381～392

［4］Salton G.，McGill M.J..Introduction to modern information retrieval［M］.New York：McGraw2Hi 11Book Company

［5］岳磊.基于分块颜色矩和灰度共生矩阵的图像检索［J］.微计算机信息，2012，8（28）：162～164

［6］李一波，朴慧.小波变换在纹理提取技术中的研究现状［J］.小型微型计算机系统，2010，3l（6）：1213～1217