潘红艳
(浙江工商职业技术学院,浙江 宁波 315012)
在互联网飞速发展的今天,网上的各种资源以惊人的速度增长,从庞大的信息资源中检索中出用户需要的信息变得尤为重要。图像数据是其中重要的一类数据,它可以将内容以最直观的方式传递给人们。各类购物平台的出现,也使得图像数据量激增,用户希望在浩瀚的图像数据中快速找到自己需要的图像。
图像检索是根据用户的需求,在图像数据库中查找符合用户需求的图像。依据检索机制的不同,图像检索分为基于文本的图像检索、基于内容的图像检索和基于语义的图像检索。由于文本表达能力的局限性和文本标注的歧义性,使得基于文本的图像检索的准确性不高。基于语义的图像检索,检索过程中需要提取图像的高层语义,而图像的语义提取很困难,且准确性不高,这就限制了该检索方法的准确性。基于内容的图像检索是以图像的颜色、形状、纹理来表达图像特征,从而进行相似性判断和检索。基于内容的图像检索,由于计算简单、检索准确率高的特点,得到广泛应用。一幅图像的内容信息是非常丰富的,检索过程中可以依靠一种特征,也可以联合多个特征进行检索。本文选取图像的颜色特征和边缘特征,采用分层多特征融合策略,以提高检索结果的准确率和可靠性。
在图像检索过程中,如果采用单一图像特征而舍弃其他图像特征,会导致对图像信息的表达不够全面,从而降低了检索结果的准确率和可靠性。针对这一问题,本文提出了如图1所示的融合颜色特征和纹理特征的分层图像检索框架。
从图1可以看出,在提取图像特征时,先将RGB图像映射到颜色空间(Hue,Saturation,Value,HSV),再分别提取待检索图像和数据库图像的颜色特征和纹理特征。在提取颜色特征时,采用颜色矩特征。在提取图像的纹理特征时,采用灰度共生矩阵的方法。在颜色特征层和纹理特征层,分层分别计算检索图像和数据库图像的相似度,对分层计算出的相似度进行融合,得到最终的相似度,依据相似度的大小,对检索结果进行排序和输出。
图1 分层多特征融合的图像检索框架
颜色特征是图像内容特征中最丰富的一个视觉特征,具有大小不变性、方向不变性的特征。图像显示时,一般采用RGB模型。HSV模型是针对用户观感的一种颜色模型,H表示色调,用角度表示,范围为0°~360°;S表示饱和度,表示颜色的鲜艳程度,取值范围为0~1;V表示明度,取值范围为0~1。色调、饱和度、明度与人眼对颜色的主观认识相对比较符合,能更好地反映人类对颜色的感知。基于以上考虑,本文在提取图像的颜色特征时,利用公式(1)~(3)将RGB模型转换为HSV模型。
本文将H量化成16级,S量化成4级,V量化成4级,这样得到256个不同的颜色值。颜色矩是一种简单有效的颜色特征表示方法,向量的计算比较快,可以通过对像素颜色信息的统计计算得到。颜色信息集中在图像颜色的低阶矩中,在图像转化为HSV模型后,本文选择三阶颜色矩特征作为图像的颜色特征。
一阶颜色矩表示均值,反映图像的明暗程度,计算公式如式(4)所示。
二阶颜色矩表示标准差,反映图像颜色的分布范围,计算公式如式(5)所示。
三阶颜色矩表示方差,反映图像颜色分布的对称性,计算公式如式(6)所示。
Pi,j:颜色通道i中灰度为j的像素出现的概率。N:图像中像素的个数。
图像的颜色矩一共需要9个分量,即图像的颜色特征表示为:
在图像检索中纹理特征也是被广泛使用的图像特征,纹理特征表现为图像内容规则或部分规则的排列,它描述了图像的表面和结构属性。灰度共生矩阵通过灰度的空间相关特性来描述纹理,反映不同像素相对位置的空间信息,本文选用灰度共生矩阵的方法来提取图像的纹理特征。
本文灰度级取16级,选取了角二阶矩(能量)、熵、惯性矩(对比度)、相关度4个纹理特征。在0°,45°,90°,135°方向上分别计算4个纹理特征,然后求取4个方向上的平均值,作为该纹理特征的值,由此得到4维纹理特征向量。如表1所示。
表1 鲜花图纹理特征向量
表2 建筑图纹理特征向量
经过2.1和2.2的颜色特征提取和纹理特征提取后,得到9维颜色矩特征向量和5维纹理特征向量,本文对得到的颜色特征向量和纹理特征向量不进行融合,而是在颜色特征层和纹理特征层,分层分别计算检索图像和数据库图像的相似度,采用一定的融合策略融合得到最终的相似度。
相似度的计算方法很多,本文采用Euclidean距离进行相似度的计算。假设待检索图像和数据库图像的颜色特征相似度为Ci,纹理特征之间的相似度为Ti,则待检索图像和数据库图像之间的相似度如式(8)所示。
为了验证本文提出的分层融合的图像检索技术的有效性,在自建小型图像数据库中进行实验验证。实验环境为Matlab2016b,Win7操作系统。图像数据库中有自然风光、昆虫、鱼、建筑、鲜花、汽车6类图像,每类图像200幅,共有图像1 200幅。
以一幅花图像为待检索对象,执行本文提出的分层多特征融合的检索方法,结果如图2所示。
图2 检索结果
与采用单一图像特征的方法相比,本文提出的图像检索方法在图像查准率和查全率如图3—4所示。
图3 图像检索查准率
图4 图像检索查全率
针对单一图像特征检索方法存在的不足,本文提出了一种分层多特征融合的图像检索技术,先将图像映射到HSV空间,再分别提取图像的颜色特征和纹理特征,提取颜色特征时采用了颜色矩特征,提取纹理特征时采用了灰度共生矩阵的方法。图像特征提取后,对不同的特征分别分层进行相似度计算,最后对相似度进行融合。在自建小型数据库上的实验结果表明,该方法是有效的,能一定程度上提高图像的查准率和查全率。
[参考文献]
[1]李冰.颜色纹理形状特征分层融合图像检索方法研究[J].西南师范大学学报(自然科学版),2017(1):54-59.
[2]沈新宁,王小龙,杜建洪.基于颜色自相关图和互信息的图像检索方法[J].计算机工程,2014(2):259-262.
[3]王春静,许圣梅.基于内容的图像检索的相似度测量方法[J].数据采集与处理,2017(1):104-110.
[4]公明,曹伟国,李华.形状和颜色特征混合不变量在图像检索中的应用[J].中国图象图形学报,2013(8):990-1003.
[5]孙延维,雷建军,苏丹.综合颜色块的直方图图像检索方法[J].华中师范大学学报(自然科学版),2015(2):201-205.
[6]谢莉,成运,曾接贤.基于颜色和梯度方向共生直方图的图像检索[J].计算机工程与应用,2016(10):181-186.