邓冠男,贾永鑫,刘乙鑫
(东北电力大学理学院,吉林 吉林 132012)
图像检索[1]是在图像库中通过检索图像标注的文本或者内容特征,为用户提供相关图像资料检索服务的搜索系统.图像检索综合了图像增强、特征提取、相似度测量、目标识别、相关反馈等内容,自问世以来,就成为各行各业[2-3]的焦点.随着大数据时代的来临,图像数据量急剧增加,基于图像的全局进行检索,不足以较好的实现检索目的,也大大降低了检索的精确度,同时增加了时间复杂度.为了提高图像检索的效率,可以有目的的选择用户所感兴趣的区域,缩小检索范围.
在实际的场景中,人类的视觉系统会将视觉的焦点集中到某一个区域,忽略背景及其他无关区域.针对此现象,一些学者提出了感兴趣区域这一概念.感兴趣区域首先使用在机器人研究领域,作为机器人的视觉焦点.随后一些学者将感兴趣区域的思想引入图像检索领域,之所以用感兴趣区域代替整幅图像进行检索,在于它包含用户关注的关键信息.当识别出感兴趣区域之后,可以将图像背景及其他不相关的区域忽略,只保留感兴趣区域的部分,从而能够较好的提取该区域的相关特征,对后续图像检索的准确度及检索效率有较大提升.
近几年来,国内外许多学者对图像感兴趣区域进行了研究.焦蓬蓬[4]提出了一种基于数据网格和改进的区域生长法相结合的肝脏CT图像感兴趣区域的分割方法.周洁等[5]利用由彩色增强的角点检测算子、梯度提升回归(Gradient Boosting Regression,GBR)算法与超像素聚类相结合、高斯差分滤波器等得到图像中、低层次信息,通过加权融合两个层次显著图,有效定位感兴趣区域.程玉胜等[6]为了提高用户提取感兴趣区域的准确度,提出一种对图像熵值先进行优化再分割的感兴趣区域的提取方法.王鹏博[7]基于X光像的成像原理,对其在空间域和频率域上通过直方图均衡化、滤波器等算法进行图像增强,再利用边缘算子实现广义霍夫变换对X光图像感兴趣区域的提取.张秀玲等[8]提出了一种基于k均值聚类算法(k-Means Clustering Algorithm,k-Means)对图像聚类,实现对图像感兴趣区域的分割.然而,由于图像内容的不确定性以及分割技术的不完善,现有图像感兴趣区域提取方法在提取的准确度及提取效率方面依然无法令人满意.
图像具有直观、生动的特点.颜色特征是图像最为明显的特征,根据图像的颜色特征及图像中存在主体的数量可将图像分成无主体、单主体和多主体三类.例如图1~图3中,图1前景与背景无明显的界限,主体不鲜明,属于无主体图像;图2中花朵相较于其他部分颜色突出,具有明显的轮廓边界,属于单主体图像;图3中马匹作为图像主体,但是分散在图像中多个位置,属于多主体图像.通常,图像的主体是用户的关注点,也是我们要提取感兴趣区域的核心部分.
图1 无主体图像 图2 单主体图像 图3 多主体图像
单主体图像主体明确,且像素点相对集中,与背景色差较大,与多主体图像相比,更容易找出图像的感兴趣区域部分.鉴于此,本文仅针对单主体图像,研究感兴趣区域的提取方法.
本文从图像感兴趣区域的特点出发,利用感兴趣区域轮廓边界与图像背景颜色差异性,提出一种针对单主体图像的基于颜色梯度的图像感兴趣区域提取方法,能很大程度上缩小感兴趣区域的查找范围,较好的提出感兴趣区域.但是此方法仍存在弊端,如计算量大,容易过分割等.为了减少计算量,实现快速又准确的提取感兴趣区域,在上述算法的基础上加以改进,又提出一种基于区域颜色梯度的单主体图像感兴趣区域提取方法,不仅有效缩小感兴趣区域查找范围,计算时间也大大减小.
假设图像I大小为m*n,像素点(x,y)相对应的灰度值为
p(x,y), 其中:x=1,2,…,m;y=1,2,…,n.
算法步骤:
(1)对图像的所有像素点,从水平方向出发,计算其二阶差分,构造差分矩阵Sod1.
Sod1(x,y)=(p(x,y+2)-p(x,y+1))-(p(x,y+1)-p(x,y))
=p(x,y+2)-2p(x,y+1)+p(x,y).
(2)对图像的所有像素点,从垂直方向出发,计算其二阶差分,构造差分矩阵Sod2.
Sod2(x,y)=(p(x+2,y)-p(x+1,y))-(p(x+1,y)-p(x,y))
=p(x+2,y)-2p(x+1,y)+p(x,y).
(5)以min_L,max_R,min_U,max_D为图像感兴趣区域的左、右、上、下四个边界,对图像I进行分割.
鉴于药学类实验室种类多样,经常存在多学科交叉共用实验室现象,笔者提出以实验室安全防控点为依据的实验室分类方案,以便安全环保培训和实验室准入制度的实施。该分类方案将实验室按安全与环保因素分为以下几类:“有毒”指可直接接触有毒物质、产生有毒气、液、固体物质、接触高传染性生物、放射性物质等的实验室;“危险”指实验中可能发生爆炸、爆沸、明火,接触高压、高温等实验室;“风险”指实验中可能接触腐蚀性物质,可造成实验者肢体损伤,接触动物、微生物有潜在感染,火、水、电伤害等的实验室;“一般”可能出现水、电、火灾及普通污染物等实验室,具体涉及的实验室见表1。
利用上述方法,能够实现对单主体图像感兴趣区域的有效提取,并且将主体部分限定在一个小区域内,避免其他的干扰因素.然而,从算法的执行过程来看,需要从水平方向和垂直方向出发,计算每个像素点的二阶差分,计算量较大.为解决这一问题,本文对上述方法加以改进,提出基于区域颜色梯度的单主体图像感兴趣区域提取方法,使得在保证图像感兴趣区域有效提取的同时,极大地减少算法的时间复杂度.
图像检索中采用感兴趣区域提取的目的是利用小的区域将图像的主体部分提取出来,避免非主体部分对主体的干扰,突出主体部分的特征,提高图像检索的效率.通常情况下,图像的四个边界部分包含的感兴趣区域较少.因此,为了减少算法复杂度,可将图像分块处理.分块后的边界部分所在区域行或列的像素值变化不明显,可用像素均值表征该行或列的像素分布,均值的变化率表示该区域的整体变化率,并将变化率最大的位置作为感兴趣区域的分割边界,实现感兴趣区域的提取.
算法步骤:
假设图像I大小为m*n,像素点(x,y)相对应的灰度值为
p(x,y), 其中:x=1,2,…,m;y=1,2,…,n.
(3)对MA的所有像素点,从水平方向出发,计算其二阶差分,构造差分矩阵Sod1.同理,对MB的所有像素点,从垂直方向出发,计算其二阶差分,构造差分矩阵Sod2.
(6)以min_L,max_R,min_U,max_D为图像感兴趣区域的左、右、上、下四个边界,对图像I进行分割.
为了验证本文算法的有效性,选取 Corel 数据库中花、车、大象、飞机等形色各异的图像进行测试,利用OTSU法、基于阈值的分割方法及本文提出的两种算法对图像进行分割,提取感兴趣区域,并对提取结果进行比较.以下提取过程都是在灰度图像中进行处理,结果如图4~图8所示.
图4 原始图像的灰度图
图5 OTSU法
图6 基于阈值的分割
图7 基于图像颜色梯度
图8 基于区域颜色梯度
对上述结果进行分析,可以得出以下结论:
(1)OTSU法无法确定图像主体,容易出现分割错误.而且在提取过程中,容易造成主体缺失,感兴趣区域提取不完整.
(2)基于阈值的分割方法的提取结果同OTSU法类似,图像主体不明确,且容易过分割,部分主体无法显现出来,使得提取的感兴趣区域不完整.
(3)相比于前两种方法,基于图像颜色梯度的单主体图像感兴趣区域提取方法缩小了感兴趣区域的范围,能够更好地提取出相对完整的感兴趣区域.但是对于背景简单的图像,此方法不能准确地找到分割边界,导致感兴趣区域的边界缺失,提取效果不尽人意.
(4)基于区域颜色梯度的单主体图像感兴趣区域提取方法弥补了基于图像颜色梯度的单主体图像感兴趣区域提取方法的不足,不仅避免了分割边界不准确的问题,完整的提出了感兴趣区域,而且减少了运算时间,提高了感兴趣区域的提取效率,实用性更高.
为了解决图像检索中感兴趣区域的提取问题,对现有图像感兴趣区域提取方法存在的问题做了相关的研究工作.利用图像感兴趣区域的特点,提出了针对单主体图像的感兴趣区域提取方法.首先给出了一种基于颜色梯度的单主体图像感兴趣区域提取方法,通过提取的结果发现,虽然可以较好的提出感兴趣区域,但是对一些图像有过分割的现象.于是对此方法加以改进后,又提出一种基于区域颜色梯度的单主体图像感兴趣区域提取方法.该方法不仅提高计算效率,而且提出的感兴趣区域较前者更为完整.但是,如何对多主体图像实现感兴趣区域的提取,仍是未来研究的重点.