融合全局和局部相位特征的彩色纹理图像检索

徐 佳，曲怀敬，张志升，王纪委，魏亚南，张汉元

(山东建筑大学 信息与电气工程学院，山东 济南 250101)

0 引 言

近年来，随着通信网络以及多媒体设备的迭代升级，使得网络传播速度和设备存储能力有了极大的提升，人们依靠网络可以方便地传输文字、语音和图像等内容。对于图像而言，由于它是一种可以使人快速获得大量信息的载体，所以在医疗、教育、交通、娱乐等活动中有着广泛的应用。在上述领域中，人们常常需要从网络或者本地数据库中检索到一幅或同一类别的图像，如何快速准确地查询到目标图像成为了一项研究热点[1]。近年来的研究表明，基于内容的图像检索(Content-Based Image Retrieval，CBIR)是一种高效的图像检索方案[2]。它主要包括图像的特征提取与相似性测度两个部分，即对于一幅彩色图像，首先使用一定的方法，提取其颜色、纹理等特征，然后采用合适的或具有闭式形式的相似性测度与其他图像进行匹配，从而完成检索任务。而对于一幅方向信息丰富的彩色纹理图像而言，常常伴随着或颜色、或纹理方向、或兼具两者的变化[3]，因此如何构建一种准确、快速的检索方案目前成为了基于内容的彩色纹理图像检索的研究难点。

颜色特征是一种重要的视觉特征，在彩色图像检索中得到了广泛的应用。通常，颜色特征根据颜色直方图提取。Dey等人[4]提出在RGB颜色空间中分别量化三个通道的数据，并构成级联颜色直方图。与此相似，Verma等人[5]提出量化HSV颜色空间中的H、S通道的数据，并构建级联颜色直方图。Bhunia等人[6]通过考虑HSV颜色空间中H、S通道之间的关系，以组合的方式构建H、S联合直方图。此外，Agarwal等人[7]根据HSV颜色空间中两两不同通道之间的关系，量化并构建与纹理信息相融合的颜色特征。

除了广泛采用的颜色直方图特征之外，其他颜色特征也得到了应用。例如，Guo等人[8]在RGB颜色空间中以最大最小和块编码的方法提取颜色特征。Vinayak等人[9]在RGB颜色空间中使用颜色矩和颜色自相关图进行颜色特征提取。Li等人[10]在RGB颜色空间中利用Gabor小波在三个通道分别进行多尺度多方向的图像分析，以提取综合不同通道信息的特征。以上颜色特征的提取可以分为两类，一类是直接量化或编码颜色特征，提取诸如颜色直方图、颜色矩、颜色自相关图等特征，而另一类则是结合颜色信息与纹理信息的特征。然而，在以上采用颜色直方图提取特征的方法中，常使用均匀量化方式来量化各通道数据，并未针对性地提取颜色特征；同时，对于无数据分布的区间也进行了量化，得到了无效特征，因此特征性能较差。另一方面，在采用多尺度通道分解以及颜色矩等方法中，或方法过于复杂、或方法过于简单，并存在特征冗余或欠缺、特征性能差等不足。

纹理特征分为全局的和局部的纹理特征，一般而言，在空域或者变换域对整幅纹理图像进行统计建模并提取的特征为全局纹理特征。Tai[11]基于二维Gabor小波的多尺度多方向变换，对图像进行各子带的全局纹理特征提取。Qu等人[12]在双数复小波变换域进行多尺度多方向的图像分析，并根据不同的分布模型对各子带进行全局纹理特征提取。此外，Etemad等人[13]使用Shearlet变换分别在RGB图像的三个通道进行图像分析，并得到各个颜色通道的全局纹理特征。局部纹理特征通常是在空域或者变换域通过对图像局部窗口内的像素进行编码并量化而得到的特征。典型地，Ojala等人[14]最早提出了局部二值模式LBP，并用于提取局部纹理特征。Tan等人[15]基于局部三值模式LTP提取局部纹理特征，并用于人脸识别。Bu等人[16]使用旋转不变的均匀局部二值模式RULBP特征用于纹理图像的检索。Wang等人[17]提出局部八方向模式LEDP，并用于纹理图像的检索。此外，Pham等人[18]基于局部极值描述符LED，以较低的特征维度有效地实现了纹理图像的检索。

相比较而言，基于小波类变换域统计建模的全局特征在彩色纹理图像检索领域得到了广泛的应用。小波类变换分为实小波类变换和复小波类变换。与利用实小波类子带系数直接进行建模特征提取的方式不同，复小波类变换域提取的特征包括对子带的幅值与相位信息的描述。业已证明，幅值特征与相位特征反映了图像的能量与结构信息，其中相位特征尤为重要，它蕴含了图像的重要结构与方向信息[19-20]。然而，在上述纹理特征提取方法中，或有纹理特征提取不全面、不充分，或有统计模型选择不合适、不恰当，或者缺乏有效地利用全局的和局部的相位特征等不足。特别地，融合不同类型的互补相位特征有利于提高图像间的区分能力和图像检索的性能。

近年来，在基于深度学习的实例图像检索方面取得了极大的进展。Gordo等人[21]通过分析深层图像检索方法效果不佳的原因提出一种具有抗噪声性能的实例级图像检索方法。Filip等人[22]基于卷积神经网络提出一种改进池化层来对网络结构进行微调的检索方法。Zhang等人[23]将深度学习与哈希技术相结合，一定程度上提高了检索效率。在基于深度学习的彩色纹理图像检索方面，Bhunia等人[24]结合哈希方法用于检索，但获得的结果不及传统方法。究其原因，目前主要是因缺乏大型公认的数据集，从而造成基于深度学习的纹理图像检索研究较少，且已有研究的检索性能不理想。

针对上述问题，该文提出了一种基于全局和局部相位特征互补融合、并结合高效的颜色特征的彩色纹理图像检索方法。首先，在HSV颜色空间，以符合人类色彩视觉特点的非均匀量化方式，分别对三个颜色通道进行量化，并构建联合直方图用作图像的颜色特征；同时，针对V通道的图像数据，利用Gabor复变换域相对相位子带系数建模的方式提取全局纹理相位特征。然后，使用局部引力角模式PLGFA描述符，在RGB空间提取灰度图像的相位信息作为局部纹理相位特征。最后，通过采用凸线性优化加权方式，将各特征对应的相似性测度有机组合成一个总的相似性测度，进而完成检索任务。

彩色纹理图像检索实验在VisTex(full/small)、STex和ALOT等四个通用的数据库中进行，实验结果验证了该方法的有效性和可行性。

1 相关工作

1.1 颜色空间

在基于全局和局部相位特征融合的彩色纹理图像检索系统中，选择一个合适的颜色空间并提取有效的特征，对系统性能的影响至关重要。通常，在图像数据存储与表达方面，RGB颜色空间是一个较好的选择。另一方面，相关的研究成果表明，HSV颜色空间更符合人类视觉的色彩感知，并且在此空间中所提取的颜色特征用于图像检索系统也更为有效[25]。在HSV颜色空间中，H(Hue)分量表示一幅图像的色调，其使用角度度量，取值范围为0°～360°。S(Saturation)分量用来表示一幅图像的色饱和度，其使用百分比度量，取值范围为0%～100%。它反映了图像颜色接近于光谱色的程度，其值越大，颜色越饱和。V(Value)分量用来表示一幅图像的亮度，其取值范围为0～1。

该文将RGB颜色空间与HSV颜色空间同时用于彩色纹理图像检索。其中，在HSV空间，除了提取图像的颜色特征之外，图像的V分量数据还用于全局纹理相位特征的提取；而由RGB空间生成的灰度图像则根据PLGFA描述符提取局部纹理相位特征。

1.2 Gabor滤波器

二维Gabor滤波器是一组复正弦平面波调制的高斯核函数[26]，其定义如式(1)～式(3)所示：

(1)

x'=xcosθ+ysinθ

(2)

y'=-xsinθ+ycosθ

(3)

式中，f为正弦波的频率；θ为法线相对Gabor函数平行条纹的方向；φ为相位偏移；σ为高斯包络的标准偏差；γ为空间纵横比，用来决定Gabor函数形状的椭圆度；η为反映高斯核锐度的参数。通常，二维Gabor滤波器在空域和频域中同时具有最优的局域化特性。

1.3 PLGFA

局部引力角模式(PLGFA)是根据牛顿万有引力定律衍生的一种描述符[2]。万有引力定律是指在已知宇宙中，任何两个星体之间都存在相互吸引的力，引力大小与它们质量的乘积成正比、与它们距离的平方成反比。其中，这种引力是两个成对出现且大小相同的、沿两个星体质心连线指向对方的力。对于两个星体之间的引力及其分力如图1(a)所示。

直观地，在空域每幅灰度图像的像素类似于星体，像素的灰度值相当于星体的质量，像素与其局域相邻像素之间的相关性关系也类似于星体之间的引力关系，即它们之间的距离越小，相关性越强。因此，对于一幅灰度图像，在任一3*3大小的局域内，中心像素c所受的引力可以由图1(b)表示。通常，中心像素的引力可以用其所受合力的大小和方向角(相位角)两个分量进行描述。其中，结合照度-反射率模型(Illumination-Reflectance Model，IRM)[2]，中心像素引力的方向角α可以表示为：

图1 典型的二维Gabor滤波器的基图像和引力表示示意图

(4)

式中，α∈[0,2π)；Fx、Fy分别为水平与垂直方向的分力；Ic为中心像素的灰度值；Ii为邻域像素的灰度值；rci为中心像素与邻域像素之间的欧氏距离；θci为中心像素和邻域像素的引力方向与x轴间的夹角；G为万有引力常量。相对应地，对于每幅图像中的任一像素，均可以由式(4)计算出其局部引力方向角。为了构造PLGFA，首先对于一个3*3大小的邻域，计算邻域像素方向角αi(i=1,2,…,8)与中心像素方向角αc差值的绝对值向量ang。即：

ang=[|α1-αc|,|α2-αc|,…,|α8-αc|]

(5)

然后，根据阈值T，对此绝对值向量进行二进制编码，并最终由式(6)计算得到中心像素的PLGFA值。即：

(6)

式中，K为3*3邻域内邻域像素的个数；angi为ang向量的第i个分量；阈值T由实验确定。相应地，对于每幅图像中的任一像素，均可以由式(4)～式(6)计算出其PLGFA值，从而得到对应图像的PLGFA谱图。

2 提出的检索系统框架

通常，纹理图像具有丰富的方向性，而相位特征可以充分地描述图像的几何结构方向信息。因此，该文旨在通过有效地融合互补的全局和局部相位特征、并结合高效的颜色特征，研究一种新的彩色纹理图像检索系统。提出的彩色纹理图像检索系统框架如图2所示，具体组成将由下文给出。

图2 彩色纹理图像检索系统框架

2.1 颜色特征

近年来的众多研究表明，HSV颜色空间相比于其他颜色空间更符合人类的视觉系统。因此，该文只在HSV颜色空间中提取颜色特征[25]。首先，将彩色纹理图像从RGB颜色空间转换到HSV颜色空间；然后，分别将H、S、V分量量化为8、3、3个级别；最后，通过组合三个分量的量化数据直方图构成颜色特征。三个分量的具体量化方式如式(7)～式(9)所示。即：

(7)

(8)

(9)

对于量化后的数据，按照H、S、V的顺序，利用式(10)的形式构建一维颜色直方图特征向量。

VCH={000,…,020,…,022,…,722}

(10)

同时，由颜色特征向量的组合过程可知，VCH是一维、72 bin的直方图特征向量。此外，按照从小到大的排列方式，可以将VCH的值映射到0～71，以便于计算和存储。

2.2 全局的纹理相位特征

有关的生物视觉研究表明，Gabor滤波器可以很好地对人眼视觉细胞的感知特性进行建模[11]。同时，HSV颜色空间是一个适合人类视觉感知的颜色空间，其V分量数据能够较好地反映人类视觉对图像的灰度感知。因此，为了提取全局的纹理相位特征，该文使用典型的具有3尺度、每尺度下含有8方向的Gabor滤波器组对V分量数据进行变换，共得到24(3*8)个复值子带。对于所有的复值子带，由于每个子带的实部和虚部均可以由广义高斯分布很好地拟合，因此由实部和虚部计算得到的相对相位子带就可以由Von Mises分布进行统计建模[20]。假定相对相位子带系数为θ，并由两参数的Von Mises分布进行统计建模，则其概率密度函数为[20]：

(11)

文中Von Mises分布的参数采用最大似然方法进行估计，并将其作为全局的纹理相位特征。对于通过估计所得到参数的准确性，通常使用熵差率Re进行评估[17]。Re的值越小，说明估计得到的参数值越接近于真实的分布参数值、对模型的估计也越准确。为了验证所采用的相对相位子带分布模型的有效性，分别选取了DB1数据库中的第350幅图像和DB4数据库中的第600幅图像进行拟合实验(其中，数据库DB1～DB4的详情参见第3节)。首先，分别对这两幅图像的V分量进行3尺度、每尺度下8方向的Gabor变换；然后，分别选取变换后第2尺度下的第7个相对相位子带(135°方向)系数进行分布建模的拟合实验，实验结果如图3(a)～(d)所示。由图3(b)和(d)中的拟合结果以及对应的熵差率这一评价指标的数值可见，所采用的Von Mises分布模型可以很好地符合Gabor变换域相对相位子带系数的真实分布，即利用此分布模型的参数作为全局纹理相位特征是合适的，它将有利于提高该检索系统的性能。

(a)D350 (b)图(a)的拟合结果(Re=0.002 1) (c)D600

2.3 局部的纹理相位特征

对于局部的纹理相位特征，采用PLGFA进行描述。特别地，PLGFA描述符作用于RGB颜色空间的灰度图像。因此，需要将RGB彩色图像通过式(12)转换成灰度图像。即：

Igary=0.299R+0.587G+0.114B

(12)

需要说明的是，之所以选择RGB颜色空间的灰度图像而不是使用HSV颜色空间的V分量，其原因是RGB空间的灰度图像更符合图像像素之间的自然分布，从而更加契合由万有引力定律导出的PLGFA描述符。

基于PLGFA的局部纹理相位特征的提取过程如下：首先，根据RGB颜色空间的一幅灰度图像Igary计算每个像素的局部引力角，进而得到此图像的局部引力角图；然后，经过在各数据库上的测试实验，确定式(6)中的阈值T；最后，根据式(6)计算整幅图像的局部引力角模式谱图，并通过直方图量化成一维、256bin的特征向量。其中，基于DB1～DB4四个数据库检索率最优表现，均取T=π/6。

所采用的PLGFA描述符可以充分地提取纹理图像局域的相位特征，其反映的方向信息效果如图3(f)例示。由图3(f)可见，PLGFA描述符可以有效地刻画出各个方向的边缘，即保留了纹理图像的方向信息。因此，基于PLGFA描述符所提取的局部相位特征有利于检索系统性能的改善。

2.4 相似性测度

对于颜色特征和局部纹理相位特征，由于它们都是直方图特征(参见2.1和2.3节)，因此选取改进版本的Manhattan距离进行相似性计算[27]。式(13)和式(14)分别列出了颜色特征之间以及局部纹理相位特征之间的相似性测度。即：

(13)

(14)

式中，imgdb和imgq分别为数据库中的备选图像与查询图像；Vdb和Vq分别为特征数据库中的备选特征向量以及查询图像的特征向量；P、Q为特征向量的长度。

对于全局纹理相位特征，该文采用具有闭式形式的K-L(Kullback-Leibler)距离计算两个Von Mises分布参数特征向量之间的相似性。式(15)列出了两个Von Mises分布间的K-L距离[20]。

(15)

根据提出的三种特征所对应的相似性测度，为了综合评估两幅图像之间的差异性，还需要计算它们所有特征之间总的相似性测度。为此，该文采用凸线性优化组合的方式计算总的相似性测度。即，采用式(16)的形式计算总的相似性测度。

D(imgdb，imgq)=aDVCH+bDVonMises+cDPLGFA

(16)

式中，D(imgdb，imgq)表示数据库中的备选图像与查询图像之间的总相似性测度；a、b、c分别为三种不同特征对应的相似性测度在总相似性测度中的权重，且满足a+b+c=1。其中它们的取值范围均在0到1之间。该文以0.01步长遍历的方式调整三个权重的大小以获得平均检索率的最优值。具体地，利用Matlab软件，根据提出的方法在DB1～DB4四个数据库上分别进行检索实验，得到的最优权重结果分别为：

DB1：a=0.39,b=0.37,c=0.24;

DB2：a=0.25,b=0.63,c=0.12;

DB3：a=0.37,b=0.50,c=0.13;

DB4：a=0.34,b=0.54,c=0.12。

2.5 检索算法

输入：查询图像

输出：检索结果

Step1.选择查询图像imgq，将其与数据库备选图像imgdb分别转换到HSV颜色空间，同时获得RGB颜色空间的灰度图像。

Step2.量化H、S、V三个颜色分量，根据式(7)～(10)构建颜色直方图，得到图像的一维颜色特征向量。

Step3.使用Gabor滤波器组对V分量进行变换，由式(11)计算各相对相位子带的Von Mises分布参数，作为全局的纹理相位特征。

Step4.使用式(5)计算灰度图像的局部引力角图，使用式(6)并结合阈值T计算局部引力角模式谱图，并通过直方图量化成一维、256 bin的局部纹理相位特征。

Step5.将Step2～4得到的特征融合成图像的总特征向量，使用式(13)～(15)分别计算不同特征相应的相似性测度，并使用式(16) 计算查询图像与数据库中备选图像之间总的相似性测度。

Step6.根据数据库，检索出最相似的M个图像(文中取M=16)。

3 实验结果与讨论

为了评估所提出的彩色纹理图像检索系统的有效性，该文采用四个被广泛使用的彩色纹理图像数据库进行实验。它们分别为VisTex(full)、VisTex(small)、STex和ALOT数据库。为了描述和使用方便，对于重新处理后的这些数据库，分别用DB1、DB2、DB3和DB4对应表示。

VisTex(full)数据库由167幅、每幅大小为512*512像素的RGB图像构成。它包含了麻省理工学院视觉纹理数据库(VisTex)中的所有图像，其中包括植物、纺织品等物体的影像。VisTex(small)数据库是VisTex(full)数据库的一个子集，它由40幅图像组成。典型地，将两个数据库中的每一幅图像无重叠地分割成16幅、每幅大小为128*128像素的RGB子图像，并由此构成包含2 672(167*16)幅与640 (40*16)幅彩色纹理图像的实验数据库DB1和DB2。

STex是一个具有476幅、每幅大小为512*512像素的RGB图像的数据库，其中包含食物、石头、木头等物体的影像。DB3由STex数据库构成的方式与上述数据库的相同，它是一个包含7 616(476*16)幅、每幅大小为128*128像素的彩色纹理图像实验数据库。

ALOT为包含了250幅、每幅大小为768*512像素的RGB图像的数据库，它含有结晶体、编织品、硬币等物体的影像。对于ALOT数据库中的每幅图像，首先采用居中的方法裁剪出512*512像素大小的RGB图像；然后再对其进行无重叠的16等分；最终得到包含4 000(250*16)幅、每幅大小为128*128像素的RGB子图像的数据库DB4。图4是四个数据库中部分图像的示例。

图4 四个数据库中部分图像的示例

为了比较该文所提出的方法与其他相关的最新方法间的检索性能，将采用平均检索率(Average Retrieval Rate，ARR)作为评价指标。ARR常以百分比的形式表示，其计算方式如式(17)所示。

(17)

式中，K表示数据库中图像的数量；N16(Im)表示在第m次检索的前16个结果里，与查询图像Im同属一类图像的数量。

3.1 消融实验

为了验证相位特征信息对于改善彩色纹理图像检索性能的重要性，采用四种实验方案进行了最优ARR的对比。由于在第2.2节提出的检索系统中所使用的Gabor滤波器产生的子带较多，容易在提取的特征中造成较多的冗余，因此在后续实验中只选取了部分代表性子带进行特征提取。这些子带分别为每一个分解尺度的0°、45°、90°、135°方向子带。这样，仅有12(3*8/2)个子带参与检索，从而一方面减少了特征冗余，另一方面降低了特征提取的时间开销。在消融实验中，首先选用了两种幅值模型和两种相位模型，分别是：(1)Gabor变换域的幅值模型(分解3层、每层4个幅值子带、特征为幅值Gamma分布参数、相似性测度为K-L距离)；(2)局部引力幅值模式模型(特征是局部引力幅值模式直方图、相似性测度是改进版本的Manhattan距离)；(3)Gabor变换域的相对相位模型(分解3层、每层4个相对相位子带、特征为相对相位Von Mises分布参数、相似性测度为K-L距离)；(4)局部引力角模式模型(特征是局部引力角模式直方图、相似性测度是改进版本的Manhattan距离)。然后，为了简明，对于这4种模型采取两两适当结合的方法分别在DB2数据库上进行检索实验，实验结果如表1所示。

表1 四种组合方案的ARR比较

通过对比表1的四组实验数据可见，基于相位特征的方法组合较其他三种组合的ARR值分别高出2.26%、1.90%和0.61%，因此，此组合方案在四种方案中是最好的，这也是该文所提出方法的依据。在后续针对四个数据库的检索实验中，均采用由两种相位模型组成的检索方案。

3.2 主观评价

彩色纹理图像检索系统的性能既可以根据客观指标进行定量比较评价，又可以从视觉效果来进行定性的主观评估。首先，根据所提出的方法(Proposed Method，PM)在四个数据库上进行检索实验，并选取部分查询图像的检索结果进行定性分析。

图5(a)～(d)为PM方法在四个数据库上的部分检索结果，图中实线框出的是与查询图像相同的图像，虚线框出的是与查询图像不同类的图像，即查询到的错误图像。图5(a)和图5(b)展示了PM方法在DB1、DB2数据库中针对第577、337幅查询子图像的较好检索结果。说明PM方法可以在数据库中准确地找到目标图像。同时，通过观察图5(a)的错误图像，发现它们与其他检索到的同类图像间具有非常相似的视觉效果，同时颜色也比较接近，这说明PM方法在检索彩色纹理图像时具有较强的语义信息捕捉能力。

图5(c)和图5(d)例示了PM方法在DB3、DB4数据库中针对第141、114幅查询子图像的检索结果。需要说明的是，图5(c)和图5(d)中选取的是检索效果最差的两幅查询图像。但从检索结果可见，在检索出的前5幅图像中，与查询图像同一类的比例仍然是较高的。这说明PM方法即使在一些数据库上的ARR较差，但是仍然可以有效地检索出最相似的若干目标图像。

图5 四个数据库的检索结果示例

3.3 不同方法的检索性能比较

为了进一步说明所提出的PM方法的有效性，针对上述四个数据库DB1～DB4，将其与现有的、密切相关的一些最新方法进行检索性能的对比，并以 ARR作为客观评价指标。其中，将PM方法分别与基于手工算法中的“Gabor-MDCM/RD[1]”(RD为Riemannian距离)、“MTH/L1[3]”、“KBH/CSD[3]”(CSD为Chi-Square距离)、“LEPVP+CH/L1[4]”、“LECoP+HSV/D1[5]”、“DSCoP+MCH/D1[6]”、“MCLTP/D1[7]”、“DDBTC/MCD[8]”(MCD为改进的Canberra距离)、“CMGW/KLD[10]”、“GCW/ML[10]”等方法，以及基于深度学习的“VGG19/ED[1]”方法(ED为Euclidean距离)进行比较，实验结果如图6所示。

图6 PM方法与现有最新方法在4个数据库上的ARR性能比较(%)

由图6的数据可见，通过与现有最新方法的ARR值相对比，PM方法在DB1、DB2与DB3数据库上具有相当的优势；而在DB4数据库上，尽管PM方法的ARR结果稍逊于诸如Gabor-MDCM和CMGW等同样使用Gabor变换的方法，但是特征提取仅采用了3个尺度、每尺度下8个方向中一半的子带，即12个子带(详见3.1节)，而上述两种方法分别使用了40个(5个尺度、每尺度下8个方向)和32个(4个尺度、每尺度下8个方向)子带用于特征提取。因此，相对于较少的ARR值提升，PM方法所节省的计算量更具有竞争性。

3.4 检索效率

为了验证和评估PM方法的检索效率，选取了部分现有的最新方法进行特征长度和检索时间消耗的比较。其中，实验是在搭配32G RAM的具有英特尔酷睿I7处理器的系统平台以及Matlab 2020a软件平台上完成。首先，对比了部分方法的特征长度，如表2所示。

表2 PM方法与现有最新方法特征维度的对比

由表2中的数据可见，所提出的方法在特征向量的维度这一指标上并不占有优势。但是，考虑到所采用的特征中有328(72+256)个维度为直方图特征，而这些特征的计算耗时并不多。相反，尽管其他方法的特征维度较低，但是它们的特征提取计算过程远比文中的繁复，相应地耗时就较高。因此，为了全面地衡量检索效率，需要对各种方法对应系统的各部分检索耗时进行进一步的对比，实验结果如表3所示。

表3 PM方法与现有最新方法的检索耗时对比 (time/s)

由图6和表3中的数据可见，相比于CMGW方法，PM方法在ARR值上提高了1.72%，同时在时间消耗上也有较大的优势；而同其他两种方法相比较，PM方法在这两个性能指标方面也有一定的优势。

综上，通过在ARR、特征维度以及检索耗时等三个方面与现有的最新方法进行了检索性能的比较，实验结果表明，文中方法取得了较好的检索性能。

4 结束语

为了解决目前彩色纹理图像检索系统中存在的颜色特征提取不充分、纹理特征提取与匹配的有效性亟待提高等问题，提出了一种基于全局和局部相位特征融合的彩色纹理图像检索方法。首次将PLGFA描述符有效地用于彩色纹理图像的检索。在该方法中，首先通过将RGB空间的彩色纹理图像转换到HSV颜色空间、非均匀量化其三个颜色分量、计算组合颜色直方图而得到颜色特征。然后，由Gabor滤波器组将V分量数据复变换为相对相位子带系数，并通过对其进行Von Mises分布建模而得到全局纹理相位特征；同时，针对RGB空间的灰度纹理图像，由其PLGFA谱图的直方图得到图像的局部纹理相位特征。最后，选取不同的距离计算不同特征对应的相似性测度，并将其凸线性优化组合成总相似性测度，从而完成检索任务。检索性能评价实验在VisTex(full/small)、STex和ALOT等四个通用的彩色纹理图像数据库上进行。实验结果表明，该方法取得了优良的检索效果，且和现有的最新方法相比较，平均检索率有较好的提升、检索效率较高，从而验证了该方法的有效性和可行性。