集成局部和全局特征的舰船图像检索算法

邢伟寅，罗光明，李 礁，钟乐海，韩正勇

(1.菲律宾黎刹大学研究生院，菲律宾 马尼拉 1552；2.绵阳职业技术学院，四川 绵阳 621000；3.四川水利职业技术学院，四川 崇州 611200)

0 引 言

船舶作为海事管理中监管对象，每天会有海量船舶图像存入海事管理数据库里。为了满足用户检索需求，研究船舶图像检索算法可提高用户检索船舶图像效率[1-3]。潘丽丽等[4]研究三元组网络图像检索算法，在提取船舶图像特征后，利用三元组网络，对船舶图像实施分类，实现船舶图像的检索。但该方法的特征提取过程比较复杂，实时性较差。马绍覃等[5]研究PCA 的哈希图像检索算法，该算法包括投影和量化步骤，利用主成分分析去除船舶原始图像特征冗余信息，通过哈希编码完成船舶图像的检索。但该算法在编码时计算量较大，导致检索时间长。

针对以上方法在船舶图像检索中存在的局限性，研究集成局部和全局特征的船舶图像检索算法。

局部特征有利于图像中某一个区域的识别，全局特征能够有效展示图像信息。因此集成局部和全局特征，全面表征船舶图像，可提高船舶图像检索能力。

1 船舶图像检索算法

为了提高用户检索所需船舶图像效率，研究集成局部和全局特征的船舶图像检索算法，该算法流程如图1 所示。由图1 可知，船舶图像检索算法流程为：通过颜色矩方法提取船舶图像全局颜色特征；基于块截断量化编码理念，采用模糊C－均值聚类算法对船舶图像实施分割预处理，并构建分割处理后船舶图像的二值位图，表征船舶图像局部颜色特征；通过小波变换提取船舶图像纹理特征；依据3 项特征求解待检索船舶图像与数据库中船舶图像的特征相似度，选取总相似度最大船舶图像作为从船舶图像数据库的检索输出结果，该结果为用户检索所需船舶图像。

图1 船舶图像检索算法流程Fig.1 Algorithm flow of ship image retrieval integrating local and global features

1.1 船舶图像全局颜色特征提取

集成局部和全局特征的过程：在对船舶图像实施分割处理后，分别提取图像的局部和全局特征后并融合，求解用户搜索的船舶图像和船舶图像数据库的相似度，选取相似度最大船舶图像作为搜索结果。因船舶图像颜色特征在低阶矩中比较多，因此通过颜色矩方法(一阶矩、二阶矩)提取船舶图像全局颜色特征，用1 个矢量表示船舶图像的每1 个像素，该矢量公式如下：

其中：Ri、Gi、Bi为船舶图像内第i个像素红、绿、蓝颜色分量值；Qi为船舶图像内第i个像素颜色值；H为船舶图像总像素。

一阶矩表达式为：

二阶矩表达式为：

红、绿、蓝颜色分量一阶矩表达式如下：

红、绿、蓝颜色分量二阶矩表达式如下：

一阶矩表示船舶图像索引图，二阶矩阵表示船舶图像边缘信息，2 个矩阵可提取船舶图像全局颜色特征。

1.2 船舶图像局部颜色特征提取

基于块截断量化编码技术的船舶图像局部颜色特征提取流程为：将图像分为多个图像子块，求解各图像子块的方差、均值后，构建二值位图，表示图像局部颜色特征。依据块截断量化编码理论，提取图像局部颜色特征，采用模糊C－均值聚类算法对图像实施分割预处理，将图像分为4×4 子块，Fα=(q1,q2,q3···ql)表示第 α个图像子块，其中1 ≤x≤z，图像总子块数量用z描述，船舶图像子块总像素数量用l描述。图像子块一阶矩阵计算公式为：

其中，第j个图像子块用Qj描述。

红、绿、蓝颜色分量一阶矩表达式如下：

对比全局船舶图像均值和船舶图像子块均值确定二位值图特征，当船舶图像子块均值小于全局船舶图像均值时，该船舶图像颜色分量为0。

1.3 船舶图像纹理特征提取

对于船舶二维图像，小波变换是通过对某个函数ε(x1,x2) 实施平移、缩减后生成以函数族εa,b1,b2(x1,x2)为基底的船舶图像，分解船舶图像(x1,x2)，得出船舶图像在函数族的系数。小波变换计算公式为：

船舶图像函数族为：

其中：b1，b2为平移因子；a为缩放因子。

采用二维离散小波变换提取船舶图像纹理特征，为船舶图像检索提供数据支持。在保留船舶图像纹理小波分解频域后，通过调整小波系数抑制船舶图像非纹理特征。船舶图像纹理特征提取流程为：

1) 设图像纹理集中在5 层和6 层，需重构船舶图像5 层和6 层的高频分量，求出3 组系数[Un,Vn,Dn]，第n层的水平系数用Un描述，垂直系数用Vn描述，对角线系数用Dn描述。

2)计算各分量的标准差SUn，SVn，SDn，表示图像不同方向纹理特征。

3)归一化处理。第n层总差异性Mn表达式为：

图像纹理特征向量求解公式为：

1.4 基于相似度计算的检索结果生成

采用欧式距离与皮尔逊相关系数求解出船舶图像特征相似度，假设用户需要检索船舶图像特征向量为X=(x1,x2,···,xn)，船舶数据集中特征向量为Y=(y1,y2,···,yn)，则欧式距离求解公式为：

欧式距离越小，说明待检索图像与图像检索结果相似度越大。

皮尔逊相关系数求解如下：

其中：向量X方差用Var[Y]描述；向量X、Y协方差用Cov(X,Y)；向量Y方差用Var[Y]描述；当V(X,Y)越接近0 时，说明待检索图像与图像检索结果相似度越小，反之，当V(X,Y)越接近1 时，相似度越大。

归一化处理局部、全局颜色特征和纹理特征后，实施加权，得出船舶图像总相似度，具体公式如下：

其中：we1，we2为局部、全局颜色相似度权重，pe1，pe2为局部、全局颜色相似度；wt为纹理相似度权重，pt为纹理相似度；Eη1，Eη2为需要检索船舶图像局部、全局颜色特征，Ek1，Ek2为船舶数据集中局部、全局颜色特征；Tη为需要检索船舶图像纹理特征；Tk为船舶数据集中纹理特征。

在求解用户搜索的船舶图像和船舶图像数据库的总相似度后，选取总相似度最大的船舶图像为用户需要船舶图像检索图像。

2 实验结果分析

为了验证本文船舶图像检索算法的有效性，选取某地区船舶管理部门的船舶图像数据库作为实验对象。船舶图像样本数据库如表1 所示。

表1 船舶图像样本数据库Tab.1 Ship image sample database

2.1 船舶图像特征提取测试

船舶图像样本数据库中选取其中一张客运船图像(见图2(a))，采用本文算法对该客运船图像实施特征提取，其中纹理特征提取结果见图2(b)。分析图2 可知，本文算法可有效提取客运船图像纹理特征，在保留船的图像纹理小波分解频域后，通过调整小波系数抑制船的图像非纹理特征，为图像检索提供数据支持。

图2 船舶图像特征提取结果Fig.2 Ship image feature extraction results

2.2 检索性能测试

为了测试本文算法的检索性能，将匹配率和匹配时间作为检索性能测试指标，分别采用本文算法、三元组网络检索算法和PCA 的哈希图像检索算法，对船舶图像进行检索实验，经过50 次反复实验，求出3 种算法的检索性能的对比结果，如表2 所示。

表2 三种算法检索性能比较Tab.2 Comparison of retrieval performance of three algorithms

分析表2 可知，在船舶图像3 种变化(尺度变化、光照变化、旋转) 条件下，与三元组网络检索算法PCA 的哈希图像检索算法相比，本文算法平均匹配率97.94%，平均匹配时间为11.9 ms，说明本文算法检索性能较好，具有较高的匹配精确度，检索速度快，能够满足用户实时性检索的需要，验证了本文算法的有效性。

2.3 检索效果展示

使用本文算法能够实现船舶图像检索，检索后结果界面见图3。分析图3 可知，本文检索算法在船舶图像检索应用时效果较好，操作比较简单，用户将需要检索船舶图像拖拽至检索船舶数据库内，自动检索与待检索船舶相似图像，并生成检索结果，选取相似度为100%的船舶图像检索结果，说明本文算法具有较高的图像检索能力。

图3 检索效果展示Fig.3 Display of retrieval effect

3 结 语

本文通过提取局部和全局特征，并计算相似度，选取总相似度最高的船舶图像，实现船舶图像的检索。通过大量试验分析发现，本文算法的检索效果较好，操作便捷，将需要检索船舶图像拖拽至检索数据库内，点击检索键自动检索与待检索船舶相似图像，依据相似度高低选取最高相似度的船舶图像，完成船舶图像的检索。