融合顏色特征和紋理特征的圖像檢索算法

耿艷萍+高紅斌+任智穎

摘 要：文章結(jié)合顏色特征和紋理特征，利用歐氏距離計(jì)算兩幅圖像的相似度進(jìn)行圖像檢索。首先，在HSV空間下，提取顏色特征并進(jìn)行歸一化處理。然后，提取GLCM的特征值，并結(jié)合Tamura特征形成更加豐富的紋理特征。最后，分別計(jì)算待檢索圖像和圖像庫(kù)中圖像的顏色和紋理相似度，在不同權(quán)重下融合顏色和紋理特征得出最終相似度。Matlab實(shí)驗(yàn)表明，不同種類的圖像，分配顏色和紋理的不同權(quán)重時(shí)，有不同的查準(zhǔn)率。調(diào)整圖像的特征權(quán)重可以提高查準(zhǔn)率。

關(guān)鍵詞：圖像檢索；GLCM；Tamura；多特征融合

隨著數(shù)字圖像技術(shù)的發(fā)展，人們面臨著豐富多樣的圖像，根據(jù)需求從大量圖像中檢索出匹配的圖像，是值得探究的問(wèn)題。圖像檢索技術(shù)分為基于文本和基于內(nèi)容的檢索?；趦?nèi)容的圖像檢索（Content Based Image Retrieval，CBIR）是提取圖像庫(kù)中圖像和待檢索圖像的特征進(jìn)行相似度比較，從而得出結(jié)論。基于內(nèi)容的圖像檢索特征包括兩個(gè)方面：一類是底層視覺(jué)特征，如顏色、紋理、形狀等[1]；一類是高層語(yǔ)義特征，即圖像內(nèi)容的語(yǔ)義描述與各類物理特征之間的邏輯關(guān)系[2]。本文提取第一類特征，在不同種類的圖像組成的圖像庫(kù)中，檢索出與待檢索圖像相似的圖片。

單一的基于顏色的相似度計(jì)算[3]不能完全表達(dá)圖像內(nèi)容，故這種檢索算法的查準(zhǔn)率很低。另外，常見(jiàn)的基于內(nèi)容的圖像檢索特征還有紋理特征，用于捕捉圖像表面的粒度與重復(fù)出現(xiàn)的模式[4]。常用的紋理特征有基于灰度共生矩陣（Gray Level Co-occurrence Matrix，GLCM）的特征，文獻(xiàn)[5]用廣義圖像灰度共生矩陣做圖像檢索，但查準(zhǔn)率和查全率的提升效果不顯著。另一常用的紋理特征是Tamura特征，文獻(xiàn)[6]用改進(jìn)的Tamura紋理特征提高圖像檢索性能，相對(duì)于Tamura特征有了一定的提升，但提高有限。本文結(jié)合顏色特征和融合后的紋理特征（GLCM和Tamura特征融合）進(jìn)行圖像檢索，并給出了顏色特征和紋理特征在最佳查準(zhǔn)率下的權(quán)重系數(shù)，提高了查準(zhǔn)率。

1 HSV顏色空間量化及特征提取

顏色特征與其他視覺(jué)特征相比，它對(duì)圖像尺寸、方向、視角等變化不敏感，同時(shí)，顏色特征對(duì)圖像質(zhì)量的變化，噪聲有很好的魯棒性。故圖像檢索中，顏色特征的成功提取起著重要的作用[7]。

相對(duì)于RGB空間，HSV（色調(diào)，飽和度，亮度）空間對(duì)顏色的表達(dá)和人們的視覺(jué)習(xí)慣一致。故把RGB空間轉(zhuǎn)化為HSV空間，為了提高檢索的效率和準(zhǔn)確率，對(duì)HSV空間的值進(jìn)行非均勻量化。本文中，H量化為16級(jí)，S量化為4級(jí)，V量化為4級(jí)。

對(duì)HSV空間量化以后，把H，S，V 3個(gè)分量構(gòu)造成一維的顏色特征向量：HSV=H*16+4*S*4+V。

2 紋理特征的提取和融合

2.1 灰度共生矩陣

本文計(jì)算GLCM的統(tǒng)計(jì)量作為紋理信息的一部分，GLCM能反映灰度圖像的灰度在空間位置上的分布情況，用來(lái)描述灰度空間的相關(guān)性。其定義為：圖像I（i，j）中距離為d，方向?yàn)棣鹊娜我鈨蓚€(gè)灰度像素同時(shí)出現(xiàn)的聯(lián)合概率分布，記作p（i， j，d，θ），由這些概率值形成灰度共生矩陣P=[p（i， j，d，θ）]L×L，其中，θ一般取0°，45°，90°，135°；L為灰度級(jí)數(shù)。通常情況下，在計(jì)算GLCM前由于灰度級(jí)過(guò)大會(huì)導(dǎo)致計(jì)算量大、費(fèi)時(shí)長(zhǎng)，所以要先壓縮灰度級(jí)。

灰度共生矩陣不能直接表示圖像的紋理特征。在GLCM的基礎(chǔ)上，用一些統(tǒng)計(jì)量描述紋理特征，本實(shí)驗(yàn)中，使用了對(duì)比度、相關(guān)性、熵、平穩(wěn)度、能量這5個(gè)統(tǒng)計(jì)量。

（1）對(duì)比度。

其中P，Q是待檢索圖像和圖像庫(kù)中圖像，s1和s2是顏色特征和紋理特征的權(quán)重，C，T分別代表顏色特征和紋理特征，本算法中紋理特征是融合GLCM特征和Tamura特征的8維特征向量。

顏色重點(diǎn)描述圖像整體特征，而紋理重點(diǎn)描述圖像局部特征，單一的任何一種特征對(duì)圖像信息提取不全，本文在顏色特征的基礎(chǔ)上，提取了GLCM和Tumura紋理特征，使紋理特征信息更加全面，比以往論文中采用顏色特征和單一紋理特征進(jìn)行圖像檢索準(zhǔn)確率更高。過(guò)程如圖1所示。

4 實(shí)驗(yàn)結(jié)果分析

4.1 實(shí)驗(yàn)設(shè)置

本實(shí)驗(yàn)硬件配置為：Core（TM）i5-4300CPU@1.90GHz 2.50 GHz和RAM為4 GB；軟件配置為64位的Windows7操作系統(tǒng)，MATLAB R2014a。為了測(cè)試算法性能，實(shí)驗(yàn)隨機(jī)抽取Corel圖像庫(kù)中的一部分圖像（五大類：恐龍、車、大象、花、馬，各40張）作為圖像庫(kù)。

4.2 實(shí)驗(yàn)分析

根據(jù)上文提出的算法，在一個(gè)庫(kù)中對(duì)相似度距離排序，在40張圖像（即目標(biāo)類圖像總數(shù)目）中篩選與目標(biāo)圖像（待檢索圖像）同類的圖像數(shù)目，計(jì)算同類中所有圖像的查準(zhǔn)率并求出平均查準(zhǔn)率。

5類圖像的例圖如圖2所示，實(shí)驗(yàn)結(jié)果如表1所示。

由表1得出，當(dāng)顏色和紋理特征權(quán)重不同時(shí)，查準(zhǔn)率也不同，但每一種圖像的查準(zhǔn)率都基本符合正態(tài)分布，根據(jù)實(shí)驗(yàn)結(jié)果，恐龍和車在顏色和紋理權(quán)重比為0.6∶0.4時(shí)查準(zhǔn)率最高，大象在顏色和紋理權(quán)重比為0.5∶0.5時(shí)查準(zhǔn)率最高，花朵和馬在顏色和紋理權(quán)重比為0.4∶0.6時(shí)查準(zhǔn)率最高。

由于恐龍圖像顏色較為單一，顏色特征明顯，所以顏色權(quán)重比較大（0.6∶0.4）時(shí)，查準(zhǔn)率就相對(duì)較高（92.813%）。車圖像顏色特征也比較明顯且本身紋理與其他種類圖像不同，所以查準(zhǔn)率也比較高（92.00%）?；ǘ浜婉R背景顏色雖然相似，但紋理特征顯著不同，所以當(dāng)增大紋理所占權(quán)重為0.4∶0.6時(shí)，查準(zhǔn)率提高。大象的背景顏色為綠色，與馬和花朵的背景顏色相似，且紋理傾向不是很明顯，所以大象在顏色特征和紋理特征權(quán)重為0.5∶0.5時(shí)，查準(zhǔn)率達(dá)到最高，即對(duì)大象圖像而言，所提取的顏色和紋理特征在圖像檢索時(shí)所起作用相當(dāng)。但相對(duì)于其他4種圖像，大象的平均的查準(zhǔn)率為64.42%，相對(duì)較低。endprint

5 結(jié)語(yǔ)

通過(guò)顏色特征和紋理特征的融合，本文提出的算法能夠較好地進(jìn)行同類圖片及相似圖片的檢索。實(shí)驗(yàn)發(fā)現(xiàn)，查準(zhǔn)率與顏色和紋理的權(quán)重s1，s2密切相關(guān)。同一種圖像的顏色特征與紋理特征的權(quán)重不同導(dǎo)致查準(zhǔn)率有很大差異。通過(guò)多次實(shí)驗(yàn)得到了不同種類圖像檢索時(shí)，顏色特征和紋理特征的最佳權(quán)重比，在一定程度上提高了檢索的準(zhǔn)確率。將來(lái)，為了提高查準(zhǔn)率，可以進(jìn)一步獲取GLCM特征和Taumra特征融合時(shí)的最佳權(quán)重比。

[參考文獻(xiàn)]

[1]劉瑞軍，顧嘉偉，陳誼. 一種多低層特征結(jié)合的CBIR檢索方法[J].小型微型計(jì)算機(jī)系統(tǒng)，2015（6）：1336-1340.

[2]李有鋒.基于顏色和紋理特征的圖像檢索相關(guān)算法研究[D].成都：電子科技大學(xué)，2009.

[3]李長(zhǎng)勇，曹其新，郭峰.基于主色直方圖特征匹配的蔬果分類方法[J].上海交通大學(xué)學(xué)報(bào)，2009（12）：1898-1903.

[4]高程程，惠曉威.基于灰度共生矩陣的紋理特征提取[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2010（6）：195-198.

[5]姚宏宇，李弼程.基于廣義圖像灰度共生矩陣的圖像檢索方法[J].計(jì)算機(jī)工程與應(yīng)用，2005（34）：98-100.

[6]郝玉保，王仁禮.改進(jìn)Tamura紋理特征的圖像檢索方法[J].測(cè)繪科學(xué)，2010（4）：136-138.

[7]CHEN J，SHAN S G，HE C，et al.WLD：a robust local image descriptor[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2010（9）：1705-1720.

Abstract：Combining color features and texture features， this paper uses Euclidean distance to calculate the similarity of two images， and then retrieves the image. Firstly， the color feature is extracted and normalized in HSV space. Then， the feature values of gray level co-occurrence matrix（GLCM）are calculated and combined with Tamura features to form more abundant texture features. Finally， the final similarity is obtained by fusing color and texture features under different weights. Matlab experiments show that different kinds of images have different precision when assigning different weights of color features and texture features. Adjusting the feature weight of image can improve the precision ratio.

Key words：image retrieval； GLCM； Tamura； multi-feature fusionendprint