基于顏色和邊緣的快速圖像檢索研究

王海波，艾斯卡爾·艾木都拉

（新疆大學 信息科學與工程學院，新疆 烏魯木齊 830046）

0 引言

顏色特征是基于內容的圖像檢索(CBIR，Content Based Image Retrieval)中一個非常重要的特征，其對圖像本身的尺寸、方向和視角的依賴性較小，具有很強的魯棒性。顏色直方圖[1]是一個使用非常廣泛的顏色特征圖像索引技術，該技術提取特征方便，有平移和旋轉不變性，但這種技術僅統計全局顏色特性，失去了顏色空間分布信息，檢索效果不佳。直方圖相交法[2]、色彩聚合矢量法[3]、累加直方圖法[4]等方法的提出，一定程度上改善了顏色直方圖方法的不足，但仍失去部分顏色空間分布信息。文獻[5-6]采用顏色和邊緣綜合特征進行檢索，文獻[7]采用基于小波的 Contourlet變換（WBCT，Wavelet-based Contourlet Transform）與平滑共生矩陣相結合的方法進行圖像檢索，文獻[8]采用信息代理技術（Agent）進行圖像檢索，這些方法雖檢索精度有了提高，但其復雜的算法使得檢索消耗大量的時間，增加了用戶的等待時間。

提出了一種改進的基于顏色和邊緣特征的快速圖像檢索技術。算法可分為兩步：①是統計HSI顏色空間的H分量并計算色調直方圖，通過計算特征相似性度量獲得初級檢索圖像庫；②是通過改進的數學形態學算法對圖像庫進行二次檢索得到檢索結果。

1 初級檢索圖像庫的建立

1.1 顏色特征提取

常用的顏色空間有RGB顏色模型、CMY和CMYK顏色模型、HSI顏色模型等。由于HSI色彩空間是從人的視覺系統出發，用色調、飽和度和亮度來描述色彩，更符合人的視覺特性，故這里采用HSI顏色模型。

統計圖像中H分量的數量，建立色調直方圖。用向量(1)和向量(2)分別表示待檢測圖像q和圖像庫中第i個圖像的色調直方圖特征。

其中N為特征向量的維數，0＜N≤360，N越大，特征信息越豐富，檢索效果越好，然而計算量也越大。在檢索效果允許的情況下，為減少計算量，經實驗現選擇特征分辨率為R=5°。則N=360°/R，即特征向量的維數為72。

1.2 相似距離計算及初級檢索圖像庫建立

相似距離的選取其對檢索結果有非常重要的影響。距離越大，兩幅圖像的相似性越小。

由公式（3）可計算圖像庫中每個圖像與待檢測圖像之間的距離向量D如公式(4)，

其中I為圖像庫中圖像的數量。

假設Pr為初級檢索圖像庫中圖像的數量P′與原圖像庫中圖像數量P的比例，則

其中 Pr的值通過實驗得出，具體方法在實驗結果及分析部分有闡述。

在公式(5)中Pr及P的值都是已知，則可得到P′得值。

對距離向量D進行從小到大排序，得到排序后的距離向量D′，如公式(6)：

取出向量D′前P′個向量元素，查詢這P′個向量元素在原圖像庫中所對應的圖像。所查詢的P′個圖像構成的圖像集合，即是初級檢索圖像庫。

2 二次檢索

2.1 數學形態學邊緣檢測算法

傳統的數學形態學邊緣檢測梯度算子有：

膨脹型：

腐蝕型：

膨脹腐蝕型：

其中⊕為膨脹運算，Θ為腐蝕運算，A為原圖像，B為結構元素。

這些方法實現簡單，降低時間復雜度，然而其對噪聲較為敏感，導致檢索結果不佳。

使用一種改進的數學形態學邊緣檢測梯度算子[5],如公式(10)所示。

其中“?”表示開運算，“?”表示閉運算。

該算子邊緣定位準確、連續性好且具有較強的抗噪能力。

2.2 選取結構元素

結構元素的選取是非常關鍵的，它的選取會直接影響邊緣檢測的結果[6]。

根據邊緣方向和結構元方向的最佳匹配關系[9]-10]和實驗對7種3×3結構元素進行檢索結果對比，根據對比結果結構元素分別選取：

2.3 相似距離的計算及二次檢索

由公式(13)可得到數學形態學邊緣檢測的邊緣像素點集合。為獲得邊緣像素點集合的直方圖，使用公式(14)將邊緣像素點對應的彩色值轉化為轉化為灰度值。

其中S(i,j)為轉化后的灰度值，r(i,j)、g(i,j)、b(i,j)分別為RGB顏色空間中位置為(i,j)的R、G、B分量值。

假設待檢測圖像在像素點（i，j）處的灰度值是Sr（i，j），初級檢索圖像庫的第 K幅圖像在像素點（i，j）處的灰度值為 Sk（i，j），則初級檢索圖像庫的第 K幅圖像與待檢索圖像的距離定義如公式(15)：

其中 DS(i,j)(k)為相似距離值。

計算待檢索圖像與初級檢索圖像庫中每一幅圖像的相似距離值，可得到距離特征向量：

對Ds從小到大排序，得到排序后的向量Ds′：

假設用戶期望獲得M個檢索結果，則Ds′前M個向量元素對應的原圖像庫圖像即為最終檢索結果。

綜上所述算法步驟如下：

步驟1 將圖像庫中所有圖像的 RGB顏色空間轉化為HSI顏色空間，并計算出色調直方圖，作為顏色特征向量保存到文件中；

步驟2 計算待檢測圖像顏色特征向量，作為目標顏色特征向量。將步驟1中的顏色特征向量與目標特征向量進行距離計算，得出顏色距離向量。對距離向量按從小到大的順序排序，按一定比例取舍排過序的顏色距離向量，即可得到初級檢索圖像庫；

步驟3 將初級檢索圖像庫中的圖像二值化，并使用公式(10)求出二值圖像的邊緣集合點。在原圖像中找出這些邊緣集合點，用公式(11)將這些集合點對應的彩色值轉化為灰度值，統計并求出這些集合點的特定灰度直方圖，作為邊緣特征向量；

步驟4 計算待檢測圖像的邊緣特征向量，作為目標邊緣特征向量，由公式(12)可求得邊緣距離向量。對邊緣距離向量按從小到大的順序重排序。在排過序的邊緣距離向量中取出排在前面的N個圖像，即可作為整個檢索算法的結構（N由用戶指定）。

3 實驗結果及分析

3.1 實驗結果

使用matlab7.1在WindowsXP平臺上進行仿真。主機配置為：AMD Sempron(tm) processor 1.81 GHz,512M內存。實驗中使用的圖像庫為image.orig。該圖像庫中有1000幅大小為256×384的彩色圖像，內容包括人物、海灘、建筑、恐龍、花卉、動植物、山峰等，共10個內容，每個內容100幅圖像。

假設初級圖像庫在總圖像庫中所占的比例用 Pr表示；檢索結果中檢索到的目標圖像數與數據庫中全部目標圖像數之比(即查全率)用Re表示。圖1給出了通過實驗得出的Pr與Re之間的關系。

圖1 Pr/Re

圖2是三種檢索方法在檢索恐龍圖像時的結果對比。在圖像庫中恐龍的圖像共 100幅。幾種檢索結果都是 11×11的矩陣塊顯示，共121幅圖像。

圖2 幾種方法檢索結果對比

表1是三種方法分別檢索恐龍、巴士、馬匹、花卉的查準率。檢索結果為121幅圖像。檢索過程中，從每個檢索內容的100幅圖像里隨機抽取10幅圖像，分別計算其查準率，求平均值作為表中檢索的查準率。

表1 幾種方法查準率對比表

表 2是這里方法和文獻[6]方法檢索時所用時間比較。檢索過程中，從每個檢索內容的 100幅圖像里隨機抽取 10幅圖像，分別計算其檢索時間，求平均值作為表中檢索的檢索時間。

表2 這里和文獻[6]檢索時間/s對比表

3.2 結果分析

在圖1中，當Pr=0.121時，這里算法檢索結果等同于僅使用色調直方圖檢索結果；當 Pr=1.0時，檢索結果等同于僅使用數學形態學方法。實驗表明當Pr=0.37時，Re可以達到最大值。故建立的初級圖像庫為總圖像庫的37%，即370幅圖像。

圖2(b)中由于一些花卉的色調直方圖與帶檢索圖像相似，在檢索結果中具有較強干擾；圖2(c)是僅使用數學形態學進行邊緣檢測，并建立邊緣直方圖的檢索結果。由于馬匹的形狀和恐龍有些相似，檢索結果中混入了一些馬匹圖像。圖2(d)是這里的檢索方法，數學形態學邊緣檢測算法把初級檢索圖像庫中的恐龍圖像前移，使得檢索效果得到了明顯提高。

表1和表2表明這里算法在提高檢索精度的同時，也大大縮短了檢索時間。時間的縮短，是由于引入了初級檢索圖像庫，使得檢索時間復雜度大大降低。

4 結語

綜合了顏色和邊緣特征進行圖像檢索，先使用色調直方圖建立初級檢索圖像庫，然后使用數學形態學對初級檢索圖像庫進行再次檢索。由于初級檢索圖像庫的引入，使得檢索時間大大縮減，并且初級檢索圖像庫在原圖像庫中的比例由實驗得出，檢索精度也得到提高。實驗結果證明了這里方法的有效性。

[1] SWAINM,BSLLARD D.Color indexing.Intemational Joumal of Computer Vision[J].1991,7(01):11-32.

[2] PASS G ,ZABIH R,MILLER J Comparing images using color coherence vectors[M].MA:ACM,1996.

[3] STRICKER M,ORENGO M.Similarity of color images[M].USA:[s.n.],1995:381-392

[4] 韓軒，陳海山.綜合顏色和局部空間特征的彩色圖像檢索方法[J].計算機技術與發展，2008，18(01):122-125.

[5] 成曉倩.一種基于數學形態學的邊緣檢測算子[J].河北理工大學學報:自然科學版,2009,31(02):54-58.

[6] 鄭秋梅，王紅霞，劉康煒.基于邊緣和顏色特征的圖像檢索技術[J].微計算機應用,2008，29(11)：19-24.

[7] 向麗.基于 WBCT與平滑共生矩陣的圖像檢索[J].通信技術,2009,42(12):150-152.

[8] 張峰，尹東，吳文宇.基于Agent技術的遙感圖像檢索[J].通信技術,2008,41(10):119-121.

[9] Schonfeld D.Optinal Semeturing Elements for the Morphological Pattern Rescoration of Binary Images[J].IEEE Trans on HMI,1994,16(06):589-601.

[10] 陳虎，王守尊，周朝暉.基于數學形態學的圖像邊緣檢測方法研究[J].工程圖學學報，2004，25(02):112-115.