基于圖像RGB色彩特征的關聯規則挖掘研究

朱丙麗 火善棟 吳鴻娟

（重慶三峽學院計算機科學與工程學院，重慶萬州 404100）

基于圖像RGB色彩特征的關聯規則挖掘研究

朱丙麗 火善棟 吳鴻娟

（重慶三峽學院計算機科學與工程學院，重慶萬州 404100）

對圖像色塊RGB值進行抽取和處理、建立常用顏色數據表和圖像RGB顏色值的事務數據庫D、最后應用關聯規則進行挖掘．關鍵工作是建立“n張圖像顏色值事務數據庫D”，它與使用傳統的購物籃數據進行關聯規則挖掘的事務數據表形式類似．因此，基于圖像RGB色彩特征的非結構化數據挖掘問題就轉化成了結構化數據的挖掘問題．

圖像挖掘；RGB；非結構化數據；事務數據庫；關聯規則挖掘

1 圖像挖掘

圖像挖掘（Image Mining，IM）是一種可以從大量的圖像集合中自動獲取隱含的、先前未知的、潛在有用的圖像數據關系的非平凡過程．根本任務是從圖像底層像素特征描述中，高效獲取高層圖像空間對象及其相互關系，以提取有用的圖像模式和知識．圖像中的信息是豐富和復雜的，隱含并難以理解的．圖像的表示和應用中包含了各種對象，這些對象通過像素所表示的原始圖像特征來確定對象和區域范圍．圖像預處理階段，信息層主要劃分成像素層（Pixel Level）和對象層（Object Level），在此基礎上進行圖像處理、對象識別和特征提取等．文獻[1]中的MultiMediaMiner是一個多媒體數據挖掘的原型系統，主要以圖像數據為處理對象的功能驅動模型強調各個模塊所完成的功能．

2 非結構化數據的間接挖掘

對于圖像這種非結構化的數據，傳統的數據挖掘方法不能直接作用在圖像上[2-3]．圖像挖掘思想主要有兩種：一種是間接挖掘，另一種是研發直接對非結構化數據進行挖掘的工具．間接挖掘先從非結構化數據庫中提取出結構化的數據，再用傳統的數據挖掘工具對其進行挖掘，如圖1所示，目前此方法更為普遍一些．通常，間接挖掘的工作步驟如下：在領域知識的指導下，建立圖像數據庫、對圖像數據進行預處理、圖像特征抽取、建立圖像特征數據庫、應用傳統的數據挖掘方法．

3 基于圖像RGB色彩特征的關聯規則挖掘研究

3.1 問題的提出

顏色、對象形狀和紋理是圖像基于內容及信息方面的三個常見的、有代表性的特征．對于圖像及對象的識別中，顏色是最常見的識別特征．在圖像挖掘領域，關聯規則挖掘是重要的和典型的挖掘模式，涉及的應用領域比較廣泛：氣象預測及農業生產輔助[4-5]、疾病分析及輔助診斷[6]、交通運輸輔助、自然災害預測、資源發現和管理等．例如，在農業生產輔助中，根據遙感圖像色彩空間特征，應用關聯規則挖掘可以確知農作物的潛在產量、昆蟲和種子害蟲的群襲、農作物的營養含量要求、洪災損失等情況以及其它的現象等．可見，研究基于圖像信息模式的、利用色彩空間的關聯規則應用是有價值的[7-9]．

圖1 非結構化數據的間接挖掘

3.2 圖像RGB色彩空間

RGB色彩空間是計算機系統色彩顯示和互聯網信息中常用的一種色彩格式，簡單有效，應用廣泛．RGB圖像不使用調色板，每個像素的顏色由像素位置上的紅色、綠色、藍色的亮度組合確定．RGB圖像是24位圖像，其中紅色、綠色、藍色均為8位，這將產生1 600多萬種顏色，在精度上可以逼近現實場景中的真實顏色，所以RGB圖像又稱為真彩色圖像[10]．

如果顏色有三個獨立、正交的參數即色彩由三維向量來表示，那么色彩空間就可以利用典型的三維坐標軸來表示．這樣，每一個顏色都和一個三維向量α（x,y,z ）所確定的位置一一對應起來．

3.3 圖像的色塊分割

設被處理圖像是i×j的像素矩陣，通常按照8 ×8的子矩陣塊來進行劃分（一般，i、j是8的倍數，若不是也可用0補齊行、列再進行分塊處理；若不按8×8來劃分以下內容亦適用）．那么對于每一個子矩陣塊包含著一個8×8的像素矩陣，即64個像素，而整張圖像劃分成的色塊大小是

3.4 圖像色塊的RGB顏色值抽取和處理

文獻[1,2,6,7]中有一些對顏色值進行抽取和處理的方法，這里使用均值法來計算圖像塊的色彩，見公式1．對于每一個圖像塊來說，其上的像素排列是一個小方陣，每個色塊包含了64個像素，若每個像素色彩值由αij（R,G,B）來表示．若在邊界處，被劃分的色塊不滿足8×8的子矩陣塊，則令超出邊界的αij（R,G,B）= 0．把64個像素的R，G，B分量取算術平均值后作為色塊的顏色值PIJ（R，G，B），該值三個分量的計算公式如下．其中，i∈[0,7]，

一張圖像被劃塊簡化后，則被抽取成I*J個顏色值，即（P00，P01，……，P10，……，P（I-1）（J-1））．

3.5 建立基于應用需求的常用顏色數據表

RGB色彩空間的三個數字分量R、G和B的取值范圍均在0～255之間，因此可以有256×256× 256種顏色組合，根據眼睛對顏色的感知和敏感度，有些顏色的視覺效果清楚明顯；有些顏色黯淡模糊；有些顏色相互間區分很小等．通常，研究的問題和對象所蘊含的顏色值一般不是均勻地分布在整個色彩空間中，即具體問題的顏色值可能不會取到RGB色彩空間中的每個值，而是聚集出現在整個顏色立方體的某些區域上．比如，研究對象是土壤狀況和小麥收成的遙感信息圖像，那么就應該選取關于土壤、小麥等對象的相關顏色（褐色、綠色、金色等）進行重點研究．所以應根據具體問題、通過領域知識的指導來選取RGB空間中的顏色，建立常用顏色數據表進行重點研究．

常用顏色數據表的基本結構如表1所示．根據整個RGB顏色參考表的內容，可以把被選中顏色的詳細信息導入常用顏色數據表中．采用下表中的結構建立“常用顏色數據表”．

表1 常用顏色數據表的基本結構

3 R Int 分量R的值4 G Int 分量G的值5 B Int 分量B的值

3.6 建立圖像色塊RGB顏色值的事務數據表

建立圖像塊顏色值的事務數據表是進行關聯規則挖掘的基礎．按照前面的圖像分塊方法，一張圖像有64個顏色塊，把這64個三維向量值按照行優先或者列優先順序作為顏色事務數據表中的一條記錄進行存儲．行優先或列優先并不會影響挖掘結果，目的是按照某個固定的順序來取數據和存數據，這樣能減少錯誤和遺漏．表2是n張圖像的色塊RGB顏色值構成的數據表．每一張圖像色塊RGB顏色值構成一條記錄，記錄號對應著第幾張圖像，顯然每條記錄的項目數是一樣的．

表2 n張圖像的RGB顏色值表

參考“常用顏色數據表”，對表2的數據進行篩選，目的是減小問題規模和提高計算效率，建立關聯規則直接處理的“n張圖像的顏色值事務數據庫D”，如表3所示．

操作方法是：①順序從表2中讀出每一個RGB三維向量；②遍歷并比較，若表2中的值落在“常用顏色數據表”中，則把其在表中“colourid字段”對應的“顏色值序號”存入表3中；③否則，不寫入表3．

表3 n張圖像RGB顏色值事務數據庫D

在“常用顏色數據表”中，對顏色的編號是集合（1，2，3，……，m），集合中的每個項取值為正整數，m種顏色就有m個數．即項目集合是由正整數構成的集合，每一個整數代表“常用顏色數據表”中的一種顏色．經過篩選處理獲得的事物數據如表3所示，表中的“編號n”仍然對應第n張圖像．假設a，b，c，d，……，i，j，k，l，……以及這些字符的組合，分別代表不同的正整數．

表3與傳統購物籃數據的事務數據表形式類似，其中的數據是關聯規則可以處理的布爾型數據，“顏色關聯規則挖掘”的問題就回歸到了“購物籃數據”的關聯規則挖掘模式上．相對于“購物籃數據”關聯規則挖掘，建立圖像RGB值的事務數據庫D就成了應用關聯規則挖掘的重點和關鍵性工作．這樣，把基于圖像RGB色彩特征的非結構化數據挖掘的問題轉化成了結構化數據的挖掘問題．

4 關聯規則挖掘中要注意的問題

關聯規則挖掘是通過對各個項集在事務數據庫中出現的概率值進行運算和比較產生規則[11]，一張靜態圖像只局限于反映某段時間某個狀態下圖像RGB顏色的信息．為了構成概率樣本空間，需要對一組圖像進行挖掘，圖像的樣本空間數應是一個恰當、可行的數；要全面、準確地獲取知識，需要動態變化的圖像信息；圖像數據的選取要注意數據的離散化；對連續的顏色數據值要進行區間劃分；恰當地選取被挖掘對象的區域大小，構成的圖像尺寸要恰當，因為非變化區域的特征值挖掘沒有價值；根據領域知識的指導確定最小支持度和最小置信度的閾值；解釋獲得的規則，并對其分析、反復調整和修改才具有應用價值．

[1]Zaiane O.R.,Han J.,Li Z.N.,Chiang J.Y.and Chee S. Multimedia Miner:A system prototype for multimedia data mining[C]. In Proceesings of 1998 ACM-SIGMOD Conference on Management of Data(SIGMOD’98), Seattle, WA, June 1998, 581-583.

[2]Ji Zhang, etc. An information-driven Framework for Image Mining[C]. Proceedings of 12th International Conference on Database and Expert Systems Applications(DEXA), Munich, Germany, 2001. 232-242.

[3]李雄飛，李軍.數據挖掘與知識發現[M].北京：高等教育出版社，2003.

[4]張啟孟.基于圖像挖掘的冰雹云識別[D].天津：天津大學，2007.

[5]丁未思，趙躍龍，邱建雄.基于圖像挖掘技術的降雨預測系統的研究[J].計算機測量與控制，2006（7）：931-933.

[6]Antonie M L, Zaiane O R, Coman A. Applicationof Data Mining Techniques for Medical Image Classification[C]//MDM/KDD2001, San Francisco, CA, USA，2001:94-101.

[7]Qin Ding, Qiang Ding, William Perrizo. Association rule mining on remotely sensed images using p-trees[C]//In Proceedings of PAKDD, 2002, LNAI2336，66-79

[8]舒風笛，毋國慶，王敏.圖象數據關聯規則挖掘[J].小型微型計算機系統，2001（11）：1353-1356.

[9]孫慶先，方濤，郭達志.圖像數據挖掘中的關聯規則[J].計算機工程，2006（5）：49-51.

[10]Rafael C. Gonzalez，Richard E. Woods，Steven L. Eddins.數字圖像處理：第二版[M].阮秋琦，等，譯.北京：電子工業出版社，2009.

[11]李平榮.大數據時代的數據挖掘技術與應用[J].重慶三峽學院學報，2014（3）：45-47.

（責任編輯：鄭宗榮）

A Study on Application of Association Rule Mining Base on the Feature of Images’ RGB Colors

ZHU Bingli HUO Shandong Wu Hongjuan
(College of Computer Science and Engineering, Chongqing Three Gorges University, Wanzhou, Chongqing 404100)

This paper present ways of abstracting and processing the RGB values from the color blocks of image, building frequently-used colors’ database and affairs database based on color clocks’ RGB values, and applying association rule mining. The bottleneck problem is building color affairs database D based on n-pieces of images, with the same form as the traditional shopper affairs database that applies association rule mining. Thus, the problem arising from non-structural data from the feature of images’ RGB colors has been translated into the mining problem based on structural data.

Image Mining; RGB; non-structural data; affairs DB; Association Rule Mining

TP391.41

A

1009-8135（2015）03-0056-04

2015-02-28

朱丙麗（1977-），女，四川德陽人，重慶三峽學院講師，碩士，主要研究數字圖像處理及信息處理.

重慶市科技項目（KJ131108）階段性成果