基于興趣點方向梯度直方圖的圖像檢索方法

田娟娟，冀小平

(太原理工大學 信息工程學院，山西 太原 030024)

基于興趣點方向梯度直方圖的圖像檢索方法

田娟娟，冀小平

(太原理工大學 信息工程學院，山西 太原 030024)

提出了一種基于圖像興趣點方向梯度直方圖的檢索方法。為了提高檢索準確度，首先采用直方圖均衡化增強圖像對比度，然后利用SURF(Speeded Up Robust Features)檢測子檢測圖像中的興趣點，以興趣點為中心，對興趣點鄰域內分塊方向梯度直方圖進行圖像特征描述，最后進行相似性度量。該算法通過直方圖均衡化，提取到圖像中更豐富的細節信息，尤其對于顏色單一與顏色較深的圖像，而且算法中充分利用了圖像中包含信息量較多的圖像興趣點。實驗證明，該算法提高了圖像檢索的準確度，相比其他算法取得了更好的檢索結果。

直方圖均衡化；SURF檢測子；興趣點；方向梯度直方圖

隨著互聯網技術的快速發展以及終端設備的普及，圖像成為目前廣泛應用的信息載體，利用圖像進行匹配、檢索等相關的技術給人們的生活帶來很多便利，關于這方面的技術研究也受到更多學者的關注。目前基于內容的圖像檢索主要基于圖像的全局特征或者在圖像均勻分塊的基礎上進行適當的權值調整來得到比較滿意的檢索結果或者基于圖像的綜合特征[1]。但是傳統的圖像分塊只是比較簡單的取圖像中心，將圖像分割為半徑不同的圓或者大小不同的矩形[2]，或者將圖像水平、垂直等分為若干塊，中間部分取權值相比邊緣區域較大，突出圖像的中心區域[3-4]，這樣的檢索方法對于圖像信息在中心的圖像可以得到比較滿意的結果，但是對于其他類型圖像則具有一定的局限性而且需要處理的數據量比較大。興趣點是圖像中含有信息量多但計算量少的特征點。近年來，更多的學者提出了基于興趣點的圖像檢索算法，其主要方法為利用興趣點檢測子檢測興趣點，然后利用興趣點的局部特征進行特征描述，最后進行相似性度量。如宋真等人[5]利用SURF檢測子[6]檢測興趣點并提出基于興趣點環形區域的顏色特征和Gabor小波紋理特征，閆允一等人[7]用同樣的方法檢測興趣點并提出基于興趣點的環形鄰域的偽澤尼克矩。

但是SURF算子在檢測興趣點時，需要將彩色圖像轉換為灰度圖像，在這個過程中會忽略圖像顏色比較單一或者圖像顏色比較深的區域的特征信息，導致檢測出的興趣點數目減少。因此本文提出利用直方圖均衡化增強圖像對比度之后再進行興趣點檢測。實驗證明[8]，SURF檢測算法相比于Harris角檢測器[9]、Hessian-Laplace算子[10]，提取興趣點的速度快，而且具有旋轉不變性以及對光照等因素具有很強的魯棒性。因此本文采用SURF檢測子提取圖像興趣點并且提出基于興趣點鄰域內加權分塊方向梯度直方圖的圖像特征描述方法。實驗結果證明該方法可以降低圖像背景對圖像內容的影響，有效提高興趣點檢測數目，而且該算法檢索速度快，可以取得較好的檢索性能。

1 興趣點檢測

1.1 直方圖均衡化

在用SURF檢測子檢測圖像興趣點之前，需將彩色圖像轉化為灰度圖像，但是大多數圖像由于其灰度分布集中在較窄的區間，引起圖像細節不夠清晰，采用直方圖修整后可以使圖像灰度間距拉開或者使圖像灰度分布比較均勻，從而可以增大灰度之間的差異，使圖像細節比較清晰，達到增強的目的。因此文中采用直方圖均衡化進行圖像增強。

1.2 積分圖像

SURF興趣點檢測利用積分圖像來提高計算速度，因此本文首先介紹積分圖像的概念。圖像I中任意一點x=(x,y)處的積分值Iε(x)定義為圖像I由點x與圖像邊緣構成矩形區域的所有像素的總和，即

(1)

式中：I(i,j)為圖像I中任意一點的像素值。

1.3 興趣點檢測

基于Hessian矩陣在計算時間與準確度方面的優勢，SURF算法中采用Hessian矩陣檢測興趣點。在圖像I中，任意一點在尺度處的Hessian矩陣定義為

(2)

在實際應用中，高斯算子需要離散化并將其尾部裁減，但是即使這樣也有可能會發生混疊，因此高斯濾波器并非在任何情況下都是理想濾波器。同Lowe[11]替代思想類似，SURF算子用box濾波器來代替高斯濾波器，通過分析可以得到，box濾波器與離散高斯濾波器具有相當的性能。如圖1表示近似的高斯二階差分濾波器：box濾波器及各塊對應的權值。

圖1 大小為9×9的box濾波器，分別對應于y方向、xy方向、x方向二階高斯差分

尺度空間用圖像金字塔來表示。金字塔的頂端由大小不一的box濾波器與圖像卷積得到。大小為9×9的濾波器與圖像卷積輸出為原始層，尺度s=1.2(對應于σ=1.2的高斯差分)，其他層通過box模板增大的濾波器與圖像卷積得到。SURF檢測子將尺度空間化分為若干組，每組之間濾波器大小翻倍，同時興趣點抽取的采樣間隔也翻倍。圖2為本文的尺度空間構造。

圖2 尺度空間

為了確定某尺度下興趣點的位置，在3×3×3鄰域內采用非最大值抑制，Hessian矩陣的行列式的最大值就可以內插在尺度圖像空間中。

2 基于興趣點的特征提取

方向梯度直方圖(Histogram of Oriented Gradient，HOG)曾被Lowe等人[11]用于SIFT算法中特征向量的描述，之后在2005年計算機視覺與模式識別(Computer Vision and Pattern Recognition，CVPR)會議上，法國國家計算機及自動控制研究所的Dalal等人[12]提出將方向梯度直方圖作為一種解決人體目標檢測的圖像描述子，該方法使用方向梯度直方圖特征來表達人體，提取人體的外形信息與運動信息，形成豐富的特征集。在這里將改進后的方向梯度直方圖用于圖像興趣點特征描述。

2.1 利用一階微分計算圖像梯度

在圖像處理中，常用一份微分模板求梯度近似值，實驗表明模板[-1,0,1]效果最好。在圖像I中，任意一點(x,y)利用此模板計算的水平和垂直方向的梯度分別為

Ih(x,y)=I(x+1,y)-I(x-1,y)?x,y

(3)

Iv(x,y)=I(x,y+1)-I(x,y-1)?x,y

(4)

該像素點的梯度值以及梯度方向分別為

(5)

(6)

2.2 改進后的方向梯度直方圖

基于孟繁杰等人提出的興趣點環形顏色直方圖特征描述的思想，文中提出分塊方向梯度直方圖進行特征描述。在圖像中，興趣點是很重要的局部特征，包含著圖像的諸多特征信息，觀察標記著興趣點的圖像可以發現，興趣點周圍的像素點有大部分位于圖像的邊緣或者圖像中灰度變化比較大的點附近，同樣也包含著圖像的重要信息。因此在本文的方法中以圖像興趣點為中心，取其鄰域內的8個像素點與該興趣點構成一個3×3的矩陣，由式(3)～式(5)分別求得這些像素點的梯度幅值以及梯度方向。為了充分考慮興趣點的空間分布信息，取圖像中心為中心點，將圖像均勻劃分為2×2即4個子塊，統計興趣點落在每個子塊的數目并求得每個分塊中興趣點占總興趣點總數量的比例Pi，作為各塊的權值，其中i的取值為1，2，3，4，然后在4個分塊中分別建立方向梯度直方圖。梯度方向取0°～360°，將梯度方向均勻劃分為12個區間，用j表示，j的取值為1，2，…，12。分別統計各子塊中屬于各個像素點的梯度方向區間，梯度幅值為同一子塊中各個區間中各像素點梯度幅值的和Gij，并將各分塊中梯度幅值乘以每個分塊所對應的權值作為各子塊最終的梯度幅值Dij，其中Dij=Gij×Pi。這樣每個子塊對應的方向梯度直方圖橫軸為各個方向區間，縱軸為Dij，其特征描述向量可以表示為，整幅圖像其特征可以用2×2×12=48維特征向量表示，向量表示形式為[D11,D12,…,D112,…,D41,D42,…,D412]。為了使其具有光照不變性，將特征描述向量歸一化，如下式：

(7)

其中:i=1,2,3,4;j=1,2,…,12。

3 相似度度量

(8)

4 實驗結果

實驗采用從Corel圖像庫中抽取的1 000幅圖像，分別包括人類、動物、風景等。實驗中每類庫中分別取得10幅圖片，統計返回圖像總數分別為10、20、30時各類圖像的平均檢索率，見表1。

為驗證本文算法的檢索，在基于相同的軟硬件平臺下，將該算法與文獻[7]的平均檢索準確率進行比較，結果如表1所示。

表1 本文算法與文獻[7]的檢索性能比較 %

表1中P10、P20、P30分別指返回圖像為10、20、30對應的圖像檢索準確率。由表1可以看出，本文算法優于文獻[7]。

圖3是對上述兩種不同算法對馬類圖像的檢索結果比較圖。返回圖像共20幅，左上角第一幅為待檢索圖像，其余19幅為檢索結果，其中查準圖像分別為17幅、19幅。因此本文算法準確度更高。

圖3 不同算法對馬類圖像的檢索結果(截圖)

5 結語

本文提出一種基于興趣點分塊方向梯度直方圖的圖像檢索算法，該算法就SURF算法檢測興趣點少的問題提出利用直方圖均衡化增強灰度圖像對比度，然后再進行興趣點檢測，取興趣點鄰域內像素點得到分塊方向梯度直方圖。該算法充分利用了圖像中包含較多信息量的點，不包含圖像顏色特征，圖像檢測出的興趣點數目明顯增多，花費時間較少，相比其他算法取得更優的檢索結果。

[1] 王爽，潘靜.一種基于顏色與紋理特征的圖像模糊檢索算法[J].電子測量技術，2014，38(2)：54-57.[2] 潘永勝，冀小平.一種新的多特征融合圖像檢索方法[J].科學技術與工程，2014，14(15)：225-229.

[3] 肖瀟，王憲保，莊德文，等.基于均勻區域分割的圖像檢索研究[J].計算機科學，2012，39(6)：255-257.

[4] 李雪艷，冀小平.基于分塊顏色特征和相關反饋的圖像檢索技術[J].電視技術，2013，37(7)：29-32.

[5] 宋真，顏永豐.基于興趣點綜合特征的圖像檢索[J].計算機應用，2012，32(10)：2840-2842.

[6] BAY H，TUYTELAARS T. SURF： Speeded up robust features[J].Computer Vision and Image Understanding， 2008，3(110)：346-359.

[7] 閆允一，姜帥，郭寶龍.結合穩定興趣點和Gabor小波的圖像檢索[J].西安電子科技大學學報：自然科學版，2014，41(5)：134-140.

[8] MIKOLAJCZYK K， SCHMID C. A performance evaluation of local descriptors[J].IEEE Trans. Pattern Analysis And Machine Intelligence，2005，10(27)： 1615-1630.

[9] 高晶，吳育峰，吳昆，等.基于角點檢測的圖像匹配算法[J].儀器儀表學報，2013，8(34)：1717-1725.

[10] MIKOLAJCZYK K， SCHMID C. Scale & affine invariant interest point detectors[J]. International Journal of Computer Vision，2004，1(60)：63-86.

[11] LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision，2004， 60(2)：91-110.

[12] DALAL N， TRIGGS B. Histograms of oriented gradients for human detection[C]//Proc. IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Diego：IEEE Press，2005： 886-893.

冀小平(1959— )，副教授，主研圖像處理。

責任編輯：閆雯雯

Image Retrieval Based on Histogram of Oriented Gradient of Interest Points

TIAN Juanjuan, JI Xiaoping

(InformationEngineeringCollege,TaiyuanUniversityofTechnology,Taiyuan030024,China)

A novel algorithm for image retrieval based on Histogram of Oriented Gradient(HOG) of interest points is presented. In order to improve the precision of the retrieval results, the contrast of image with histogram equalization is enhanced firstly and the interest points with SURF are detected. Then image features with HOG based on the blocks of the region centered at interest points are described. Finally, similar images are outputed. This algorithm extracts more detailed information through histogram equalization and better uses the interest points which contain the most information of an image. The experimental results show that this algorithm improves the precision of the retrieval results and get more satisfied retrieval results compared with other algorithms.

histogram equalization; Speeded Up Robust Features; interest points; histogram of oriented gradient

【本文獻信息】田娟娟，冀小平.基于興趣點方向梯度直方圖的圖像檢索方法[J].電視技術,2015，39(13).

TP391.41

A

10.16280/j.videoe.2015.13.021

田娟娟(1989— )，女，碩士研究生，主研圖像處理；

2015-03-10