基于紋理與顏色特征融合的刑偵圖像檢索算法

蘭　蓉, 賈世英

(西安郵電大學 通信與信息工程學院， 陜西 西安 710121)

基于紋理與顏色特征融合的刑偵圖像檢索算法

蘭蓉, 賈世英

(西安郵電大學 通信與信息工程學院， 陜西 西安 710121)

摘要:針對刑偵圖像檢索, 給出一種基于多方向多參數的灰度共生矩陣和HSV顏色矩的圖像特征提取算法。計算刑偵圖像8個方向上6個參數,共48個特征值來表示圖像的紋理特征,分別計算圖像H、S和V通道的一階矩、二階矩和三階矩，作為圖像的顏色特征，并將紋理特征和顏色特征進行融合以保證特征的全面性。對刑偵圖像數據庫進行檢索試驗，結果表明，相較于4參數的灰度共生矩陣法和小波變換融合顏色直方圖檢索方法，所給方法的各類圖像查準率更高。以指紋類別為例，所給算法的查準率為68%，高于4參數灰度共生矩陣算法的49%，和小波變換融合顏色直方圖檢索算法的53%。

關鍵詞:灰度共生矩陣；顏色特征；圖像檢索；相似性度量

現實生活中刑事案件不斷發生，導致刑偵圖像數據庫容量越來越大，人工在該數據庫中對犯罪證據的查找就越來越困難?；趦热莸膱D像檢索是為了改善人工查找法耗時耗力的缺陷而提出的一種技術，主要依靠刑偵圖像的特征對刑偵圖像數據庫進行檢索[1]，圖像特征有顏色特征和紋理特征。圖像顏色和紋理特征從圖像的視覺特征來描述圖像內容。

顏色具有各種不同的空間分布，在很大程度上影響著人們對圖像的相似性識別。對顏色特征的提取方法主要有顏色直方圖法、顏色集法、顏色相關圖法等[2]。顏色矩[3]不但可以降低顏色特征量的維數,還可以記錄顏色的空間信息,并且具有旋轉、縮放不變性等特點，能夠有效的描述圖像的顏色分布。

紋理具有各種各樣的結構，如何表征圖像紋理并且對其進行準確的分類是圖像檢索研究領域的一個重要方向。對紋理特征的描述分為四種方法[4]：信號處理法、模型法、統計法和結構法。

統計方法基于像素點和其鄰域的灰度屬性,研究圖像紋理的統計特性,而灰度共生矩陣(GrayLevelCo-occurrenceMatrix，GLCM)[5]是統計法中一種最重要的方法，已經成為應用最廣泛的圖像紋理分析技術之一，應用在如遙感影像紋理分析[6]和圖像分割[7]領域，但針對多類別刑偵圖像庫的檢索方法[7]還有待完善。

用灰度共生矩陣方法對紋理進行分析，利用鄰域4個方向的灰度差值和4個參數，結合原影像可進行圖像分類[8]。利用HSV顏色直方圖和小波變換進行特征提取[9]，基于此的刑偵圖像檢索結果并不理想。這兩種方法在提取紋理特征時，提取到的紋理信息較少，不足以作為圖像分類和檢索的依據，效果有待提高。

本文擬對圖像信息提取方法加以改進，計算灰度共生矩陣8個方向上的6個參數共48個特征值，來表示圖像的紋理特征，并融合低階顏色矩所提取的顏色特征作為圖像檢索的綜合特征，在相似性度量[10-11]時，討論歐氏距離對檢索結果的影響。

1顏色矩

HSV顏色空間與人的視覺特征對顏色的認知更為符合，可將RGB顏色空間轉化為HSV顏色空間[9]，采用顏色矩來提取顏色特征。一階顏色矩

二階顏色矩

三階顏色矩

其中qij表示像素j的第i個顏色值，i=1代表H分量，i=2代表S分量，i=3代表V分量，n為圖像中像素點的個數。

求出每個通道的一階、二階及三階顏色矩，將3個顏色通道的9個顏色矩作為顏色特征。

2灰度共生矩陣

2.1灰度共生矩陣原理

紋理是由灰度分布在空間位置上不斷交替變化而形成的，圖像空間中相隔一定距離的兩個像素之間存在一定的灰度空間關系?；叶鹊目臻g相關性可表示為紋理，灰度共生矩陣可用以描述紋理特征?；叶裙采仃囃ㄟ^用兩個相關像素的聯合概率密度，反映亮度的分布特性，是圖像亮度變化的二階統計特性。設一幅圖像用f(x,y)表示，其中，(x,y)表示像素坐標，圖像大小為M×N，那么灰度共生矩陣可以表示為在角度θ方向上灰度值分別為f(x1,y1)=i和f(x2,y2)=j距離為d的頻率相關矩陣[7]

P=[pij(d,θ)]。

2.2紋理特征提取

圖像庫中所用圖片均為M×N大小的格式為RGB的圖片，特征提取步驟如下。

步驟1在計算圖像的灰度共生矩陣之前對其進行灰度處理，即取各點的灰度值為

Lgray=0.30R+0.59G+0.11B。

步驟2為了減少計算量，對原始圖像進行灰度級壓縮，將其均勻量化為16級，再進行計算。

步驟3確定相鄰像素之間的角度θ。θ分別取0°、45°、90°、135°、180°、225°、270°和315°。取值方式為

其中，Δx為x1到x2的水平距離，Δy為y1到y2的垂直距離。

步驟4確定相鄰像素之間的距離，距離為1時可以更具體的表現紋理分布信息，并且經過試驗驗證距離為1檢索效果更好，所以選擇距離值為1。

步驟5在灰度共生矩陣的基礎上，計算可描述紋理特征的6個參數，分別是能量EASM、熵HEnt、慣性矩QCon、逆差距QIdm、相關指數ρCor和方差S。以L為灰度級數，則

其中

經過步驟1到步驟5可以得到8個方向的48個特征值，將它們作為紋理特征。

3歸一化及相似度量

3.1特征的歸一化處理

提取到8個方向的6個參數以后會得到48個紋理特征值，結合9個顏色特征總共57個特征值，但是因為特征值的數量級不同，由此會對分類計算產生影響，所以先要對特征數據進行歸一化處理。

步驟1計算圖像庫中圖像的特征向量，用矩陣表示為

其中，r為圖像庫中圖像數目。

步驟2選擇矩陣F中每列的最大元素和最小元素，分別組成兩個向量，記為

(fK,1,fK,2,…,fK,57),

(fk,1,fk,2,…,fk,57)。

步驟3對i=1,2,…,r和j=1,2,…,57,利用

將F歸一化為

3.2相似性度量

采用歐氏距離相似性度量來衡量圖像之間的差異。設目標圖像為T，圖像庫中的待檢索的圖像為P，它們的特征值分別表示為

λT=(t1,t2,…,t57),

λP=(p1,p2,…,p57),

其歐氏距離為

根據對所求得的目標圖像與圖像庫中各待檢測圖像之間的歐氏距離由小到大進行排序，從而得到檢索以后的圖像相似度排序，距離越小說明該兩幅圖像越相似。

4實驗結果及分析

實驗用刑偵圖像庫所含類別有：指紋、腳印、作案工具、血跡、房屋、道路、門、車。圖像庫包含170張圖像，其中腳印30張，其它每類各20張，且均為現勘圖像[12]，來自真實案發現場。受拍攝條件影響，各類圖像質量參差不齊。從刑偵圖像庫中選取一幅指紋圖像和一幅車輛圖像，作為目標圖像，如圖1(a)和圖1(b)所示。

圖1　目標圖像

4.1檢索結果

在針對圖1(a)的試驗結果：用4參數灰度共生矩陣法[8]所得檢索效果如圖2(a)所示，前12幅圖像中有6幅是相關的；用小波變換融合顏色直方圖檢索方法[9]所得結果如圖2(b)所示，其中前12幅圖像中有7幅是相關的；用基于多方向多參數的灰度共生矩陣和HSV顏色矩的圖像特征提取算法，所得檢索結果如圖2(c)所示，前12幅圖像中檢索到有11幅是相關的。

針對圖1(b)的試驗結果：用4參數灰度共生矩陣法[8]所得的檢索效果如圖3(a)所示，前12幅圖像中有5幅是相關的;用小波變換融合顏色直方圖檢索方法[9]所得結果如圖4(b)所示，其中前12幅圖像中有7幅是相關的；用基于多方向多參數的灰度共生矩陣和HSV顏色矩的圖像特征提取算法，所得檢索結果如圖3(c)所示，前12幅圖像中檢索到有9幅是相關的。

檢索結果顯示，基于多方向多參數的灰度共生矩陣和HSV顏色矩的圖像特征提取算法的檢索結果最好。

(a) 4參數灰度共生矩陣方法

(b) 小波變換融合顏色直方圖法

(c) 多方向多參數灰度共生矩陣和HSV顏色矩圖像特征提取

(a) 4參數灰度共生矩陣方法

(b) 小波變換融合顏色直方圖法

(c) 多方向多參數灰度共生矩陣和HSV顏色矩圖像特征提取

4.2查準率

查準率是評價圖像檢索方法優劣的標準。查準率指在檢索結束后得到的相關圖像數目與檢索到的總的圖片數的比值，比值越大，說明檢索效果越好。將檢索到圖像的前12幅進行查準率計算。

對于圖像庫中的170幅圖像進行檢索，所得檢索后圖像的平均查準率如表1所示。其中，方法1指4參數灰度共生矩陣檢索方法[8];方法2指小波變換融合顏色直方圖檢索方法[9];方法3指基于多方向多參數的灰度共生矩陣和HSV顏色矩的圖像特征提取算法。

表1　圖像平均查準率

實驗結果顯示，方法3的查準率比另兩種方法更高，尤其對指紋類別圖像，因其紋理方向性較強，更適合使用方法3。

5結語

針對刑偵圖像檢索時提取特征較少問題，提出一種基于多方向多參數的灰度共生矩陣和HSV顏色矩的圖像特征提取算法，通過與4參數灰度共生矩陣檢索方法和小波變換融合顏色直方圖檢索方法相比較，可知所提方法對各類刑偵圖像的的查準率更高。

參考文獻

[1]孫浪，唐雁，何熒.一種有效的多特征圖像檢索方法[J/OL].西南大學學報:自然科學版,2014,36(12):162-171[2015-08-10].http://cms.swu.edu.cn:8080/viscms/u/cms/xbbjb/201412/261713483erz/2014-12-162.pdf.DOI:10.13718/j.cnki.xdzk.2014.12.027.

[2]王鵬.基于顏色特征的圖像檢索系統[D/OL].西安：西安電子科技大學，2012[2015-08-10].http://d.wanfangdata.com.cn/Thesis/D216978DOI:10.7666/d.d216978.

[3]張少博,全書海,石英.基于顏色矩的圖像檢索算法研究[J/OL].計算機工程,2014,40(6):252-255[2015-09-10].http://www.ecice06.com/CN/abstract/abstract25696.shtml.DOI:10.3969/j.issn.1000-3428.2014.06.054.

[4]劉麗，匡綱要.圖像紋理特征提取方法綜述[J/OL〗.中國圖像圖形學報,2009,14(4):622-635[2015-08-10].http://www.cnki.com.cn/Article/CJFDTotal-ZGTB200904009.htm.DOI:10.11834/jig.20090409.

[5]陳英，楊豐玉，符祥.基于支持向量機和灰度共生矩陣的紋理圖像分割方法[J/OL].傳感器與微系統，2012，31(9):60-63[2015-09-12].http://www.cnki.com.cn/Article/CJFDTotal-CGQJ201209018.htm.DOI:10.13873/j.1000-97872012.09.026.

[6]任國貞，江濤.基于灰度共生矩陣的紋理提取方法研究[J/OL]〗.計算機應用與軟件,2014，31(11):190-192,325[2015-09-10].http://wuxizazhi.cnki.net/Search/JYRJ201411048.html.DOI:10.3969/j.issn.1000-386x.2014.11.047.

[7]李慧娜，郭超峰，平源.灰度共生矩陣在指紋圖像分割中的應用[J/OL].數據采集與處理，2012,21(2):33-38[2015-09-08].http://www.cnki.com.cn/Article/CJFDTotal-SJCJ201201009.htm.

[8]李智峰，朱谷易，董泰鋒.基于灰度共生矩陣的圖像紋理特征地物分類應用[J/OL].地質與勘探，2011,47(3):456-461[2015-08-30].http://www.cnki.com.cn/Article/CJFDTotal-DZKT201103017.htm.

[9]劉穎，黃源，高梓銘.刑偵圖像檢索中的特征提取及相似性度量[J].西安郵電大學學報，2014,19(6):11-16[2015-08-30].http://www.cnki.com.cn/Article/CJFDTotal-XAYD201406004.htm.DOI:10.13682/j.jssn.2095-6533.2014.06.003.

[10] 黃忠，胡敏，王曉華.一種基于幾何特征的表情相似性度量方法[J/OL].模式識別與人工智能，2015,28(5):443-451[2015-09-22].http://max.book118.com/html/2016/0212/34917565.shtm.DOI:10.16451/j.cnki.issn1003-6059.201505008.

[11] 章學靜，陳禾，馬龍，等.一種基于子圖特征的快速圖像配準算法[J/OL].北京理工大學學報，2015,35(7):744-749[2015-09-02].http://www.cnki.com.cn/Article/CJFDTotal-BJLG201507017.htm.DOI:10.15918/j.tbit1001-0645.2015.07.017.

[12] 劉穎，范九倫，李宗.現勘圖像數據庫檢索技術實例探討[J/OL].西安郵電大學學報，2015,20(3):11-20[2015-08-10].http://www.cnki.com.cn/Article/CJFDTotal-XAYD201503002.htm.DOI:10.13682/j.issn.2095-6533.2015.03.002.

[責任編輯:瑞金]

Aretrievalalgorithmofforensicimagefusionbasedonfusioningtextureandcolorfeature

LANRong，JIAShiying

(SchoolofCommunicationandInformationEngineering,Xi’anUniversityofPostsandTelecommunications,Xi’an710121,China)

Abstract:For criminal investigation image retrieval, an image feature extraction algorithm based on multi direction and multi parameters gray level co-occurrence matrix and HSV color moment is proposed. 6 parameters in each of 8 directions on a criminal investigation image are calculated, thus, 48 feature values can be used to represent the texture feature of the image. The first, second and third moment of H, S, and V channel of the image are calculated, thus, 9 feature values can be used to discribe the color feature of the image. All these texture features and color features are fused together, thus, the image can be discribed more comprehensive. A retrieval test is done on the criminal investigation image database, and the results show that, compared with the four parameters gray level co-occurrence matrix algorithm and wavelet transform fusion color histogram retrieval algorithm, the proposed algorithm has the highest precision, as for fingerprint images, the precision by the improved algorithm is 68%, higher than 49% and 53% respectively by the other two algorithms.

Keywords:gray level co-occurrence matrix, color feature, image retrieval, similarity measure

doi:10.13682/j.issn.2095-6533.2016.02.011

收稿日期：2015-09-16

基金項目：陜西省教育廳科學研究計劃資助項目(15JK1658)

作者簡介：蘭蓉(1977-),女，副教授，從事智能信息處理研究。E-mail:ronglanlogic@163.com 賈世英(1989-)，男，碩士研究生，研究方向為刑偵圖像處理及應用。E-mail:jsy791737966@foxmail.com

中圖分類號：TN911.7

文獻標識碼：A

文章編號：2095-6533(2016)02-0057-06