視覺特征的分塊加權圖像檢索方法*

張玉兵，宋 威

1.江南大學 物聯網工程學院，江蘇 無錫 214122

2.物聯網技術應用教育部工程研究中心，江蘇 無錫 214122

視覺特征的分塊加權圖像檢索方法*

張玉兵1,2+，宋 威1,2

1.江南大學 物聯網工程學院，江蘇 無錫 214122

2.物聯網技術應用教育部工程研究中心，江蘇 無錫 214122

圖像檢索；分塊加權；視覺注意機制；Sobel算子；色差直方圖

1 引言

隨著多媒體技術和計算機技術的快速發展，使得現代信息處理的對象和方法都有很大的改變。數字圖書館、數字博物館、點播視頻服務和遠程教育等新的服務形式和信息交流手段的產生，對人們的生活方式和社會發展產生了重要的影響。如何有效地組織、管理和檢索大規模的圖像數據庫，成為當前熱門的研究課題。

傳統的圖像檢索是基于文本的方法（text-based image retrieval，TBIR），通過添加文本注釋來描述圖像并實現圖像檢索。該方法是通過手工方式來注釋圖像，不能自動提取圖像的內容，并且人的主觀性較強，從而降低了圖像檢索的準確性，而且對大型數字圖像庫的手工注釋需要花費大量時間和勞動力，極大地降低了處理效率。因此基于內容的圖像檢索（content-based image retrieval，CBIR）方法應運而生。CBIR通過自動提取圖像的顏色、形狀、紋理等視覺特征[1-3]，并將其存儲在特征數據庫中用于檢索，比TBIR更加客觀準確。接著，深度學習在圖像和視頻領域發展迅速，文獻[4]中的基于深度學習的圖像檢索，利用多個隱層的深度神經網絡完成學習任務的機器學習方法，能夠解決底層特征和高層語義之間的鴻溝問題，但對于一個給定的深度學習模型，如何有效地學習到多種感知信息是個難題，并且神經網絡的參數設置等影響檢索結果。文獻[5]提出了基于SIFT（scale-invariant feature transform）特征的Bag of Word方法，其中SIFT結構特征提取圖像的特征點及每個特征點對應的特征向量，最后每張圖像得到128×n維的特征向量。由于特征向量維數不同且匹配的計算量十分巨大，檢索效率不高。而且某些圖像特征點數較少，不能很好地表示圖像內容，以及檢索結果受比例閾值等參數影響較大，魯棒性不強。因此本文重點研究基于內容的圖像檢索，以及如何更好地提取圖像視覺特征，其中顏色是圖像中最明顯的視覺特性，廣泛應用于圖像處理。Swain和Ballard[6]提出的基于全局顏色直方圖（color histogram）的方法最先使用顏色進行圖像檢索，它統計圖像中每種顏色出現的概率，具有計算速度快，存儲空間要求低，對旋轉圖像以及平移和尺度有變化的圖像不敏感等優點。然而，該方法由于沒有考慮圖像的空間分布信息，不能有效地描述圖像的紋理特征。Wang等人[7]提出了一種結構元素描述符（structure elements’descriptor，SED）的方法，定義了5種結構單元，最后利用直方圖統計結構單元。該方法雖然考慮了顏色和紋理信息，但其定義的結構元素并不能完整地描述像素間的空間關系。文獻[8]提出了一種基于目標區域的圖像檢索，根據最大類間方差法分割圖片，然后提取目標區域的紋理特征進行圖像檢索。該方法因為忽略了圖片背景區域的影響，所以檢索精確度不高。

針對上述問題，本文提出了一種基于視覺特征的分塊加權圖像檢索方法。首先根據視覺注意機制[9]將圖像分成不均勻的若干塊，設置不同的權值，提取每塊的特征向量。然后在HSV顏色空間使用Sobel算子提取顏色和邊緣信息，計算顏色和邊緣方向的色差直方圖，定義一種顏色方向結構。最后綜合每個分塊的直方圖作為視覺特征向量進行圖像檢索。實驗結果表明本文方法具有較高的檢索精確度。

2 圖像預處理及相關工作

HSV顏色空間具有視覺一致性，更符合人的視覺感知，因此本文采用該顏色空間。現有的圖像采集設備得到的是RGB圖像，圖像處理中使用的其他顏色空間經過RGB顏色模型轉換得到。設(R,G,B)是三維直角坐標系中的紅、綠和藍分量值，取值范圍是0～255之間的整數。(H,S,V)是三維直角坐標系中的色調、飽和度和亮度值，從RGB顏色空間轉換到HSV顏色空間的公式如下：

其中，色調H用角度度量，取值范圍為0°～360°；飽和度S取值范圍為0～1，值越大表示顏色越飽滿；亮度V描述顏色的明暗程度，取值范圍也是0～1。

為了降低圖像處理的計算復雜度以及更好地區分顏色，本文采用文獻[7]的方法將HSV顏色空間量化為72柄（bins），非均勻量化H、S和V分量，H分量分成8份，S和V分量分別分成3份，量化方法如下所示：

然后將這3個顏色分量合成為一維特征矢量即：

式中，Qs和Qv分別是S和V分量的量化級數，Qs=3，Qv=3即P=9H+3V+S。根據上式P的取值范圍為[0,1,…,71]，最后P得到一個72柄的一維直方圖。

邊緣方向是圖片感知的一個重要因素，圖片的方向表示對象區域的邊界和紋理結構。因此邊緣方向檢測在計算機視覺和圖像處理等應用中起著重要作用。目前有很多邊緣檢測方法，例如Sobel算子、Robert算子和Canny算子[10-11]等。其中Sobel算子具有提取邊緣精細，抗噪能力強等優點，是一種簡單有效的邊緣檢測算法，因此本文采用Sobel算子進行邊緣檢測。由于這些算子都是在灰度層處理圖片，如果將彩色圖片轉換為灰度圖片進行邊緣檢測，會丟失彩色信息。因此本文將柱面坐標系的HSV顏色空間轉換到笛卡爾坐標系的HSV顏色空間，然后進行邊緣檢測，計算向量之間的角度。定義(H,S,V)是柱面坐標系的點，(H′,S′,V′)是笛卡爾坐標系的點，轉換公式如下：

定義水平方向和垂直方向的梯度為：a(Hx′,Sx′,Vx′)和b(Hy′,Sy′,Vy′)向量，Hx′表示H′分量的水平方向梯度，Hy′表示H′分量的垂直方向梯度，依次類推。因此向量a和向量b的點積定義為：

式中，θ表示邊緣方向，即向量a和向量b之間的夾角。為了降低特征向量維數和減少計算復雜度，需要對邊緣方向進行合理量化。本文采用等間隔量化方法，將其量化成6、12和30份3種情況，然后根據反復實驗比較每種量化組合的檢索效果，以得到最好的量化組合。

3 基于視覺特征的分塊加權圖像檢索

3.1 新的分塊及權值設置

圖像處理中傳統的分塊是將圖片均勻分成若干份，但是這樣并不符合人眼視覺注意機制，因此本文提出了一種新的分塊方法，如圖1所示。一般人第一眼看圖片都會集中在中間區域，然后是離中間區域比較近的區域，最后可能考慮到拐角區域，本文根據此想法首先將圖片均勻分成16塊，然后根據視覺注意機制劃分成3個區域A、B、C，如圖1所示。

Fig.1 Blocking method圖1 分塊方法

根據視覺注意機制，對每個區域賦予不同的權值，權值設置的方法如圖2所示。將一個2×2的子塊從左往右，從上往下依次掃描4×4網格，統計每個像素被掃描到的次數，可以得出區域C的每個像素被掃描4次，區域B的每個像素被掃描2次，區域A的每個像素被掃描1次，因此區域C的權值wC=4/(1+2+4)，區域B的權值wB=2/(1+2+4)，區域A的權值wA=1/(1+2+4)。

Fig.2 Setting weight圖2 權值設置

3.2 新的特征表示方法顏色和邊緣方向與人的視覺感知密切相關，如何利用它們表示圖像的顏色及空間分布信息是關鍵問題。本文提出了在HSV顏色空間計算色差來表示圖像顏色之間的關系，數學表達式如下：

式中，ΔH、ΔS、ΔV分別表示HSV顏色空間兩個像素點在H、S、V分量上的色差；C(x,y)表示點(x,y)顏色值；θ(x,y)表示點(x,y)的角度值；?1和?2表示兩個鄰近像素點的角度值；l1和l2表示兩個鄰近像素點的顏色值。計算距離為1的兩個像素點之間的色差直方圖，最后連接Hcolor(C(x,y))和Hori(θ(x,y))得到表示顏色特征的色差直方圖。然后在邊緣方向圖中提取紋理結構特征，如圖3所示。在3×3的邊緣方向圖中，如果中間像素點的方向值與周圍鄰近的8個像素點方向值相等，則該像素賦值為1，否則為空。如果周圍鄰近的8個像素點沒有和中間像素點方向值相等的點，則全部賦值為空，公式如下：

Fig.3 Structure map圖3 結構圖

式中，θ(x,y)表示3×3塊中邊緣像素點的角度值；θ(xc,yc)表示3×3塊中心像素點的角度值，距離為1。

對于大小為M×N的邊緣方向圖，分別從(1，1)，(1，2)，(2，1)，(2，2)點開始，依次從左往右，從上往下以步長為3掃描，得到4個結構圖M1(x,y)，M2(x,y)，M3(x,y)，M4(x,y)，然后根據式（16）合并4個結構圖得到最后的紋理結構，如圖4所示。

Fig.4 Orientation structure map圖4 方向結構圖

得到方向結構圖后，將其與顏色圖相交，得到顏色方向結構圖，公式如下：

?表示一種相乘操作符，定義如下所示：

式中，OriMap(x,y)表示方向結構圖；C(x,y)表示顏色圖；Hyb(x,y)即得到的紋理結構圖，如圖5所示。

Fig.5 Texture structure map圖5 紋理結構圖

得到紋理結構圖后，利用式（18）進行特征表示。

式中，g(xi,yi)表示邊緣像素點的值；g(xc,yc)表示中心像素點的值；表示中心像素和鄰近像素的距離，實驗中取值為1。N表示值v0和vi相等的情況；表示值為v0時的情況總數；H(v0)得到一個72柄的特征矢量來表示圖像的顏色以及顏色空間分布信息。最后連接3個分塊的顏色特征和紋理特征得到圖像的特征向量，如下所示：

式中，wA、wB和wC是3個分塊的權值，而且wA+wB+wC=1；HA、HB和HC表示3個分塊的特征向量。

4 實驗結果及分析

實驗在Matlab R2011b，MyEclipse 8.6和MySQL搭建的平臺上進行，計算機系統配置如下：CPU為Intel?Corel i3-3240；主頻為3.40 GHz；內存為4 GB；操作系統為Microsoft Windows 7。實驗采用Corel標準圖像庫，第一個圖像庫Corel-1000包括非洲土著、海灘、建筑、大巴、恐龍、大象、花卉、馬、山和食物10類圖片，每類數目為100張，一共1 000幅RGB彩色圖像。圖片大小均256×384像素和384×256像素，JPG格式。第二個圖像庫Corel-5000包含日落、汽車、老虎等50類彩色圖像，每類數目為100張，一共5 000幅RGB彩色圖像，圖片大小為192×128像素和128×192像素，JPEG格式。

本文采用精確度（precision）和召回率（recall）作為圖像檢索的評價指標。精確度指檢索到的相似圖片數目M與當前檢索到的圖片總數目N之比。召回率指檢索到的相似圖片數目M與數據庫中所有和檢索圖片相似的圖片總數目S之比，計算公式如下：

本文實驗取N=10，S=100，從Corel標準圖像庫中隨機抽取10張圖片作為查詢圖片，因此Corel-1000庫中共100次檢索，Corel-5000庫中共500次檢索，計算每張圖像在Recall=[0，1]之間對應的精確度，再分別統計100次檢索的平均精確度和500次檢索的平均精確度作為評價該方法的指標。

不同的顏色量化和邊緣方向角度量化導致檢索結果不同，本文通過反復實驗法對不同的量化組合進行統計分析，實驗結果如表1所示。

Table 1 Mean precision of quantitative combination on Corel-1000 dataset表1 不同量化方法的平均精確度（Corel-1000）%

從表1可知，邊緣方向量化成72柄的檢索精確度比36和128柄高，當邊緣方向量化取72柄，顏色量化分別為12柄時，檢索精確度達到65.50%。因此該方法選取顏色和邊緣方向分別量化成12和72柄，得到的顏色特征向量為84柄。

圖像檢索中常用的相似度度量方法有曼哈頓距離、歐氏距離和余弦相似度等，本文采用文獻[12]中的d1距離計算兩幅圖像的相似度，兩幅圖像相似即兩個特征向量相似。假設查詢圖像的特征向量為Q={q1,q2,…,qi}，圖片庫中圖像特征向量為T={t1,t2,…,ti},則d1距離公式表示如下：

式中，M是特征向量的維數。分別對這4種相似度度量在兩個圖像庫中進行了對比分析，實驗結果如圖6和圖7所示。

Fig.6 Mean precision-recall pair comparison of 4 similarity metrics on Corel-1000 dataset圖6 4種相似度度量的平均精確度-召回率對比（Corel-1000）

Fig.7 Mean precision-recall pair comparison of 4 similarity metrics on Corel-5000 dataset圖7 4種相似度度量的平均精確度-召回率對比（Corel-5000）

從圖6和圖7可知，本文方法用歐氏距離和余弦相似度度量得到的檢索精確度不是很高，而且需要進行平方或者平方根運算，計算復雜，不適用于大型圖像庫；用d1距離和曼哈頓距離度量得到的檢索結果較好。通過實驗分析，d1距離和曼哈頓距離檢索的時間差不多，前者比后者的檢索精確度稍微高一點，因此本文采用d1距離進行圖像的相似度度量。

為了驗證本文方法的有效性，將本文方法和SED[7]、MSD（micro-structure descriptor）[13]、MTH（multi-texton histogram）[14]、HID（hybrid information descriptor）[15]、SIFT[16]5種方法在兩個圖片庫上進行對比實驗，得到的召回率-精確度曲線如圖8和圖9所示。

從圖8可知，當召回率為0.1時，SED、MSD、MTH、HID、SIFT的平均精確度分別是77.43%、82.90%、77.74%、83.35%、75.50%，而本文方法的平均精確度達到94.84%，比另外5種方法精確度高出大約10%。當召回率為1.0時，本文方法的平均精確度也高出大約10%。由于SIFT結構特征得到的特征向量維數不同，進行匹配的計算量十分巨大，因此在Corel-5000庫中和另外4種方法進行對比。同理分析圖9，本文方法具有較高的檢索精確度。進一步分析本文方法是否對各種圖像都有較好的檢索結果，統計Corel-1000庫中每類圖像的平均檢索精確度，如表2所示。

Fig.8 Precision-recall pair comparison of 6 retrieval methods on Corel-1000 dataset圖8 6種檢索方法的平均精確度-召回率對比（Corel-1000）

Fig.9 Precision-recall pair comparison of the five retrieval methods on Corel-5000 dataset圖9 5種檢索方法的平均精確度-召回率對比（Corel-5000）

從表2可知，本文方法針對大部分類得到的平均精確度為65.54%，召回率為6.55%，優于其他5種檢索方法的檢索結果，尤其恐龍的精確度接近100%。而且針對紋理結構復雜的圖像，檢索結果也較好，例如非洲土著和食物這兩類的平均精確度分別達到71.44%和54.74%。實驗數據表明，基于視覺特征的分塊加權圖像檢索方法具有較高的檢索精確度。其中SIFT結構特征提取圖像的特征點及每個特征點對應的特征向量，由于某些圖像得到特征點數較少，不能很好地表示圖像內容，以及檢索結果受比例閾值等參數影響較大，魯棒性不強，檢索效率不高。而本文方法根據視覺注意機制對圖像進行分塊，使用HSV顏色空間和Sobel算子提取顏色和邊緣信息，不僅考慮了顏色差異，同時考慮了顏色空間分布特征，具有較好的檢索效果。同時通過實驗統計了6種不同圖像檢索方法的檢索時間，求每幅圖像的平均檢索時間，結果如表3所示。

Table 2 Average retrieval precision on Corel-1000 dataset表2 Corel-1000中每類圖像平均精確度 %

Table 3 Retrieval time of 6 methods on Corel-1000 dataset表3 6種方法的檢索時間（Corel-1000）

從表3可知，本文方法的檢索時間比MTH稍微長一點，但是比其他5種檢索方法要短。因為本文研究基于分塊的圖像檢索方法，其中使用HSV顏色空間和Sobel算子來提取顏色和邊緣特征，從而構造出直方圖作為視覺特征向量進行檢索，直方圖計算速度快，對存儲空間要求不高；而且計算相似度時選用d1距離不需要進行平方或者平方根運算，計算簡單、快速。其中基于SIFT結構特征的圖像檢索方法時間比較長，因為SIFT首先提取每張圖像的特征點及每個特征點對應的特征向量，每張圖像得到128×n維的特征向量，再進行特征點的匹配，由于每張圖像的特征向量維數不同且匹配的計算量十分巨大，檢索效率不高。并且某些圖像特征點數較少，不能很好地表示圖像內容，以及檢索結果受比例閾值等參數影響較大，魯棒性不強。

為了更直觀反映檢索效果，從Corel-1000圖像庫中隨機抽取3幅圖像進行檢索，并根據相似度由高到低的順序進行顯示，檢索結果如圖10～圖12所示。

從圖10～圖12可知，從第1幅到第12幅圖像為與查詢圖像最為接近的12幅圖像，從檢索結果可以看出所檢索到的圖像與查詢圖像均屬于同一類，具有良好的檢索效果。

Fig.10 Image retrieval for bus圖10 大巴的檢索結果

5 結束語

本文提出了一種新的分塊加權圖像檢索方法，根據視覺注意機制將圖像分成不均勻的若干塊并設置不同的權值。本文方法綜合了顏色和紋理特征，即顏色特征提取采用色差直方圖表示顏色的差異及空間分布信息，紋理特征的提取采用Sobel邊緣檢測算子結合顏色和方向提出一種紋理結構。最后綜合每個塊的視覺特征作為圖像的特征向量進行圖像檢索，實驗結果表明本文方法具有較高的檢索精確度。

Fig.11 Image retrieval for dinosaur圖11 恐龍的檢索結果

Fig.12 Image retrieval for horse圖12 馬的檢索結果

[1]Gudivada V N,Raghavan V V.Content based image retrieval systems[J].Computer,1995,28(9):18-22.

[2]An Zhiyong,Zhao Feng,Du Ping,et al.Image retrieval based on the color-spatial distribution feature of generalized images[C]//Proceedings of the 2nd International Workshop on Education Technology and Computer Science,Wuhan,China,Mar 6-7,2010.Piscataway,USA:IEEE,2010: 185-188.

[3]Dong Weijun,Zhou Mingquan,Geng Guohua.Image retrieval technique based on combined features[J].Computer Applications and Software,2006,22(11):34-35.

[4]Wan Ji,Wang Dayong,Hoi S C H,et al.Deep learning for content-based image retrieval:a comprehensive study[C]// Proceedings of the 22nd ACM International Conference onMultimedia,Orlando,USA,Nov 3-7,2014.New York:ACM, 2014:157-166.

[5]Xia Rongkai,Pan Yan,Lai Hanjiang,et al.Supervised hashing for image retrieval via image representation learning[C]// Proceedings of the 28th AAAI Conference on Artificial Intelligence,Singapore,Jul 27-31,2014.Menlo Park,USA: AAAI,2014:2156-2162.

[6]Swain M J,Ballard D H.Color indexing[J].International Journal of Computer Vision,1991,7(1):11-32.

[7]Wang Xingyuan,Wang Zongyu.A novel method for image retrieval based on structure elements’descriptor[J].Journal of Visual Communication and Image Representation,2013, 24(1):63-74.

[8]Wang Hua,Dai Fang,Zhang Li,et al.An image retrieval method based on texture features of object region[C]//Proceedings of the 2011 International Conference on Electronics and Optoelectronics,Dalian,China,Jul 29-31,2011.Piscataway,USA:IEEE,2011:83-86.

[9]Zhang Jing,Shen Lansun,Gao Jingjing.Regions of interest detection based on visual attention mechanism[J].Acta Photonica Sinica,2009,38(6):1561-1565.

[10]Thepade S D,Shinde Y D.Improvisation of content based image retrieval using color edge detection with various gradient filters and slope magnitude method[C]//Proceedings of the 2015 International Conference on Computing Communication Control and Automation,Feb 26-27,2015.Piscataway,USA:IEEE,2015:625-628.

[11]Wang Guan,Ding Youdong,Wei Xiaocheng.Cultural relic image retrieval based on improved sobel operator[J].Computer Technology and Development,2011,21(10):51-54.

[12]Murala S,Maheshwari R P,Balasubramanian R.Directional local extrema patterns:a new descriptor for content based image retrieval[J].International Journal of Multimedia Information Retrieval,2012,1(3):191-203.

[13]Liu Guanghai,Li Zuoyong,Zhang Lei,et al.Image retrieval based on micro-structure descriptor[J].Pattern Recognition, 2011,44(9):2123-2133.

[14]Liu Guanghai,Zhang Lei,Hou Yingkun,et al.Image retrieval based on multi-texton histogram[J].Pattern Recognition, 2010,43(7):2380-2389.

[15]Zhang Ming,Zhang Ke,Feng Qinghe,et al.A novel image retrieval method based on hybrid information descriptors [J].Journal of Visual Communication and Image Representation,2014,25(7):1574-1587.

[16]Yu Lili,Dai Qing.Improved SIFT feature matching algorithm [J].Computer Engineering,2011,37(2):210-212.

附中文參考文獻：

[3]董衛軍,周明全,耿國華.基于綜合特征圖像檢索技術研究[J].計算機應用與軟件,2006,22(11):34-35.

[9]張菁,沈蘭蓀,高靜靜.基于視覺注意機制的感興趣區檢測[J].光子學報,2009,38(6):1561-1565.

[11]王冠,丁友東,魏小成.基于改進Sobel算子的文物圖像檢索[J].計算機技術與發展,2011,21(10):51-54.

[16]于麗莉,戴青.一種改進的SIFT特征匹配算法[J].計算機工程,2011,37(2):210-212.

ZHANG Yubing was born in 1989.She is an M.S.candidate at School of Internet of Things Engineering,Jiangnan University,and the member of CCF.Her research interests include pattern recognition,image retrieval and data mining,etc.

張玉兵（1989—），女，安徽池州人，江南大學物聯網工程學院碩士研究生，CCF會員，主要研究領域為模式識別，圖像檢索，數據挖掘等。

SONG Wei was born in 1981.He received the Ph.D.degree in computer science from Chonbuk National University in Korea in 2009.Now he is an associate professor at School of Internet of Things Engineering,Jiangnan University, and the member of CCF.His research interests include pattern recognition,information retrieval,evolutionary computing,neural networks,image processing,data mining and knowledge discovery,etc.

宋威（1981—），男，湖北恩施人，2009年于韓國全北國立大學獲得博士學位，現為江南大學物聯網工程學院副教授，CCF會員，主要研究領域為模式識別，信息檢索，演化計算，神經網絡，圖像處理，數據挖掘，知識發現等。

Block Weighted Image Retrieval Method Based on Visual Features*

ZHANG Yubing1,2+,SONG Wei1,2
1.School of Internet of Things Engineering,Jiangnan University,Wuxi,Jiangsu 214122,China
2.Engineering Research Center of Internet of Things Technology Applications,Ministry of Education,Wuxi,Jiangsu 214122,China
+Corresponding author:E-mail:zhangyubingxx@163.com

In the view of image retrieval,this paper proposes a new block weighted image retrieval method based on visual features.According to visual attention mechanism,this paper divides the image into several non-uniform blocks, and sets different weights to extract visual features of each block.Firstly,Sobel operator is used to obtain the edge of the image to calculate the color difference histogram of color and edge orientation.Meanwhile,this paper defines a structure which combines color and edge orientation and uses histogram to represent it.Moreover,the histogram of each block is connected to generate the feature vector of an image for retrieval.This paper carries out the experiments on benchmark Corel image database,and the extensive experiments demonstrate that the proposed method achieves better retrieval performance in comparison with state of the art image retrieval algorithms.

image retrieval;block weighted;visual attention mechanism;Sobel operator;color difference histogram

10.3778/j.issn.1673-9418.1511029

A

：TP391.4

*The Fundamental Research Funds for the Central Universities of China under Grant No.JUSRP51510(中央高校基本科研業務費專項資金);the Project of Engineering Research Center of Internet of Things TechnologyApplications,Ministry of Education(物聯網技術應用教育部工程研究中心項目).

Received 2015-11,Accepted 2016-03.

CNKI網絡優先出版:2016-03-07,http://www.cnki.net/kcms/detail/11.5602.TP.20160307.1710.014.html

ZHANG Yubing,SONG Wei.Block weighted image retrieval method based on visual features.Journal of Frontiers of Computer Science and Technology,2017,11(3)：468-477.

摘 要：對圖像檢索進行了研究，提出了一種新的分塊加權圖像檢索方法。根據視覺注意機制將圖像分成不均勻的若干塊以及設置不同的權值，提取每塊的視覺特征。首先在HSV顏色空間利用Sobel算子得到圖像的邊緣信息，計算顏色和邊緣方向的色差直方圖，同時定義一種結合顏色和邊緣方向的結構來獲取圖像的紋理信息，并用直方圖表示；然后連接每個塊的直方圖作為圖像的特征向量進行圖像檢索。實驗選取Corel標準圖像庫進行檢索以及和另外5種圖像檢索方法進行對比分析，實驗結果表明該方法具有較高的檢索精確度。