基于遺傳算法的圖像多特征權重自動賦值方法

張曉麗 肖滿生 葉紫璇

摘 ?要：在圖像檢索中，如何有效提取圖像特征是基于內容的圖像檢索中的一個難點。針對該難題，提出了一種基于遺傳算法的圖像多特征權重自動賦值方法。首先使用灰色直方圖提取顏色特征并利用樹形小波提取紋理特征，然后利用遺傳算法的全局最優解搜索功能自動確定各特征的權重。實驗結果分析表明：在灰度圖像的相似性檢索中，基于遺傳算法的多特征權重自動賦值方法與其他方法相比，平均查全率增加將近8%，平均查準率增加將近9%，說明該方法有較高的檢索精確度。

關鍵詞：樹型小波;特征融合;遺傳算法;圖像檢索

中圖分類號：TP391 ? ? 文獻標識碼：A

Abstract：In image retrieval，how to effectively extract image features is a difficult point in content-based image retrieval.Aiming at this problem，the paper proposes an automatic multi-feature weight assignment method based on genetic algorithm.First，the method uses gray histogram to extract color features and uses tree wavelet to extract texture features.Then the genetic algorithm's global optimal solution search function is used to automatically determine the weight of each feature.The experimental results show that in the similarity search of gray image，the multi-feature weight automatic assignment method based on genetic algorithm has increased the recall rate by 8% and increased the precision rate by 9%，compared with other methods，which proves the high retrieval accuracy of this method.

Keywords：tree wavelet;feature fusion;genetic algorithm;image retrieval

1 ? 引言（Introduction）

圖像檢索通常包含基于標注的圖像檢索（ABIR）和基于內容的圖像檢索（CBIR）[1]。ABIR必須主觀地標記或注釋，不僅耗時，而且一些圖像難以用簡單的關鍵詞準確地標記和描述，因此它們的應用受到限制[2]。根據圖像的紋理，灰度或顏色特征檢索CBIR，其檢索效率高于ABIR。近年來，它一直受到學者們的青睞。已經提出了許多關于CBIR[3-5]的具體算法。在CBIR方法的研究中，目前基于顏色和紋理特征的圖像分析和識別方法在醫療學科的圖像中具有重要的應用。國內外許多專家學者在此基礎上提出了許多圖像分析和識別方法[1，4]，如張永庫[6]等提出了基于底層特征綜合分析的檢索算法，該方法的準確度較高，檢索速度較快，但針對不同特征的權重值分配存在著局限性;B.G.Prasad等[7]提出了一種通過區域匹配來檢索圖像的技術，該技術基于MPEG-7框架內的顏色、形狀和所在位置的組合特征，使用集成的顏色、形狀和位置特征對每個圖像內的主要區域進行索引，每個特征的權值是通過手動進行設置，在檢索圖像時有很大的主觀性;YoungDeokChun等[8]在基于內容的圖像檢索方法中，使用多分辨率顏色和紋理特征組合來進行有效地檢索圖像，該方法的檢索速度快，但選取合適的特征權值需要大量時間。上述圖像檢索方法雖然在檢索精度和性能上得到了很好的發展，但是在多特征融合過程中其特征權重的確定是通過手動的方式完成，并不能自適應地選擇權重，具有很大的主觀隨意性，因而檢索精度不高。基于此，本文對手工給定權重的方式進行改進，提出了基于遺傳算法的圖像多特征融合權重自動賦值的方法，并通過實驗驗證其有效性。

2 ? 圖像特征提取（Image feature extraction）

2.1 ? 顏色空間的選擇和顏色特征提取

（1）色彩空間選擇及顏色量化

通過構建顏色模型來恰當地運用于顏色。HSV顏色空間是一種以視覺感知為中心的顏色模型，其中H是色調的顏色，即光的顏色;S是飽和度，即顏色度，它與某種色調的純度有關;V表示亮度，其是指人眼感知光的亮度和暗度。色調，飽和度和亮度可以用三維主軸表示，如圖1所示。

該圖的垂直軸表示黑白部分的亮度變化，圓周上的點表示相異的色調，并且從圓周到圓心的過渡表示飽和度漸漸減小。HSV空間具備兩個性質：一是亮度分量與圖像的色彩信息無關;二是色調和飽和度成分與人們對顏色的感受密切相關。這些性質使HSV色彩空間成為通過使用人類視覺系統感知色彩特征的理想選擇。在確定顏色的空間模型之后，顏色需要進行量化。由于人眼與某些顏色的細微差別難以區分，因此細微的顏色可被視為一種顏色，將顏色空間分成幾個小的顏色間隔。為了減小計算量，HSV空間根據人的顏色的感知而不均等地量化。通過分析發現，人眼對色調和飽和度不敏感是因為低飽和度和亮度非常高或低。對色調和飽合度和度，人類視覺系統對色調更敏感，因此采取以下定量策略：首先，根據人眼的分辨能力，將色彩空間分為16個部分，將飽和度和亮度分為四個部分;其次，物體的色彩與光的波長和頻率相關，據波長和頻率的差異，色調不是等間隔的，飽和度和亮度的非等間隔量化基于不相同的顏色范疇和人類視覺感知，量化公式如下：

（2）顏色特征提取

顏色直方圖用于計算特定顏色空間中圖像的各種顏色出現的頻率，一般的顏色直方圖方法不考慮每個像素顏色的空間位置分布信息，只在整個圖像上匯總顏色分布信息，圖像通常被分成3×3塊能夠獲得顏色像素點的空間分布信息。位于圖像的中間部分是圖像的主要內容，且占有較小區域的是周圍的背景部分，因此這類均勻分割的方法并未突出顯示圖像中間的主體部分，在內部，它會損害其完整性，并且更有可能包含一些不重要的對象的顏色信息。分析了全局直方圖和分塊直方圖的優缺點后，本文提出了一種新的檢索方法，即對每個子塊設置加權值，并且關鍵區域和中間部分的圖像設置為具有大權重且面積大，具體方法如下：

（1）與人眼視覺的特點相結合，把實例圖像M平均分成16個單元，如圖2所示。

（2）圖像的四角區域占的面積小，主體在中間部分，在設置區間權重時把中間部分的權重值設為較大使其面積大，使其為9塊，從而檢索精度和排序效果得到明顯的提高，如下為設置各區間和權重：

（3）對每一個區間實行直方圖提取，與該區間的權重相結合，取得整個圖像的顏色特征向量，并以9*256的直方圖矩陣的形式保存。

2.2 ? 小波變換分析與紋理特征提取

（1）小波變換分析

傳統的小波變換采用的是一種塔形的信號分解方式，如圖3所示，圖中、、代表不同層的低頻信息，、代表不同層的高頻信息。也就是說，信號在低頻信道上連續分解。

樹型小波變換是由Tianhomg Chang等人提出的，樹小波變換可分兩種類型：完全樹型小波變換和不完全樹型小波變換。當每層被分解時，不完全樹型小波變換在每個頻道中不被分解，而是選擇性地分解。圖4顯示了變換分解過程的示意圖。在一階段小波變換后，四個子圖像（四個節點）是由原始圖像轉換得來，并進行小波變換在每個子圖像（節點）上獲得四個子圖像（四個子節點）。這樣重復，由于這類分解形式類似于四叉樹，因此被稱為樹型小波變換，圖中的LL代表圖像分解后的低頻分量，LG、GL、GG代表三個不同方向高頻量。

（2）紋理特征提取

3 ?基于遺傳算法圖像灰度、紋理特征權重值自適應獲取（Adaptive acquisition of image grayscale and texture feature weights based on genetic algorithm）

3.1 ? 自適應遺傳算法

遺傳算法是一種通用的全局搜索算法，它模仿生物進化過程，以找到最佳的問題解決方案。通過個體在問題域的適應度選取子類中個體，并在每一代用于從自然遺傳學中的算子生成新一代個體的過程。該算法從初始種群開始，對每個個體的適應度函數進行評價，在所有個體中，有兩個個體具有最高的適應值是從群體中選出的，這兩個個體被稱為父母，并使用交叉和變異算子，形成新個體。因此，一個群體的解決方案被采用并用于形成新的一代群體，一直重復直到滿足一些條件。

特征融合算法在傳統上需要手動調整檢索系統中特征權重的值，多次反饋才能找到最佳權重值[8]，為了使檢索圖像的精度更準確，本文引入遺傳算法來獲得權重的最優解，并自動分配各個特征的權重值。即首先從圖像中提取顏色和紋理特征，利用HSV顏色空間提取顏色特征，即圖像的色調直方圖和值通道，然后提取紋理特征，如能量。

通過上述實驗，在四類圖像的檢索中，分別比較了基于固定權重的多特征融合圖像檢索和基于自動賦值多特征融合圖像檢索，得到了不同的檢索結果：（a）、（b）、（c）和（d）中的建筑物、非洲人、巴士和鮮花，基于自動賦值方法檢索的比基于固定權重的圖像檢索更好。實驗證明，本文提出的自動分配權重值方法可以根據用戶提交的不同圖像自動設置圖像特征的最佳權重。根據對比實驗，本文提出的方法基本上可以達到適合權重輸出的理想檢索結果。

4.2 ? 實驗數據對比

本文設計的圖像檢索系統使用了實驗測試庫中的四種類型的圖像進行了實驗。通過查準率、查全率和檢索效率對實驗結果進行了分析和評價。本文中的平均查準率（AP）和平均查全率（AR）是每類圖像的查準率和查全率的平均值。表1顯示了不同類型圖像檢索的平均查準率和平均查全率。

從表1可以看出，兩種方法中基于遺傳算法的自動賦值的圖像檢索方法獲得的四種圖像的平均查準率（AP）和平均查全率（AR）幾乎都大于基于固定權重的圖像檢索方法的值。本文提出的基于遺傳算法的圖像多特征權重自動分配方法在圖像內容匹配檢索中具有較好的性能。同樣，兩種方法執行檢索時間中基于遺傳算法的運行時間略短于基于固定權重的運行時間，但差異不大，因此運行時間效率沒有單獨列出做討論。

5 ? 結論（Conclusion）

通過分析基于內容的圖像檢索技術，提出了一種基于遺傳算法的圖像多特征權重自動賦值的方法，通過上述實驗，驗證了該方法的有效性。基于自動權重分配遺傳算法的圖像檢索優于基于固定權重的圖像檢索。具有自動權重分配的圖像檢索系統可以根據用戶提交的待檢測圖像自動設置圖像特征的最佳權重。基于固定權重的圖像檢索需要多次反饋才能找到最佳權重。基于遺傳算法的圖像多特征權重自動分配圖像檢索系統可以在一定程度上實現檢索效果，但仍存在許多不足之處，還有很多地方需要進一步改進。檢索系統僅使用顏色和紋理。結合基礎物理特征進行檢索。精度高或低，無法達到很好的檢索效果。因此，系統需要結合形狀基本特征或應用圖像的高級語義特征，以提高檢索效率。

參考文獻（References）

[1] Van Hieu，V.，Huy，et al.A novel method normalized data and refine weights for combination features in content-based image retrieval[J].Vietnam.RD-ICT J.Res.Dev.Appl.Inf.Commun.Technol，2016，1（35）：63-75.

[2] ZHOU Zhengzhong，ZHANG Liqing.Content-based image retrieval using iterative search[J].Neural Processing Letters，2018，47（3）：907-919.

[3] Douik，A.，M.Abdellaoui，L.Kabbai.Content based image retrieval using local and global features descriptor[C].Advanced Technologies for Signal and Image Processing （ATSIP），2016.

[4] NISHANT S，VIPIN T.Content based image retrieval based on relative locations of multiple regions of interest using selective regions matching[J].Information Sciences，2014.259：212-224.

[5] SUDHIR，BABOO LDSS.An efficient CBIR technique with YUV color space and texture features[J].Computer Engineering and Intelligent Systems，2011，2（6）：778-785.

[6] 張永庫，李云峰，孫勁光，等.基于多特征融合的圖像檢索[J].計算機應用，2015，35（2）：495-498.

[7] B.G.Prasad，K.K.Biswas，S.K.Gupta.Region-based image retrieval using integrated color，shape，and location index[J].Computer Vision and Image Understanding，2004（94）：193-233.

[8] Young Deok Chun，Nam Chul Kim，Ick Hoon Jang.Content-Based Image Retrieval Using Multiresolution Color and Texture Features[J].IEEE Transaction on Multimedia，2008，10：1073-1084.

作者簡介：

張曉麗（1994-），女，碩士生.研究領域：數字圖像處理.

肖滿生（1968-），男，碩士，教授.研究領域：智能信息處理及智能計算.本文通訊作者.

葉紫璇（1996-），女，碩士生.研究領域：數字圖像處理.