基于多特征融合的面料圖像檢索系統(tǒng)?

計(jì)蘊(yùn)容周韋潤(rùn)

（1.江蘇科技大學(xué)計(jì)算機(jī)學(xué)院 鎮(zhèn)江212003）（2.江蘇句容抽水蓄能有限公司 鎮(zhèn)江212400）

1 引言

面料是與我們生活聯(lián)系非常緊密的一種日用品原材料。使用面料制作成的商品有很多，比如衣服、圍巾、包等。商品制造廠商需要先采購(gòu)滿足客戶需求的面料，再加工成商品。而紡織面料的種類多種多樣，采用人工對(duì)比方式采購(gòu)不僅勞動(dòng)強(qiáng)度大而且可靠性低，容易造成采購(gòu)的面料與制造廠商實(shí)際需要的面料不匹配。因此，建立一個(gè)有效檢索面料的系統(tǒng)就很有必要。

近年來(lái)，基于內(nèi)容的圖像檢索方法［1］已經(jīng)應(yīng)用于織物檢索領(lǐng)域。圖像檢索方法三個(gè)重要指標(biāo)是準(zhǔn)確率、可靠性和檢索速度。準(zhǔn)確率關(guān)系檢測(cè)的結(jié)果是否準(zhǔn)確，可靠性關(guān)系檢測(cè)的方法是否實(shí)用，檢索速度關(guān)系檢測(cè)過(guò)程效率的高低。然而，大部分情況下，這幾個(gè)指標(biāo)之間相互制約，很難同時(shí)兼顧。為了彌補(bǔ)傳統(tǒng)圖像檢索方法的單一特征造成的不便，本文提出了一種多特征融合的檢索方法，分析并融合面料圖像的顏色特征、形狀特征和紋理特征，進(jìn)行檢索。此外，對(duì)于各特征所占比重，可以根據(jù)不同的特征設(shè)置不同的值，整體權(quán)重為1。

2 特征提取

2.1 顏色特征的提取

顏色是圖像中重要的屬性之一，也是描述圖像內(nèi)容最直接的一種視覺(jué)特性。常用的顏色特征表

示方法包括顏色直方圖［2］、顏色集［3］、顏色矩［4］等。顏色直方圖可以簡(jiǎn)單地描述圖像中顏色的全局分布，即整個(gè)圖像中不同顏色的比例，其通用性較強(qiáng)，被廣泛使用。但是，這種方法也有缺點(diǎn)。由于顏色直方圖是全局顏色統(tǒng)計(jì)的結(jié)果，丟失了像素點(diǎn)間的位置特征，從而各種顏色的局部分布及空間位置就無(wú)法明確。針對(duì)這一缺點(diǎn)，本文采用HSV空間中的顏色矩表示顏色特征。

顏色矩是Stricker和Orengo在2002年提出的描述顏色分布的方法，這種方法建立在線性代數(shù)中矩的概念上，用矩來(lái)表示圖像的顏色分布。分別為顏色一階矩（mean）、顏色二階矩（variance）和顏色三階矩（skewness）。三個(gè)顏色矩的數(shù)學(xué)定義分別如下：

式中：pij為第j個(gè)像素的第i個(gè)分量；N為像素總數(shù)。一階矩計(jì)算平均值，反映圖像的亮度；二階矩計(jì)算方差，反映圖像的顏色分布范圍；三階矩計(jì)算斜度，反映圖像的顏色分布對(duì)稱性。

HSV顏色空間有三個(gè)屬性，色彩（Hue）、飽和度（Saturation）和亮度（Value）。人眼的色彩感知主要包括色調(diào)、飽和度和亮度，這與HSV色彩空間的三個(gè)屬性相匹配，因此，本文選用HSV色彩空間進(jìn)行顏色特征提取，其模型如圖1。

圖1 HSV顏色空間模型

在該空間中，分別獲取了圖像H通道、S通道和V通道三個(gè)圖像的顏色矩特征參數(shù)。如果用M，N表示兩幅圖像，那么它們矩的距離公式表示為

式中，ωij≥0（1≤i，j≤3）是指定的加權(quán)系數(shù)，但ωi1、ωi2、ωi3的累積和必須為1。提取到待匹配圖與數(shù)據(jù)庫(kù)中圖像的顏色矩后，通過(guò)曼哈頓距離［5］進(jìn)行相似性度量。

2.2 形狀特征的提取

形狀特征是描述高層視覺(jué)特征的重要手段。對(duì)形狀特征的提取主要是尋找一些幾何不變量，即對(duì)圖像中感興趣目標(biāo)的分割。形狀特征提取流程圖如圖2。

圖2 形狀特征提取流程圖

在本文中，形狀不變矩用來(lái)描述圖像的形狀特征。由于Hu不變矩［6~7］在表征圖像形狀時(shí)具有空間幾何不變性，如旋轉(zhuǎn)、平移、縮放時(shí)，不隨圖像的位置、大小和方向而變化，因此該方法在提取圖像中的形態(tài)方面非常有效。

在連續(xù)的情況下，圖像函數(shù)為f（x，y），那么圖像的（p+q）階的矩定義為（p+q）階中心矩定義為

（p+q）階歸一化的中心矩定義為

其中：

7個(gè)不變矩組為

根據(jù)上述式（9）可以計(jì)算圖像的7個(gè)不變矩陣，提取圖片的Hu不變矩特征后，再通過(guò)歐式距離［8］進(jìn)行相似性度量。

歐氏距離（Euclid Distance）是一個(gè)常用的距離定義，也把它稱為歐幾里得度量或歐幾里得距離。它是m維空間中兩點(diǎn)之間的真實(shí)距離。二維空間中的歐幾里得距離就是兩個(gè)點(diǎn)之間的線性距離。

二維空間歐氏距離公式表示為

三維空間的歐氏距離公式表示為

n維歐氏空間是一個(gè)點(diǎn)集，它的每個(gè)點(diǎn)x可以表示為（x（1），x（2），…，x（n）），其中x（i）（i=1，2，…，n）是實(shí)數(shù)，稱為x的第i個(gè)坐標(biāo)，兩個(gè)點(diǎn)A=（a（1），a（2），…，a（n））和B=（b（1），b（2），…，b（n））之間的距離d（A，B）定義為下面的公式：

通過(guò)計(jì)算要匹配的圖的不變矩與數(shù)據(jù)庫(kù)中圖像不變矩的歐氏距離，可以將讀取的圖像與數(shù)據(jù)庫(kù)中的圖像進(jìn)行比較，選出相似度高的，在系統(tǒng)界面上返回結(jié)果圖像。

2.3 紋理特征的提取

紋理也是圖像中一種重要的視覺(jué)特征，它描述了圖像中重復(fù)出現(xiàn)的局部模式以及它們的排列規(guī)則，其本質(zhì)是刻畫(huà)像素的鄰域灰度空間分布規(guī)律。圖像紋理分析是圖像分析處理研究中的一個(gè)關(guān)鍵部分。紋理分析在計(jì)算機(jī)圖形學(xué)中具有廣泛的應(yīng)用。目前，紋理特征的研究方法多種多樣，大致可分為統(tǒng)計(jì)法、結(jié)構(gòu)法、模型法和變換法。

在本文中，采用Gabor小波［9~11］變換的方法提取面料圖像的紋理特征。Gabor小波變換可以被看作母小波是Gabor函數(shù)的小波變換，即在進(jìn)行小波變換時(shí)，將Gabor函數(shù)作為基函數(shù)。假設(shè)用I（x，y）表示一幅圖像，那么該圖像用Gabor濾波器可以表示為

其中，參量s和t是濾波器模板大小的變量，參數(shù)x和y反映像素在圖像中的位置，參量p和q分別表示小波變換的尺度和方向，g*pq表示gpq的復(fù)共軛。

假設(shè)局部紋理區(qū)域具有空間一致性，則變換系數(shù)的均值μpq和方差σpq可以代表該區(qū)域的紋理特征。

假設(shè)用V表示圖像I（x，y）的紋理特征向量，則V可以表示為

假設(shè)用Vm表示待查詢圖像m對(duì)應(yīng)的紋理特征向量，用Vn表示數(shù)據(jù)庫(kù)中圖像n對(duì)應(yīng)的紋理特征向量，則采用歐氏距離計(jì)算圖像間的相似度，歐幾里德距離可以表示為

其中，c表示紋理特征向量的維數(shù)。若Vm和Vn具有不同的維數(shù)，則c表示為

2.4 特征融合

由于面料圖像的顏色多種多樣且樣式繁多，為了確保圖像的準(zhǔn)確檢索，本文對(duì)圖像的顏色特征、形狀特征及紋理特征進(jìn)行融合。特征融合［12~13］采用對(duì)不同特征給予不同權(quán)重的方法，用戶可以手動(dòng)輸入各個(gè)特征占融合特征的比重，整體權(quán)重值為1。

圖像檢索時(shí)，數(shù)據(jù)庫(kù)中的圖像用I表示，待查詢圖像用Q表示，設(shè)數(shù)據(jù)庫(kù)中圖像I在三個(gè)不同特征提取分析下與待查詢圖像Q的相似性距離分別為D1、D2、D3，手動(dòng)設(shè)置的歸一化權(quán)重大小分別為W1、W2、W3，則數(shù)據(jù)庫(kù)中圖像I與待查詢圖像Q基于多特征融合后的相似性距離為

根據(jù)上述方法，計(jì)算數(shù)據(jù)庫(kù)中所有圖像與待查詢圖像Q的相似度，按照相似度大小排名，返回規(guī)定數(shù)量?jī)?nèi)最相似的圖像給用戶。特征融合算法中權(quán)重的設(shè)置主要根據(jù)用戶的需要和待檢索圖像的特點(diǎn)來(lái)設(shè)置不同特征所占的比重，使算法更自主化，以達(dá)到較好的檢索結(jié)果。

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)集描述

為驗(yàn)證本文所提出的多特征融合算法的準(zhǔn)確性，將該方法應(yīng)用于實(shí)際拍攝的面料圖像庫(kù)中進(jìn)行實(shí)驗(yàn)。所選用的面料圖像是從某布料加工廠隨機(jī)拍攝的800幅面料圖像。實(shí)驗(yàn)中，70%被選為訓(xùn)練集，30%被用作測(cè)試集。面料庫(kù)的部分圖像如圖3。

圖3 面料庫(kù)圖像樣本

3.2 性能評(píng)價(jià)標(biāo)準(zhǔn)

本實(shí)驗(yàn)選擇了查準(zhǔn)率（precision）［14］和查全率（recall）［15~16］作為衡量算法平均性能的指標(biāo)。查準(zhǔn)率指的是在一次查詢過(guò)程中，返回的結(jié)果中相似圖像占檢索到的圖像的比例，查全率指的是在一次查詢過(guò)程中，返回的結(jié)果中相似圖像占數(shù)據(jù)庫(kù)中相似圖像的比例。本實(shí)驗(yàn)中，假設(shè)執(zhí)行一次查詢過(guò)程，返回的結(jié)果中相似圖像數(shù)目為r，返回的圖像總數(shù)為N，數(shù)據(jù)庫(kù)中相似的圖像總數(shù)為R，則查準(zhǔn)率和查全率的表達(dá)式可以表示如下：

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文檢索方法的有效性，分別將顏色特征、形狀特征、紋理特征與三項(xiàng)特征融合進(jìn)行實(shí)驗(yàn)對(duì)比。隨機(jī)抽取100張圖像，以每一張圖像作為待檢索對(duì)象，面料庫(kù)作為檢索庫(kù)，共運(yùn)行100次，計(jì)算了100次的查全率和查準(zhǔn)率，并對(duì)查全率和查準(zhǔn)率求平均值，得到平均查全率和平均查準(zhǔn)率。在實(shí)驗(yàn)中，對(duì)比單一特征和多特征融合的查全率與查準(zhǔn)率，實(shí)驗(yàn)結(jié)果見(jiàn)表1。

表1 單一特征算法和多特征融合算法實(shí)驗(yàn)結(jié)果%

從表中的數(shù)據(jù)可以看出，本文的多特征融合算法，在查全率和查準(zhǔn)率方面均高于單一特征。四種算法在不同返回圖像數(shù)目時(shí)，查準(zhǔn)率和查全率的曲線圖如圖4和圖5。

圖4 四種算法查準(zhǔn)率曲線

圖5 四種算法查全率曲線

從圖4和圖5中，可以看出多特征融合算法在查準(zhǔn)率和查全率上都優(yōu)于單一特征檢索算法，主要是由于多特征融合算法考慮到多種特征因素的影響，可以在一定程度上減小單一特征帶來(lái)的影響。

5 結(jié)語(yǔ)

本文提出了一種結(jié)合了顏色、形狀、紋理三種特征的面料圖像檢索方法。通過(guò)在HSV空間提取顏色特征，采用Hu不變矩算法提取形狀特征，利用Gabor小波提取紋理特征，最后將三種特征結(jié)合，使用相似性度量分別對(duì)顏色特征、形狀特征、紋理特征以及融合后的特征進(jìn)行了圖像檢索實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，基于多特征的檢索效果優(yōu)于單一特征，具有一定的實(shí)際意義。本文研究的是面料圖像的檢索，數(shù)據(jù)庫(kù)中都是布料圖像，布料圖像的種類繁多，針對(duì)不同的類型，多特征融合時(shí)各權(quán)值分配也各不相同。因此，筆者下一步將在此基礎(chǔ)上研究如何合理設(shè)置三項(xiàng)融合時(shí)的權(quán)重，來(lái)進(jìn)一步提高檢索的精確度。