五叉樹分解下低照度圖像特征相似度檢索仿真

張子恒

(湖北工業(yè)大學，湖北 武漢 430068)

1 引言

圖像理解以及圖像識別研究的不斷深入，使得各領域能夠充分利用圖像語義信息進行目標信息的檢索。因此，探尋高效快捷的圖像檢索方法成為急需解決的問題。低照度圖像[1]具有光亮強度小和圖片質量低的缺點，會出現(xiàn)檢索特征不明顯等因素，導致相似度檢索的正確率降低。因此，很多相關領域研究者已在這方面開展。

在低照度圖像特征相似度檢索的過程中，受不同外在因素的影響，很大程度上會降低圖像品質。最常使用的是文本圖像檢索技術，其主要在數(shù)據庫領域進行檢索研究，例如建立數(shù)據模型、多維度領域探索、查詢評價指標等。但是，該方法所需完成的前期準備量較大，且在相似度檢索中存在主觀性和不確定性，檢索結果會存在一定誤差。

針對上述問題，柯勝才[2]等人提出基于卷積神經網絡和監(jiān)督核哈希的圖像檢索方法。首先，利用所提方法挖掘被檢索圖像內容間的隱藏關系，通過提取到的圖像特征，用于增強視覺表達能力和區(qū)分能力；然后，將圖像深層高維特征映射到低維空間中，最終完成對圖像的有效檢索。實驗結果表明，該方法可效增強圖像特征表達能力，提高檢索效率。王春靜[3]等人為了提高基于內容的圖像檢索(CBIR)性能，提出基于圖像k近鄰的相似度測量檢索方法。通過計算查詢圖像與檢索圖像的相似度，衡量同一語義的聯(lián)合概率，隨之分析檢索圖像間的圖像距離得到概率數(shù)值，并與其它方法進行對比實驗，結果表明，所提方法可有效提高檢索性能。

雖然上述方法在圖像檢索方面取得了一定的進展，但仍在存在特征提取單一、檢索結果有誤差、效率低等缺點。本文通過五叉樹分解下低照度圖像特征相似檢索，充分利用五叉樹分解技術完成圖像顏色特征相似度計算，實現(xiàn)低照度圖像檢索。實驗結果證明，對于分析圖像語義信息及提高檢索效率，該方法可行性強。

2 五叉樹分解的原理分析

低照度圖像分解[4]是指將一幅度低照度圖像拆分成若干塊小圖像，從而進行管理的活動。因分解方式不同，導致獲取到的子塊具有一定差異性。

五叉樹分解則是將低照度圖像分解成為5個層次，各層次中的子圖大小相等。通常，圖像主體定為0層。將圖像以從上至下、從左至右的順序，按照二分之一邊長，平均劃分四份，順時針方向編碼為1、2、3、4，以圖像中心為起點，擴展二分之一邊長至周圍，編碼為5，為第1層次的5個子塊。在第2個層次中，依據第1層分解方法將得到的1—4個子圖進行迭代分解，由于編碼為5的子圖與其它相同，所以不對其分解，共得到20個子塊。重復上述方法，逐層進行分解。選取五叉樹分解低照度圖像，可有效避免資源浪費，節(jié)約成本。

結合上述五叉樹分解理論，對子塊圖像進行檢索，子圖重疊概率[5]越高，則檢索精度越高。

以尺寸2L×2L的低照度圖像為例，可用S表示，分解后成為4個子塊，如圖1所示，S至原圖像的橫向距離為x(x

圖1 圖像重疊率

PS=(L-x)(L-y)/(L×L)×100%

(1)

如圖2所示，為五叉樹分解原理圖，分解圖像直至子塊大小均為m×m則結束分解。其中，m的數(shù)值一般定為4、8、16、32等，依此類推。若m數(shù)值偏小，會降低檢索精度，對于低照度圖像，圖像質量低，m數(shù)值大則會造成混合物多，經多次研究實驗，m的合理數(shù)值定為16。

圖2 五叉樹分解原理

通過五叉樹分解得到16×16子圖，作為特征提取最小單元，用于構建檢索圖像顏色特征直方圖，以及相似度的計算基礎。

五叉樹分解法具有操作便捷、檢索效率高的優(yōu)勢，且面積重疊率高，分解過程一目了然，后續(xù)的檢索計算更為便捷。

3 圖像特征提取

針對低照度圖像[6]，最為明顯的特征是顏色及紋理，其中，圖像顏色特征主要概括為：顏色直方圖和主要色彩特征。為了更加直觀簡潔的表明五叉樹分解下低照度圖像特征提取，構建如下圖3所示特征提取流程圖。

圖3 特征提取流程

根據圖3流程，低照度圖像特征提取步驟如下所示：

第一步，信息分解。設置M為檢索圖像的樣本個數(shù)，對其中分解的子圖像Ai(1≤i≤M)開始進行信息分解，得到三個灰度圖像，用ARi(1≤i≤M)，AGi(1≤i≤M)，ABi(1≤i≤M)表示。

第二步，特征預設提取。首先將低照度圖像Ai中的R個分量ARi，視為一個圖像矩陣，可得

(2)

其中，最大特征數(shù)值對應的特征向量為UR1，UR2，…，URt，則

UR=[UR1，UR2，…，URt]

(3)

得到的結果為ARi的左側矩陣，因此，求

(4)

最大特征數(shù)值相對的向量為[VR1，VR2，…VRt]，則

VR=[VR1，VR2，…VRt]

(5)

所得結果為ARi的右側矩陣，將AGi與ABi視為二維矩陣，在得到左側矩陣和右側矩陣：UR、UG、VG、VR后，可得到特征矩陣FRi(1≤i≤M)，F(xiàn)Gi(1≤i≤M)以及FBi(1≤i≤M)，可列為

(6)

(7)

(8)

第三步，重構二維矩陣[7]。將低照度圖像特征構建三個矩陣，分別為FRi，F(xiàn)Gi，F(xiàn)Bi，由此構建二維矩陣

(9)

上述公式中，vec(*)代表重構矩陣的向量化，構成列的長度為m×n。

第四步，特征提取。將Pi視為低照度圖像的二維矩陣，在求得左側和右側矩陣后，最終求得特征矩陣，如下

Yi=UTPiV

(10)

因此，當使用五叉樹分解對圖像大尺度構造特征提取時，可驅除噪聲[8]對構造特征的影響。然而低照度圖像中該方法不能對小尺度構造特征進行劃分，這時要選擇一個合適的小函數(shù)只對細節(jié)范圍實行小范圍分解，經過對小函數(shù)的剖析，能夠精確定位細節(jié)特征。

選用五叉樹分解提取圖像特征，在提取較少特征情況下，也能保證不影響后續(xù)檢索效果，可大幅度減少耗時并降低計算復雜程度。

4 圖像特征相似度檢索

顏色特征在低照度圖像中噪聲大、尺寸多，相較于其它種類特征較為明顯。因此，本文通過計算顏色相似度[9]來實現(xiàn)圖像檢索。

在圖像特征提取結束后，依據視覺對圖像信息的感知，得到如下概括：

第一，一幅低照度圖像被少許色彩[10]概括，人們僅重視肉眼所見的主要顏色。

第二，顏色比重占據大的色彩，有較大的圖像意義，被稱為“主色”。

第三，圖像相似部分：色彩相似、圖案相似、所占比重相似。

當待檢索圖像特征提取完成后，可得到如下圖4所示結果，根據不同顏色特征比例依次遞減排列，得到顏色相似度。

圖4 顏色相似度排列

通過圖4所示，首先，針對圖像特征相似度使用歸一化[11]方式進行處理，其中包括極值、標準差、高斯等歸一化。使用五叉樹分解的基礎上，將極值歸一化的個特征數(shù)值反映到[0，1]中，如下所示

(11)

式(11)中，Vnew表示歸一化后的向量數(shù)值，Vold表示原始數(shù)值，min(v)表示某種圖像特征在數(shù)據信息中的最小值，其中的最大值用max(v)代表。

由此可得，圖像的特征相似度的加權和為

S(Q，I)=Wtexture+WcolorScolo

(12)

Wtexture表示圖像紋理特征相似度部分，Wcolor表示顏色特征相似度部分，Stexture及Scolor表示相似程度大小。特征相似度計算方法繁多，常用方法如中心距、x2距離統(tǒng)計等，但檢索結果有一定誤差。采用五叉樹分解下圖像特征想地府檢索，選取分解得到的最小子圖為基礎，構建低照度圖像和數(shù)據信息中與低照度圖像尺寸相對應的特征圖。在檢索中，將大小相似的數(shù)據信息中的子圖與低照度圖像進行對比。

式(13)中，P(Q，I)代表特征相似程度，L表示特征向量數(shù)值，在使用歸極化方法后，特征數(shù)值都歸入到[0，1]中。

構建頻數(shù)直方圖，如下

(13)

因此可將此定為級數(shù)指標。可自定義此級數(shù)，為了提高檢索效率[12]以及精確度，將分級數(shù)值定為20，從而計算紋理信息及色彩特征，進行累計，可得到兩種特征相似度大小，在進行求和，最終得出低照度圖像特征相似度數(shù)值完成檢測。

5 檢索結果評價指標

為了判定所提檢索方法的有效性，選擇查全率和查準率兩種方式，以此為基礎進行繪制數(shù)據曲線作為評價指標。查準率代表圖像檢索結果中的相似比例，判斷目標的準確程度。查全率表示檢索出的圖像特征相似度與總數(shù)的比值，指確定目標的能力。在圖像檢索中，查準率和查全率不會同時得到最大數(shù)值，查全率越高的情況下，查準率則越低，因此需盡量優(yōu)化這兩個數(shù)值。

對于檢索得到的結果，以相似程度由大至小的順序進行排列。在檢索時間上，五叉樹分解得到的子圖可提前進行特征相似度提取，僅比其它圖像檢索方式多了歐式距離，不會浪費太多時間。

低照度圖像檢索的結果很大程度上取決于圖像特征的提取與相似度計算方法。在使用五叉樹分解提取顏色特征后，可使提取到的圖像特征相似度更符合人類視覺感知。對于檢索結果，可得知該方法是否可被應用于更加先進的圖像檢索中。

6 實驗分析

為了驗證五叉樹分解下低照度圖像特征相似度檢索的精準度，參照不同方法進行比較實驗，將顏色特征相似度作為檢索衡量參數(shù)，如圖5所示，將檢索率設為0.1時，用于觀測不同顏色數(shù)量下的精準度。

圖5 不同顏色數(shù)量下精準度

由圖5可知，當提取色彩的數(shù)量從3提升至8的時候，效果有了比較明顯的提升。然而，當?shù)玫降念伾珨?shù)量超出20的時候，效果不升反降。是由于所攝取的多余顏色對于五叉樹分解下，在相似度的檢索中，所起到的作用反而與非常細節(jié)的顏色更加相近，因此，產生出更多的噪聲性質使效果下降，所以在經過測試，本文選擇攝取顏色的數(shù)量為15，指低照度圖像特征相似度不必提取過多的顏色。

將五叉樹分解下圖像檢索與其CHIC方法進行比較，選擇相同數(shù)量顏色提取的比較結果如圖6所示。

圖6 相同數(shù)量下實驗結果

通過圖6可知，在檢索率較低時，五叉樹分解下檢索方法優(yōu)于其它方法，是因為五叉樹分解下將圖像中顏色的不同獻率考慮其中，計算差異小，因此結果更加全面。得到的檢索結果精確度更高。

由圖7可看出，五叉樹分解檢索在精準度上有了明顯的提升，通過提取低照度圖像顏色特征相似度，在檢索中效果更加顯著，魯棒性強，這也體現(xiàn)出五叉樹分解下顏色特征相似度檢索尤為重要。

圖7 檢索率及精準度曲線

對比其它方法的ANMRR數(shù)值如表1所示：

表1 對比ANMRR數(shù)值

ANMRR數(shù)值代表檢索方法的好壞，

數(shù)值越小證明檢索效果越好。從表1中可看出，五叉樹分解檢索。實現(xiàn)最佳效果，其一，提高了檢索的精確性；其二，將分解的子圖像返至較前位置，與檢索要求一致。

通過上述仿真結果可看出，所提五叉樹分解下低照度圖像特征相似度檢索可行性更強，得到的檢索率更佳。除此之外，五叉樹分解下圖像特征相似度的提取，相較其它方法，更有效地降低計算復雜難度及所需時間。在理解圖像表達的語義信息同時，在視覺特征相近基礎上實現(xiàn)低照度圖像檢索，檢索方法的智能化程度和檢索精度有了明顯提高。

7 結論

本文針對五叉樹分解下低照度圖像特征相似度檢索進行仿真研究，通過實驗結果表明，所提方法與其它方法對相同圖像檢索結果進行對比時，所提方法獲得到的檢索結果最佳，不僅在檢測精度上有所提高，同時具備了良好的評定指標，提高了檢索結果的智能化程度與精準度，在低照度圖像檢索中可被廣泛應用。