基于兴趣点局部综合颜色和纹理图像检索方法

陈晓宁，杨润丰，赵 健

(1.东莞职业技术学院电子工程系，广东东莞 523808;2.西北大学信息科与技术学院，陕西西安 710069)

传统的基于文本的图像检索技术需要人工去标注，耗时多且图像本身存在非结构化和主观多义性的视觉特点，具有一定的局限性。20世纪90年代，出现了基于内容的图像检索技术［1］，对图像的描述不受人为主观性影响，因此基于内容的图像检索系统克服了基于文本的图像检索的不足。在基于内容的图像检索中，多侧重于计算图像的全局特征。然而图像的全局特征并不能完好地描述图像的细节部分，并且在多数情况下，人们只关注他们想要的局部区域图像，而对关注之外的其他内容并不关心。因此，仅需要对用户感兴趣的局部区域进行特征的提取，而不必考虑图像的全局特征。

1 兴趣点检测及局部区域的特征提取

1.1 对图像的感兴趣区域的提取

兴趣点往往位于那些含有将丰富图像内容的地方，因此，兴趣点周围的局部区域也一定蕴含着更多的图像内容。那么，可以将兴趣点周围区域设为感兴趣区域。采用兴趣点对图像进行底层特征提取时，可以较大程度地降低图像中那些不重要的信息，即图像的冗余信息，这样将大幅降低检索过程的计算量。感兴趣区域忽略了图像的全局特征，通过感兴趣区域就能够很好地描述图像的局部内容。

1.1.1 兴趣点检测

兴趣点检测的目的就是实现对图像中那些含信息量比较高的点进行检测。选择利用兴趣点来描述整幅图像将大幅缩减对图像特征提取的复杂度［2－3］。

由于希望兴趣点周围的局部区域能够尽可能地近似描述整幅图像的特征，即具有可重复性。图1所示为一幅图像经过缩放及旋转情况下检测到的兴趣点，图中得到的兴趣点基本相同。

图1 兴趣点对几何变换的稳定性

兴趣点也称为角点(Conner Point)。将二维图像灰度变化剧烈的点或图像边缘曲线上具有曲率极大值的那些点定义为角点。它集中描述了图像上很多重要的形状信息，是能够用来表达图像的一个重要特征。

Harris角点检测算法被公认为是一种比较好的方法，它是对Moravec角点检测器的一种改进。经过对比分析，最后采用各项性能都比较优越的Harris算子对图像进行兴趣点的检测。Harris算子是利用自相关函数来确定那些发生显著变化的位置

式中，gx和gy分别表示X和Y两个方向的梯度;G(σ)为高斯模板。矩阵M的特征值是自相关函数的一阶曲率。

对兴趣点的确定方法:当图像的两个特征值差别较大时，也就意味着图像信号会沿着某方向的变化较大，这个变化较大的地方也就是边缘;当这两个特征值相差非常大的时候，那么图像的信号将在两个方向都发生较大变化，这个点即为要找的兴趣点。

对图像兴趣点的数目确定，是基于Harris算子提取图像兴趣点的关键问题之一。一般情况下，对于不同图像提取出的兴趣点数目不同，而且一旦图像中没有边缘突出的点时，就不能获得灰度值变化大的区域，也就是说兴趣点的数目就会为零，但由于要对图像提取它的底层特征，那么就必须要找到一定数量的兴趣点，然后才能确定兴趣点周围的局部区域即感兴趣区域。经实验结果证明，平均每幅图像取50～80个兴趣点较为合适。

1.1.2 感兴趣区域的确定

一幅图像感兴趣区域的确定方法有多种，对感兴趣区域的不同选择将直接影响到能不能对图像特征进行很好地描述。经过实验对比，最后对感兴趣区域的确定如下:以兴趣点为中心，取其周围41×41像素块为一个感兴趣区域，这样有多少个兴趣点就形成多少个感兴趣区域，因此在一幅图像中提取的感兴趣区域就是50～80块，进而对感兴趣区域进行特征的提取。

1.2 感兴趣区域图像颜色和纹理提取

1.2.1 基于感兴趣区域的颜色特征提取

文中对颜色特征的提取方法，采用符合人眼视觉特性的HSV颜色模型。在提取局部颜色特征时，首先将图像由RGB颜色空间转换成HSV颜色空间。

(1)首先将图像由RGB颜色空间转换为符合人眼视觉特征的HSV(Hue、Saturation、Value)颜色空间，如图2所示。HSV颜色模型采用Munsell三维空间坐标系统表示，它将彩色信息表示为3种属性即色调、饱和度和亮度。

图2 HSV颜色空间示意图

(2)一幅图像的颜色种类繁多，这样会导致直方图矢量的维数庞大。在维数庞大时，对计算是非常不利的，因此，首先对HSV空间进行量化。

在HSV颜色空间中，用HSV空间的颜色直方图来描述图像的整体颜色特征，要用此种方法必须首先将H、S、V 3个分量按照人对于颜色的感知进行非均匀的量化。最终的结果用T来表示，数学计算如(2)所示

式(2)中，「a⏋表示≥a的最小整数。此方法不仅适合于灰度图像，对彩色图像同样也适用。按照上述量化算法，得到在HSV空间中的36维颜色直方图。

通过式(2)计算出一系列T值，每一个T值都对应于HSV颜色空间的一个空间区域，对通过式(2)计算得到的所有T值进行归一化处理，最后将这个归一化后的值来表达图像的感兴趣区域的颜色特征。

1.2.2 基于感兴趣区域的纹理特征提取方法

纹理特征可以用来对图像中的空间信息进行一定程度的定量描述。一般来说纹理特征是和图像频谱中的高频分量相关。其中已经被广泛应用的一种比较理想的滤波器是Gabor滤波器，这是由于采用Gabor小波纹理特征对图像进行描述的方法是很接近于人对形状的视觉感受的，而且它能最大程度地减小空间域和频域内的联合二维不确定性。因此在对比多种算法后，文中对图像的纹理特征进行提取时采用Gabor小波变换的方法。式(3)表示二维Gabor小波的基函数

如果I(x，y)为给定的一幅图像，那么对图像的Gabor小波变换可以定义为

式(4)的描述，表明对象所在的空间位置，弥补了颜色直方图不能描述对象位置的不足。对一幅图像纹理特征的描述可以用均值μmn和标准方差σmn，其中μmn和σmn的数学计算公式分别如式(5)和式(6)所示

文中采用的Gabor滤波器为4个尺度(S=4)和6个方向(K=6)，因此，得到的特征向量可表示为此特征向量中各分量的物理意义和取值是不相同的，因此，必须先对这些特征向量进行归一化处理。

经过归一化后，即使物理意义和取值都不相同的分量，都具有了相同的权重。高斯归一化方法特点就是:个别的超大或者超小的元素对整个归一化后的元素值产生的影响较小，实验证明采用高斯归一化方法对特征向量进行归一化处理是一种比较好的方法。

经过归一化后，g的取值就是［－1，1］区间的一个数值，不仅使各个物理量有了相同的权值，还使得纹理特征变得比较简单，方便后面的检索应用。因此，经过归一化后，得到了36维的纹理特征向量。

2 图片的相似性度量

设Q是待查询图像;I是图像数据库中一幅图像，采用式(1)计算两幅图像的相似性

3 实验结果及分析

选择的图像数据库为从Corel图像库中下载的1000幅图像，这些图像共有10类，每类100幅，内容包括食物、花卉、山川、建筑、海滩、非洲土著居民、公共汽车、马、恐龙和大象等。图3所示为本次实验中实际的检索效果图。

图3是本次试验的检索结果图，左上角为要查询的图像，后面的为检索到的图像，从检索的结果可以看出图像从左至右、从上至下，相似匹配度为依次减小，越接近前面的结果，也就是相似性越高。

图3 检索结果

图4是对比了本检索方法、文献［2］和文献［3］的检索方法的平均检索准确率的情况。从图中可以看出文中的平均检索准确率均高于文献［2～3］。

图4 不同算法的平均检索准确率比较

4 结束语

提出了一种基于兴趣点局部区域综合颜色和纹理的图像检索方法，与传统的单纯基于颜色或者纹理进行图像检索的方法不同，文中利用兴趣点局部区域作为特征的提取对象。实验证明这种方法提高了图像的平均检索准确率。

［1］ 章毓晋.基于内容的视觉信息检索［M］.北京:科学出版社，2003.

［2］ 翟国，宋余庆.基于兴趣点和边缘特征的图像检索方法的研究［J］.计算机工程与设计，2009，30(5):1148 －1150.

［3］ 汪彦龙，李金龙，刘金华，等.基于内容的图像检索方法［J］.电视技术，2005(4):9 －12.

［4］ 符祥，曾接贤.基于兴趣点匹配和空间分布的图像检索方法［J］.中国激光，2010，37(3):774 －778.

［5］ ROSENFELD A，WESZKA J S.An improved method of angle detection on digital curves［J］.IEEE Transactions on Computers，1975，24(9):940 －941.

［5］ SCHMID C，MOHR R，BAUCKHAGE C.Evaluation of interest point detectors［J］.International Journal of Computer Fision，2000，37(2):151 －172.

［6］ 翟国，宋余庆，谈佳宁，等.基于兴趣点和边缘特征的图像检索方法的研究［J］.计算机工程与设计，2009，30(5):1148－1150.