基于粒计算的图像特征提取及其检索的研究

摘要:运用符合视觉感应的HSV模型、抗几何形变的小波变换理论和Hu矩理论分别对图像的颜色、纹理和形状特征进行提取,再结合粒计算理论对这三个特征进行粒化,得到三个特征向量,并分别归一化。在此基础上,加权融合图像的颜色、纹理和形状特征,利用相似性度量算法求图像的贴近度,然后结合相关反馈机制调整各个特征的权重,如此反复,直到用户满意为止,进而实现颜色、纹理和形状特征相结合的图像检索。

关键词:粒计算;HSV模型;小波变换;Hu矩;图像检索

中图分类号:TP18文献标识码:A文章编号:1009-3044(2010)22-6326-02

The Study of Image Feature Extraction and Retrieval Based on Granular Computing

TIAN Ming-yang, SONG Jun-ya, LIU Dan, WANG Peng-biao, ZHOU Yong-jie

(College of Computer and Information Technology, Henan Normal University, Xinxiang 453007, China)

Abstract: Apply the HSV model lining with visual sensors, anti-geometric theory of deformation of the wavelet transform and Hu Moments theory to Respectively extract the image features of color, texture and shape. Then combine granular computing theory and the three characteristics to granulate the three characteristics.This way,we can get three feature vectors and normalize them. Based on that, we can set the weight of each image feature,then get the images' close degree by means of similarity measurement algorithm and associate relevance feedback mechanism with that to adjust each of the weights.Repeat the adjusting process until the users are satisfied,then the image retrieval that integrate the color,texture and shape is realized.

Key words: image retrieval; granular computing; HSV model; the wavelet transform; hu moments

基于内容的图像检索关键技术是图像特征的定义和提取,并在所定义特征的基础上对图像内容分类和检索。但由于图像数据规模不断膨胀,目前的特征向量定义难以满足要求,粒计算是解决模糊、不完整、不精确以及海量信息处理问题的理论,由此,本文将粒计算应用到图像检索中,设计了一种基于粒计算的图像特征提取及其检索算法。

1 图像特征的提取及粒化

1.1 图像颜色特征的提取及粒化

1)选取模型:HSV(Hue Saturation Value)颜色模型[1]有两个特点:第一,亮度分量与图像的彩色信息无关;第二,色度和饱和度与人感知颜色的方式紧密联系。非常适合借助人类视觉系统来感知颜色特征的图像处理算法。

2)RGB空间模型到 HSV空间模型的转化算法:给定RGB颜色空间的值 (R,G,B)∈[0,255 ],则转化到HSV空间模型的算法见公式可见参考文献[2]中公式(1)-(6)。

3)颜色特征的粒化:由上述转化算法求出H,S,V值,再运用量化算法[3],将HSV颜色空间分为Lh×Ls×Lv个相似的色区空间,其中Lh,Ls,Lv分别表示HSV的3个量化级数,Lh=16,Ls=4,Lv=4,也就是说颜色空间被划分为36个相似的色区空间。可以把H,S,V这3个分量合并为1个一维的特征矢量L= Ls×Lv×H+ Lv×S+V,根据上面3个分量的值可得到:L=16H+4S+V。

颜色直方图[4]是提取颜色特征的重要方法,它具有与生俱来的旋转、尺度和平移不变性。图像的统计直方图是一个一维的离散函数:hk=nk/n,k=0,1,…,L-1,其中,k表示颜色的特征值;L表示特征取值的个数。于是得到图像P的颜色直方图H(φ) =[h1,h2,…,hL],即得到颜色特征值向量,再将向量H进行归一化,得到特征向量H#,使其特征值在0～1之间。

S1=H#={H*[1],H*[2],...,H*[i],...,H*[L]}(1)

按照粒计算理论,上式中H*[i]反映了颜色i在图像中出现的概率(粒计算隶属度),那么向量H#本身即为一个粒集。

1.2 图像纹理特征的提取及粒化

1)抗几何形变小波纹理特征:抗几何形变纹理特征提取的主要思路[5]是:先假设x(i,j)是 (i,j)平面内有限区域的非零二维序列,对信号序列直接进行二维的傅立叶变换,得到二维图像的频域序列,其中WN'是权函数,

(2)

由于实平稳随机序列的功率谱密度与序列的自相关函数是一对傅立叶变换,那么我们对图像进行傅立叶变换后,取频域序列模平方得到功率谱密度,再由反变换如公式(2)得到自相关函数

(3)

其中p=0,1,2,…,M-1; q=0,1,…,N-1。

然后将自相关函数转换到对数-极值域,转换公式为:

(4)

再对转换后的自相关图像进行小波分解,采用小波分解频域图像的平均能量作为纹理特征向量,图像平均能量的定义:

(5)

2)纹理特征的粒化:对LPCf(ρ,θ)做Daubechies3[6]小波一级分解,得到4个子频带系数矩阵,计算各子频带小波系数平均能量,然后选择能量最高的第一个子频带做 Daubechies3 小波二级分解,得到了7个平均能量,再选择能量最高的做Daubechies3 小波三级分解,得到一个10维的特征矢量,依次类推进行k次分解,得到Lk维的特征矢量:[e1,e2,e3,…,eLk],其中Lk=4+3(k-1),最后将特征向量做进一步的归一化,这样就形成了图像纹理特征的向量:

(6)

该特征向量的合集代表的是一种全局的形状特征。

1.3 图像形状特征的提取及粒

1)形状特征的提取及表示:

对图像形状特征提取采用Hu矩表示,其在图像像素数目一定的情况下,具有对图像的旋转、平移和尺度不变性[7]。图像I(x,y)的u,v阶中心矩定义为:

(7)

零阶矩m0,0是区域的灰度总和,将一阶矩m0,1及m1归一化,将得到区域的重心坐标为其中x=m1/m0,0,y=m0,1/ m0,0,(x,y)称为区域形心的位置。各阶中心矩定义的7个不变矩特征见参考文献[8]中对其的定义。

为了提高图像的检索准确率,我们引入了图像离心率,结合Hu不变矩来定义图像的离心率特征量e,

(8)

2)形状特征的粒化:显然可以看出,离心率特征e表示了图像的最大轴向与图像的最小轴向比率,同样也满足物体平移、旋转和尺度不变性。将Hu不变矩特征量M1~M7和离心率e进行归一化并合并,这样就形成了图像的几个形状特征向量S3。该特征向量的合集代表了一种全局的形状特征。

(9)

2 基于粒计算理论的人机交互式图像检索算法

2.1 颜色、纹理和形状特征的算法步骤

第一步:运用HSV模型和颜色直方图对目标图像的颜色特征进行提取和粒化,得到颜色特征的粒集S1;

第二步:应用抗几何形变的小波变换理论对目标图像的纹理特征进行提取及粒化,得到纹理特征的粒集S2;

第三步:运用Hu矩理论对目标图像的形状特征进行提取及粒化,得到形状特征的粒集S3;

第四步:重复第一步、第二步和第三步的方法,分别得到图像库中M个图像的特征粒集。

第五步:分别利用直方图相交的方法的相似性度量公式,欧拉距离公式和最大、最小相似性公式计算出目标图像和图象库的每幅图象的颜色、纹理和形状特征的相似度Dcolor(xi,q)、Dtexture(xi,q)以及Dshape(xi,q)。

第六步:通过加权方法求出图像库中图像xi与目标图像q的相似性距离d(xi,q),进而完成对图像综合特征的检索。

(10)

其中wc+wt+ws=1。

第七步:对d(x1,q),d(x2,q),...,d(xM,q)按公式进行高斯归一化得到d'(x1,q),d'(x2,q)...,d'(xM,q);这样就得到归一化后的相似度d'(xi,q),在[0,1]区间的概率将大于99%。

第八步:让每个值d'(xi,q)与给定阈值V相比,根据择近原则,若d'(xi,q)小于V,将满足条件的d'(xi,q)值输出到集合。

第九步:对集合中距离值按由小到大进行排序,将结果反馈给用户。结束!

2.2 相关反馈技术

为了得到令用户满意的结果,在检索过程中,用户和系统需要不断地进行交互。一方面系统把检索结果反馈给用户,另一方面,用户根据自己的查询意图将评价结果反馈给系统,系统根据用户的满意度对各特征的权重做出相应调整,然后系统重新检索,并将符合用户要求的图像反馈给用户。如果用户对检索的结果满意,则检索结束;否则,再次执行相关反馈过程,如此反复,直到用户满意为止。

3 结束语

粒计算理论是模糊的、不完整的、不精确的及海量的信息处理的重要工具,图像特征的定义和提取以及基于所定义特征的图像内容的分类和检索是图像检索的关键技术。该文运用粒计算理论结合HSV模型、小波变换理论以及Hu矩理论对图像的颜色、纹理及形状特征进行提取及粒化,结合相关反馈机制,进而设计出融合这三个特征的人机交互式图像检索算法。该成果将对多媒体、医疗图像等领域有很大的帮助。

参考文献:

[1] 宋艳.综合颜色与纹理的图像检索[J].计算机工程与设计,2007,9(2):42-50.

[2] 倾明.基于颜色和纹理特征图像检索技术的研究[J].科学技术与工程,2009,9(5):1301-1302.

[3] 史变霞,张明新,乔小妮,等.基于颜色特征的图像检索方法[J].微电子学与计算机,2010,27(4):158-159.

[4] 张露,闭金杰,林志源,等.基于颜色特征的图像提取算法的研究[J].科技创新导报,2008(33):189-189.

[5] 潘辉.一种抗几何形变的纹理特征提取算法研究[D].浙江:浙江大学,2007:14-36.

[6] 王永革,彭立中.构造紧支全对称的Daubechies型3带小波系统的新方法[J].应用数学学报,2005,28(4):659-661.

[7] 党长青,宋凤娟,刘树明.基于多特征融合和相关反馈的图像检索[J].计算机工程与应用,2008,44(3):187.

[8] 史延新.基于形状特征的图像检索算法研究[J].电子科技,2008,21(12):69-70.