一種新的動態權重更新相關反饋方法

摘要：提出了正負相關圖像所占比例與特征值的標準方差相結合來調整對應權值的方法。為了避免相關反饋的權值調整陷入局部最優狀態，引入一個干擾因子，使權值跳出局部最優區域。結果表明了該方法的優越性。

關鍵詞：相關反饋；權值；局部最優；干擾因子

中圖分類號：TP391文獻標志碼：A

文章編號：1001－3695(2007)08－0081－03

0引言

隨著大規模圖像的應用，基于內容的圖像檢索已成為當今最有挑戰、最重要的研究方向之一。基于內容的圖像檢索具有自動提取圖像特征（如顏色、紋理、形狀、空間），通過比較圖像間的相似度，從圖像庫中獲取用戶滿意的圖像。目前像這類基于內容的圖像檢索系統[1~3]已具有通過遞交樣例圖從圖像數據庫中檢索出與樣例圖內容上相似的圖像。大部分早期的基于內容的圖像檢索是一種自動、開放的系統[4]。這類研究主要探索各種各樣的特征提取和表述方法，忽略了人視覺的主觀性。在這類系統中，最大的問題是低層特征與高層語義間的巨大鴻溝。為消除這種鴻溝，要讓計算機明白用戶真的想要干什么。解決這類問題的辦法之一是相關反饋，它有利于更準確地檢索信息，幫助用戶提煉查詢結果。大部分相關反饋方法是查詢向量移動和再權重調整[5，6]。還有一些方法把相關反饋看做是最優化問題[7]，也有把相關反饋看成是機器學習、分類問題[8]。在理論分析中，除再權重調整方法外，其他大部分方法并沒有假設特征成分之間是相互獨立的，因此這些方法是比較合理的。然而為了得到好的檢索性能，許多方法要求增加訓練樣本特征向量維數[7]，這勢必造成維數災難問題，同時也限制了許多方法在高維數據圖像庫中的實際應用。對于高維特征的圖像數據庫，再權重調整是一種較好的方法。然而再權重調整常常容易陷入局部最優。為解決這個問題，本文引入一個干擾因子。它是基于費歇爾準則生成的[9]，能避免特征權重陷入局部最優。傳統的再權重的相關反饋[10]常常考慮的是相關圖像而忽略了不相關的圖像，為此本文提出將正負相關圖像所占的比例及特征值的標準方差相結合來調整相應的權值。在COREL圖像上的實驗表明，本文提出的方法比傳統的檢索方法[10]的檢索性能更好。

1特征提取

1．1顏色特征的提取

在圖像檢索中，顏色是一種重要的底層特征，具有對旋轉、平移、尺度不變性的特點，所以它常常成為圖像檢索的重要內容之一。目前顏色空間主要有RGB、CMY、HSI、HCV、HSV、HSB等，而HSV顏色空間與人的視覺感知最接近。在HSV顏色空間中，H分量對彩色描述的能力相對來說最接近人的視覺，區分能力最強。本文將彩色圖像由RGB空間轉換到HSV空間進行檢索。由于累加直方圖[11]體現了兩種顏色在顏色軸上的距離與相似性之間的關系，累加直方圖法在檢索效率上優于一般直方圖法。為此，本文對描述圖像顏色特征的色調直方圖也采用了累加方法進行處理。為了進一步提高所提取的色調直方圖的準確性，還對累加直方圖的方法進行了適當改進。具體檢索時，先將色調均勻量化成18 個不重疊的局部區間[20k，20(k+1)]，k=0，1，…，17；然后計算出此時的色調直方圖（由于色調在色調軸上的分布實際是連續過渡的，且各色調區間并不存在顯著界限，可再改變區間的劃分為[20k+10，(20(k+1)+10） mod 360]，k=0，1，…，17，并計算出此時的色調直方圖，并將這兩個直方圖逐項相加取平均）；最后對所求取的平均色調直方圖求其累加直方圖，得到圖像的顏色特征向量(fm1， fm2，…， fm18)。

1．2形狀特征的提取

圖像中的邊緣是灰度有顯著變化的地方，對應目標和目標，或目標和背景的邊界，所以對邊緣方向進行統計得到的直方圖的形狀將在一定程度上反映圖像中的形狀信息。要獲取圖像的邊緣直方圖，首先要獲取圖像的邊緣圖像；然后對邊緣圖像的邊緣方向角進行統計，得到物體的邊緣直方圖。邊緣直方圖的算法如下:

3實驗結果及分析

為論證本方法的可行性，實驗采用查詢例圖來檢索內容上相似的一類圖像。在小數量（30幅）數據圖和大數量(150幅)數據圖中，本文提出的方法分別與Rui等人[10]的方法進行了性能比較。從圖2、3可以看出，在相同條件下，不管數據圖數量的多少，對每一個查詢圖，在檢索中進行了四次迭代。本文方法檢索準確率優于Rui等人的方法。圖4反映的是在相同條件下，有相關反饋的圖像檢索準確率（圖中實線表示）比沒有相關反饋的圖像檢索準確率(圖中虛線表示)高。圖5是在相同條件下，權重陷入局部最優后，在第二次以后沒帶干擾因子的相關反饋圖像檢索性能(圖中虛線表示)幾乎沒什么變化，而帶干擾因子的相關反饋圖像檢索性能(圖中實線表示)得到了改善。

圖230幅圖中兩種方法性能比較圖3150幅圖中兩種方法性能比較

圖4反饋與不反饋的檢索性能比較圖5有干擾因子與沒有干擾因子的性能比較

4結束語

本文提出的一種新的動態權重更新相關反饋方法，不僅考慮了反饋中不相關圖像對權值確定的影響，還考慮了在權重陷入局部最優后如何使權重退出局部最優。未來的工作將繼續尋找一種權重更新函數，并且找更多的圖像特征進行實驗。

參與文獻：

［1］KUSHKI A. Query feedback for interactive image retrieval [J].IEEETrans on Circuits and Systems for Video Technology， 2004，14(5):642－655.

[2］MOGHADDAM H A， KHAJOIE T T， ROUHI A H，et al. Wavelet correlogram: a new approach for image indexing and retrieval[J]. Pattern Recognition， 2005，38(6):2506－2518.

[3］SMEULDERS A， WORRING M， SANTINI S， et al. Contentbased image retrieval at the end of the early years[J]. IEEE Trans on Pattern Analysis and Machine Intelligence，2000，22(12):13491380.

[4］SU Zhong， ZHANG Hongjiang， LI S， et al. Relevance feedback in contentbased image retrieval: Bayesian framework， feature subspaces and progressive learning[J]. IEEE Trans on Image Processing，2003，12(8):924－936 .

[5］RUI Y， HUANG T S， MEHROTRA S. Relevance feedback techniques in interactive contentbased image retrieval [C]//Proc of SPIE Conf Storage and Retrieval for Image and Video Databases.1998:25－36.

[6］RUI Y， HUANG T S， ORTEGA M， et al. Relevance feedback: a power tool for interactive contentbased image retrieval [J].IEEE Trans on Circuits and Systems for Video Technology， 1998，8(5):644－655.

[7］RUI Y， HUANG T S. Optimizing learning in image retrieval[C]//IEEE Conf on CVPR .[S.l.]:IEEE Computer Society， 2000.

[8］WU Ying， TIAN Qi， HUANG T S. Discriminant algorithm with application to image retrieval[C]//IEEE Conf on CVPR. South Carolina:[s.n.]，2000.

[9］FUKUNAGA K. Introduction to statistical pattern recognition [M]. San Deigo， California: Academic Press， 1990.

[10］RUI Y， HUANG T S， MEHROTA S. Contentbased image retrieval with relevance feedback in mars [C]//Proc of IEEE Int Conf on Image Processing.New York:IEEE Press，1997.

[11］劉忠偉.利用局部累加直方圖進行彩色圖像檢索[J]. 中國圖象圖形學報，1998，3(7):533－537.

[12］JAIN A K，VAILAYA A．Shapebased retrieval：a case study with trademark image databases[J]．Pattern Recognition，1998，31(9)：1369－1390.



注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”