一種基于加權顏色形狀特征和LBP-GLCM紋理特征提取的服裝圖像檢索方法

繆智文，何麗嘉，劉洞波

（湖南工程學院，湖南湘潭 411104）

當今，在服裝網絡銷售蓬勃發展的大勢之下，傳統的基于文本的圖像檢索技術（Text-based Image Retrieval，TBIR）[1]已經跟不上時代的發展，無法滿足廣大消費者對圖像檢索的要求。而基于內容的圖像檢索技術（Content-based Image Retrieval，CBIR）[2]是通過有效的算子獲取圖像的基本特征，如空間、形狀、紋理及顏色信息等，從而利用距離函數來計算圖像的相似度以達到精度檢索的目的，此技術可取代TBIR在圖像檢索中的位置，并彌補其不足。

本研究提出一種運用顏色直方圖和 Hu不變矩的特性進行加權處理，再融合 LBP-GLCM紋理特征進行服裝檢索的方法。首先，提取樣本中的顏色和形狀特征并進行加權處理后，完成檢索的第一步，再對返回的檢索結果構建新的數據集，將Uniform-LBP算子與灰度共生矩陣相結合，完成檢索，使之具有更高的檢索效率和準確率。

1 顏色和Hu 不變矩特征的檢索

1.1 基于顏色劃分的顏色直方圖和改進顏色矩的融合

一個好的顏色量化方案［3］，一方面可以降低計算的復雜度，另一方面也不會丟失過多的彩色信息。根據顏色直方圖改進方案，將色調 H 把顏色劃分為8類，形成8 bin的直方圖；將符合人眼視覺的基于HSV顏色矩9 bin直方圖和8 bin直方圖結合形成顏色融合的17 bin 直方圖，不僅有效地降低了顏色直方圖的權柄數，節省存儲空間，實驗結果驗證其并未降低圖像的檢索效率。本實驗使用常用的歐幾里德距離計算進行相似性度量［4］，并歸一化處理。計算公式如下：

其中，x，y—為兩幅待檢測的圖像，xi，yi—歸一化后的特征值，相似性度量用d(x, y) 表示。

1.2 形狀特征

服裝由于季節變更和穿著身材等因素，產生了許多不同款式的樣體。在服裝圖像中，大衣、長褲、短褲、襯衫等都有其固定的形狀特征，不同款式的服裝也有其各自的幾何屬性。形狀的表述對于圖像識別及分類具有重要的作用，在圖像檢索中也是持續研究的課題[5]。目前,系統呈現形狀特征通常是基于區域和輪廓。兩類方法在圖像識別中應用較多的是 Hu不變矩描述子[6]和傅里葉描述子[7]等。傅里葉描述子從信號頻率的角度來解釋輪廓信息，對人的視覺屬性存在局限性。Hu 不變矩描述子注重幾何形狀的全局特征，具有空間幾何不變性。圖像f(x, y)的 q+p階矩和階中心距公式為：

重心坐標的計算公式為：

Hu 提出了如下的 7 個不變矩：

2 紋理特征

2.1 旋轉不變LBP算法

多尺度的LBP算法所得到的LBP值與二進制序列的起始位置和選取方向密切相關。如果圖像發生旋轉，對應的二進制順序就會發生變化，最終的LBP值也將不同。因此，為了得到不變的編碼模式，Ojala等[8]又提出了旋轉不變LBP算法，即不斷旋轉圓形鄰域得到一系列初始定義的LBP值，取其最小值作為該鄰域的LBP值，用公式表示如下：

式中，ROR(x,i)—對二進制序列x循環移動i位且 i＜P。

對于P=8，將有36種唯一的旋轉不變二值模式。由于此時的編碼模式仍較多，應用到服裝紋理特征提取時，計算量較大，影響檢索速度。

2.2 Uniform模式

在記錄閾值化后的二進制序列時，如果選取的起始點和方向不同，二進制序列將有 2P 種，對應的LPBP,R會產生2P種模式。但是在實際研究中發現，各種模式所出現的頻率是不同的。統計結果表明，少數的模式出現的數量占所有模式的90%以上，Ojala等[2、4]將這些出現頻率特別高的模式定義為Uniform模式。將二進制序列看作一個圓環，如果“0→1”和“1→0”的變化不超過 2 次，則該序列稱為Uniform 模式。例如，“00000000”（0次轉變）、“00011100”（2次轉變）是 Uniform 模式，而“10010011”（4次轉變）不是 Uniform模式。在使用LBP算法對圖像進行紋理分析時，通常只關心 Uniform 模式，而將其他模式歸為同一類稱為混合模式。判斷某種序列是否為Uniform模式的方法如下：

這樣改進后，模式的種類大大減少，特別是對于P= 8的情況，模式數量由改進前的256種變為改進后的58種。

2.3 Uniform-旋轉不變LBP算法

經過抗旋轉的編碼方式獲得了若干LBP模式，但是通過前面Uniform 模式的論述可知，其中某些模式在所有的模式中并不是占有大量的比重，故又有人提出Uniform-旋轉不變LBP算法，使模式種類減少到P+1種，表示如下：

uniform-旋轉不變LBP算法，既保證了旋轉不變性，又使模式數量大大減少，應用到服裝圖像檢索可提高相似度檢索的效率和精度。

3 實驗及結果分析

3.1 實驗平臺和數據

實驗平臺為Windows 7操作系統，實驗工具是MATLAB 2016a。以此分別進行：單一的顏色特征檢索、單一的形狀特征檢索、累加顏色直方圖和Hu不變矩的加權檢索以及本研究的檢索方法。數據庫中，從互聯網選取共計600張服裝圖像，其中大衣150張，短褲150張，長褲150張，短裙150張。

3.2 實驗方案和評價方法

完成6組實驗：不同顏色特征和 Hu 不變矩的各自單一特征的服裝圖像檢索。對4次實驗結果分析比較，選擇顏色特征和形狀特征進行加權處理完成第5組實驗，實現對加權參數的確定。先用加權特征完成第一步檢索，再使用 LBP算法進行再次檢索作為第6組實驗。實驗時，從每個分類圖像中隨機選取10張圖像作為查詢圖像，進行40次查詢實驗。每次的查詢結果取返回的前20張圖片，計算前20個檢索結果平均查準率并引入排序評價方法[9]。

查準率：

式中，A—相關圖像的集合，B —返回圖像的集合，a —返回結果中被正確檢索圖像，b —返回結果中被誤檢的圖像。

排序評價方法：假定檢索輸出的數目為N，在N幅輸出結果里，NR—結果中相關的數量，ρr—返回結果中相關圖像的排列序號，NA—實際相關數量，則評價參數定義如下[10]：

用 K1表示平均序號：

最佳情況的平均序號 K2：

其中， K2—處于最佳狀態下，排列靠前的平均序號中返回結果期望圖像都能夠占據相應位置。如果K1/ K2的值與數值1的差值越接近于0，則意味著查詢的效果越好。

3.3 實驗結果和分析

以大衣的檢索返回結果作為各組實驗的方法展示，圖樣如圖1所示。以服裝圖像中的大衣為示例進行檢索的返回結果，如圖 2所示。 表1是以大衣圖像為例，進行顏色形狀加權系數選定的參數。表2是以大衣為例檢索的平均排序比值。表3是取長褲、短裙、大衣、短褲，進行實驗，得出全局顏色直方圖、顏色矩、累加顏色直方圖、Hu不變矩、顏色形狀加權、本實驗方法平均查準率。

圖1 待檢測男性大衣圖樣

圖2 方法檢測結果

表1 以大衣的圖像進行顏色形狀加權系數選定的實驗

表2 以大衣為例檢索的平均查準率

表3 六組實驗的平均查準率

由返回結果可以看出，圖像中相關圖像較多，相似度很高的圖像在檢索輸出中都排序靠前，可實現良好的檢索期望。由表1可以看出，不同的加權參數設置會產生較大的差異。因此，選擇為20%顏色特征和80%形狀特征的加權。依據表2、表3的數據分析可以看出，相較于其他的方法，本研究的檢索方法有更高的查準率。由此可知，服裝圖像背景干擾因素對檢索結果產生的不利影響。

4 結語

本研究提出了一種基于累加直方圖與Hu不變矩加權特征和LBP的服裝圖像檢索方法。實驗先利用顏色形狀特征加權處理的同步組合檢索進行第一次檢索，后利用 LBP算子進行第二次檢索的檢索方法具有可行性。與只使用一種特征檢索的方式比較，本研究的檢索方法在服裝圖像的場景中能提升檢索的準確率。由實驗結果分析可知，檢索結果的精確性受到了來自服裝圖像的背景干擾，下一步的研究工作在于引入圖像分割的方法對服裝圖像進行處理，并結合其他特征算子提高檢索的準確率和優化檢索時間。