基于聚類的陶瓷圖像多樣性檢索方法研究

朱勝平

(泉州工藝美術(shù)職業(yè)學(xué)院，福建 德化 362500)

0 引言

中國陶瓷歷史源遠流長、種類豐富。隨著多媒體技術(shù)和計算機技術(shù)應(yīng)用的迅速發(fā)展，數(shù)字圖像采集設(shè)備的廣泛使用，以及網(wǎng)絡(luò)的普及應(yīng)用，大量陶瓷圖像信息已經(jīng)被數(shù)字化。而利用計算機處理數(shù)字陶瓷圖像信息可以避免傳統(tǒng)研究過程中的工作效率低、工作量大且客觀性難以保證等缺點。弘揚陶瓷文化離不開陶瓷圖像的展示。其中，也有大量重復(fù)的陶瓷圖像。那么如何去除重復(fù)信息，給用戶展現(xiàn)出更多種類的圖像，變得尤為重要。正是用戶這種迫切的應(yīng)用需求，驅(qū)動著我們對陶瓷圖像檢索的內(nèi)容多樣性開展研究。隨著互聯(lián)網(wǎng)絡(luò)的快速發(fā)展，具有廣泛的應(yīng)用前景。

目前，陶瓷圖像處理的研究已經(jīng)取得一些成果。2009 年，賴秀珍等[1]結(jié)合景德鎮(zhèn)陶瓷圖像的特點，研究基于內(nèi)容的圖像檢索技術(shù)在景德鎮(zhèn)陶瓷圖像檢索中得到應(yīng)用。并利用動態(tài)調(diào)整特征權(quán)重方法，幫助用戶快速地找到相關(guān)感興趣的陶瓷圖像。2013 年，熊露等[2]以景德鎮(zhèn)窯不同歷史時期撇口碗圖像為研究對象，對其器型輪廓特征提取進行了Matlab 分析與實現(xiàn)。2020 年，張靜等[3]提出一種借助于人工智能的輔助鑒別方法鑒定具有蕉葉紋飾的古陶瓷年代及真?zhèn)巍＠镁植慷的Ｊ?LBP)和方向梯度直方圖(HOG)技術(shù)從古陶瓷圖像的蕉葉紋飾中提取古陶瓷的時代特征。通過蕉葉紋局部二值模式紋飾特征和方向梯度直方圖紋飾特征的融合實現(xiàn)古陶瓷的智能斷代，并采用紋飾相似度衡量古陶瓷的真、偽可能性。2019 年，朱永紅等[4]針對陶瓷梭式窯燒成帶溫度基于模式識別提出了一種優(yōu)化檢測方法和算法，通過對火焰圖像進行處理識別，從而實現(xiàn)對陶瓷梭式窯爐溫度的智能檢測。2020 年，張瑞瑞等[5]通過了一套古陶瓷器型三維還原算法，從而實現(xiàn)對古陶瓷器型的三維建模，對古陶瓷研究具有一定意義。

為了使檢索結(jié)果能給用戶提供更多的信息，而不是簡單的重復(fù)，多樣性圖像檢索被提出并廣泛研究[6]。2006 年，K.Song 等將多樣性檢索技術(shù)應(yīng)用圖像檢索領(lǐng)域，使用重排序技術(shù)使檢索結(jié)果包含更豐富的信息[7]。2009 年，Z.Q.Zhao 等提出在流行上基于AP 聚類的多樣性圖像檢索技術(shù)[8]。2010 年，M.Wang 等提出多樣性相似排序方法（diverse relevance ranking,DRR）[9]。2017 年，Boteanu 等人將偽相關(guān)反饋的思路引入到圖像多樣性檢索領(lǐng)域[10]。作者首先通過自動模擬的方式從初始檢索結(jié)果中選出正例與負例并進行過濾，之后采用梯度聚類算法對剩余結(jié)果歸類，最后采用重排序思想從每類中選擇樣本構(gòu)成檢索結(jié)果。2019 年，嚴國莉等根據(jù)用戶的查詢詞，對傳統(tǒng)的查詢結(jié)果進行重排，從而給用戶提供多樣化的搜索結(jié)果[11]。

圖像特征是圖像檢索的基礎(chǔ)，圖像特征提取的好壞直接關(guān)聯(lián)到圖像檢索的結(jié)果。2001 年，Oliva和Torralba 提出Gist 特征。該特征對場景圖像分類和檢索效果顯著。實驗通過對受試者進行一系列感知，篩選出了人類用來描述自然場景的一些詞匯：自然度、開放度、粗糙度、擴張度、崎嶇度等。利用光譜信息對整個場景進行低維描述[12]。薛超等提出Gist 特征和SIFT 特征融合進行遙感圖像檢索[13]，利用特征融合的方法得到圖像的特征向量，最后通過多核學(xué)習(xí)得到最優(yōu)解，返回最終檢索結(jié)果。該方法在遙感圖像上對比單圖像特征，提高了檢索準確率。

目前對陶瓷圖像研究還是相對較少。利用圖像處理技術(shù)，對陶瓷圖像中的信息進行處理、分析、挖掘與應(yīng)用，能夠促進陶瓷領(lǐng)域的現(xiàn)代化發(fā)展。這也是研究發(fā)展的一種必然趨勢。

1 陶瓷圖像特征提取

通過實驗對比多種圖像特征后，發(fā)現(xiàn)Gist 圖像特征可以較好地表達陶瓷圖像的內(nèi)容。

首先，對圖像進行分塊，平均分成4×4 等份，共16 個圖像塊；然后，構(gòu)造4 個尺度8 個方向，共生成32 個Gabor 濾波器組；最后，每個Gabor濾波器對16 個圖像塊進行卷積處理，取每次卷積后的均值，作為該圖像塊的特征。每個圖像塊的圖像特征提取完成后，合并成整幅圖像特征，即512 維的Gist 特征。

圖1 陶瓷圖像Gist 特征Fig.1 Ceramic image Gist feature

2 陶瓷圖像多樣性檢索

本文設(shè)計了一種基于聚類的多樣性檢索算法，用于陶瓷圖像的多樣性檢索。首先，對陶瓷圖像進行預(yù)處理；其次，提取陶瓷圖像特征，通過聚類算法對陶瓷圖像進行聚類分析；最后，從每個類別中選擇部分圖像輸出，保證檢索結(jié)果的多樣性。

2.1 多樣性檢索算法介紹

（1）多樣性檢索算法框架見圖2。

圖2 多樣性檢索算法框架Fig.2 Framework of diversity retrieval algorithm

（2）多樣性檢索算法步驟如下：

Step 1:圖像庫圖像預(yù)處理。

Step 2:提取圖像庫特征。

Step 3:輸入例圖進行初步相似度圖像檢索。

Step 4:在第二步中對檢索結(jié)果進行聚類分析，得到聚類中心圖像。

Step 5:將第四步中得到聚類中心圖像與輸入例圖進行相似度比較，并排序輸出。

2.2 聚類算法

為了使檢索結(jié)果更多地表現(xiàn)出多樣性，去掉同類中很相似的圖像。本研究采用AP 聚類算法，對初步檢索結(jié)果進行聚類，然后在每類中選取代表圖像作為檢索結(jié)果。

2007 年，F(xiàn)rey 等在《Science》上發(fā)表了Affinity Propagation（AP）聚類算法[14]。AP 聚類算法不需要預(yù)先設(shè)定聚類數(shù)目，處理大量數(shù)據(jù)時聚類效率高。因此，本文選用AP 算法進行圖像聚類。它的主要思想是預(yù)先把所有數(shù)據(jù)點看作候選聚類中心點。在不斷迭代過程中，每個數(shù)據(jù)點通過“消息傳遞”來確定是否是聚類中心點，或者選擇某個數(shù)據(jù)點作為聚類中心點，最終獲得若干個聚類中心點。AP 算法首先為每個數(shù)據(jù)點K 設(shè)定其偏向參數(shù)S（k,k）（preference），S（k,k）的值越大，相應(yīng)數(shù)據(jù)點K 被選中為聚類中心點的可能性就越大。

AP 算法消息傳遞的兩個重要參數(shù)：

（1）吸引度矩陣R=[r(i,k)]n×m，表示Xk適合作為Xi的聚類中心點的程度。

（2）歸屬度矩陣A=[a(i,k)]n×m，表示Xi選擇Xk作為聚類中心點的合適程度。

AP 算法的核心步驟為兩個參數(shù)的交替更新過程，更新公式如下：

2.3 相似度度量

提取陶瓷圖像特征后，需要計算不同圖像特征之間的距離，即圖像間的相似度度量。本文采用歐式距，來衡量兩幅圖像間的距離。設(shè)a、b 是對應(yīng)兩幅圖像的特征，ai、bi代表各圖像特征分量。

2.4 檢索結(jié)果評價指標

評價指標需要保證檢索結(jié)果相關(guān)性的前提下，進一步提高多樣性這一需求。因此，本文采用充分考慮相關(guān)性和多樣性的評價指標，最大散度多樣性（Maximal Scatter Diversity，MSD）靜態(tài)評估函數(shù)：

式中，Nt表示檢索結(jié)果圖像數(shù)；r(Ii)表示檢索結(jié)果的相關(guān)性。在圖像Ii與檢索例圖相關(guān)時為1，否則為0。d(?)為兩幅圖像間的距離，表示圖像間的差異性，由圖像特征向量的歐氏距離表示。

3 實驗與分析

3.1 實驗圖像集描述

收集陶瓷圖像和非陶瓷圖像分別作為正例和反例樣本組成實驗圖像數(shù)據(jù)庫。其中，正例樣本共1000 張圖片，包含10 類陶瓷圖像，分別是白陶瓷杯、金藤花杯、彩陶瓷杯、粗陶瓷杯、黃金龍杯、卡通瓷杯、藍扒花杯、青花瓷杯、水墨畫杯、紫砂茶杯，見圖3。反例樣本共1000 張圖片，隨機從加利福尼亞理工學(xué)院收集整理的數(shù)據(jù)集Caltech256 中取得。最終組成2000 張圖像的實驗圖像集。

圖3 實驗中的10 類陶瓷圖像Fig.3 Ten types of ceramic images in the experiment

3.2 實驗環(huán)境與過程描述

實驗在MATLAB R2013a 環(huán)境下進行。首先，搭建圖像多樣性檢索框架，實現(xiàn)圖像特征提取、特征相似度計算、圖像檢索結(jié)果顯示；然后，計算檢索結(jié)果的最大散度多樣性，來量化分析檢索結(jié)果的效果；最后，為了減少一次實驗而引起的偶然誤差，分別檢索10 類陶瓷圖像，并計算檢索結(jié)果的評價指標。

3.3 實驗結(jié)果分析

以卡通陶瓷杯輸入為例，例圖如圖4。相似度檢索結(jié)果如圖5。多樣性檢索結(jié)果如圖6。

圖4 輸入的陶瓷正例圖Fig.4 Input the ceramic image

圖5 相似度檢索結(jié)果Fig.5 Similarity retrieval result

圖6 多樣性檢索結(jié)果Fig.6 Diversity retrieval result

圖5 中以卡通陶瓷杯作為例圖在圖像庫中進行檢索，顯示前25 幅圖像檢索結(jié)果。檢索結(jié)果全部為卡通陶瓷類，不包含其他類別的陶瓷杯，也不包含非陶瓷杯的反例圖像。說明檢索結(jié)果可以很好地保證檢索結(jié)果的相關(guān)性。但是這樣的檢索結(jié)果包含了太多重復(fù)的信息，不能給用戶提供豐富多樣的信息。

圖6 中仍然以卡通陶瓷杯作為例圖在圖像庫中進行檢索，顯示前25 幅圖像檢索結(jié)果。檢索結(jié)果中有一幅非陶瓷圖像外，其他全部為陶瓷圖像，包含卡通瓷杯、粗陶瓷杯、水墨畫杯、陶瓷彩杯、藍扒花杯、紫砂茶杯、青花瓷杯共七種類別的陶瓷杯。說明多樣性檢索算法即保證了檢索結(jié)果的相關(guān)性，也使檢索結(jié)果的種類豐富多樣，為用戶提供了更多的有用信息。并且檢索結(jié)果中和輸入例圖同類別的卡通瓷杯共有6 幅，也展現(xiàn)出了不同角度、不同形狀的圖像。

為了能夠更好地進行對比，本文分別輸入10類的陶瓷杯圖片，進行相似度圖像檢索和多樣性圖像檢索，并按照評價指標公式，計算兩種檢索結(jié)果的最大散度多樣性（MSD），如圖7。

圖7 不同陶瓷杯類別檢索結(jié)果（MSD）Fig.7 Retrieval result of different types of ceramic images (MSD)

從實驗結(jié)果中可以看出：分別輸入10 類的陶瓷杯圖片，初次采用傳統(tǒng)的基于相似度圖像檢索算法；再次采用多樣性圖像檢索算法，并分別根據(jù)評價指標公式（5）計算MSD。結(jié)果發(fā)現(xiàn)，采用多樣性檢索結(jié)果的MSD 有明顯提升。

4 結(jié) 論

本文根據(jù)陶瓷杯圖像特征，針對傳統(tǒng)的相似度圖像檢索中信息重復(fù)的問題，提出了多樣性檢索算法，并通過Matlab 分析與實現(xiàn)。實驗結(jié)果表明，陶瓷圖像多樣性檢索算法既能保證檢索結(jié)果的相關(guān)性，也能表達出檢索結(jié)果的多樣性。其為用戶提供更多的有效信息，提高了檢索效率，對陶瓷行業(yè)信息化發(fā)展具有重要意義。