基于分塊主色法的圖像無序激增數(shù)據(jù)檢索仿真

寧海濤

(長春工業(yè)大學人文信息學院，吉林 長春 130122)

1 引言

當前國家的科技水平和計算機網(wǎng)絡技術處于高速發(fā)展階段，隨之發(fā)展的還有圖像等多媒體領域，隨之而來的就是圖像數(shù)據(jù)的激增問題[1]。圖像數(shù)據(jù)激增后則會帶來較高的數(shù)據(jù)管理需求，目前人們面臨著如何實現(xiàn)對海量圖像數(shù)據(jù)信息進行分析、檢索和提取等問題，尤其是多媒體數(shù)據(jù)。相關學者針對這些問題作出了很多研究，大體上是基于圖像內容的視覺信息檢索，通過多媒體圖像對視覺內容進行檢索，例如顏色、形狀、紋理、空間分布和綜合特征等內容[2]。在這些視覺特征中，顏色作為最明顯的圖像特征，是人對圖像識別的主要感知特征[3]。另外，該特征經過旋轉和縮放都會保持不變，比其它特征更易獲得。在對圖像數(shù)據(jù)進行檢索時，顏色是使用率最高的特征之一。該領域的學者為此做了大量實驗，同時得出了很好的圖像檢索方法。

旋轉圖像檢索方法。通過設計多種具有旋轉和縮放不變性的基元結構描述符號，得到基元過度矩陣和平均矩陣，對圖像的紋理和顏色特征進行描述，同時以這兩個矩陣為基礎，采用統(tǒng)計學法獲得基元序列和相應顏色出現(xiàn)的頻率，最終得到顏色基元共生矩陣作為檢索結果[4]。結合顏色特征直方圖和灰度共生矩陣的圖像無序激增數(shù)據(jù)檢索方法。該方法最終通過加權平均法計算兩個特征之間的距離，以計算的距離值為圖像檢索結果[5]。顏色和紋理特征融合的圖像無序激增數(shù)據(jù)檢索方法。該方法首先從特定的圖像網(wǎng)格區(qū)域內提取兩個目標特征，然后對每個顏色值的紋理特征進行提取，得到具有旋轉和縮放不變性的混合目標特征，最終將混合特征的分析結果視為圖像檢索結果[6]。基于顏色和紋理特征的SVD圖像檢索方法。該方法采用歐幾里德距離對圖像的相似程度進行分析計算，相似度計算結果就是圖像檢索結果[7]。

傳統(tǒng)方法通常都是將顏色特征和其它顯著特征融合，再對圖像進行檢索。這種融合特征的圖像檢索方法，當特征總數(shù)量過多時，可能會出現(xiàn)目標特征提取不足的情況，導致檢索結果較差，準確度低等問題，同時由于提取目標特征以及將其融合的過程較為繁瑣耗時，可能會影響整體運行時間。為此，提出一種基于分塊主色法的圖像無序激增數(shù)據(jù)檢索方法。經過仿真證明，該方法具有較好的檢索性能，且運行時間較短，檢索準確度較高。

2 基于分塊主色法的圖像檢索

2.1分塊主色法主要思想

基于分塊主色法對圖像進行檢索的主要思想：依據(jù)一定策略對圖像空間進行分塊處理，然后計算每個圖像分塊的主色調，將其視為該圖像分塊的顏色特征。分塊的主顏色就是在特定分塊中所占像素數(shù)量最大的顏色[8]。在對圖像進行檢索時第一步驟就是計算相應分塊主色之間距離，第二步采用加權法對該距離進行累計，并將最終距離視為圖像之間的實際距離。距離越小，則圖像之間的差異越微弱。

通常來說，一幅圖像可以具有大量可以代表圖像主要信息的畫面。如果在進行操作之前沒有對圖像相應的先驗知識有所了解，那么檢索系統(tǒng)想要對主要內容信息的分布和畫面尺寸進行確定是非常困難的。為了降低圖像檢索的誤差，令多個代表圖像主要信息的區(qū)域處在一個分塊內。為此，研發(fā)了一種圖像分塊策略：運用多個劃分樣式、尺寸和排列方式拆分圖像，將圖像拆分成小圖像塊。圖像中主題畫面可能會包含相鄰的分塊，在劃分之前令相鄰分塊在不同方向上各有特定的重合區(qū)域，分塊的重合區(qū)域選取該分塊尺寸的四分之一或是五分之一。

選用這種分塊方式可以選擇性適應不同粒度和不同位置的主體畫面，這點可以彌補單一分塊方式存在的問題和不足之處。

特征選取和匹配的計算量和難度都會隨著圖像實際顏色數(shù)量增加而增大，因此在現(xiàn)實中采用真實顏色對圖像進行檢索是不可能實現(xiàn)的。圖像中的真實顏色中很多個色彩將圖像中大部分的像素覆蓋住。如果選用這些顏色對圖像進行表達，可能會對圖像的質量產生一定影響，但是不會導致人們對圖像信息的錯誤判斷和分析。這時就需要通過在HSV空間中設定一個圖像顏色矢量量化公式，對色彩進行集合，該集合應該具備同時反映人的感知和對圖像原色彩的壓縮。

以HSV非均勻量化為參考，經過對顏色模型和實驗數(shù)據(jù)的分析，依據(jù)視覺特點對亮度Y和飽和度S進行非均勻量化，令經過處理的顏色比較能滿足人的視覺感知。將色調H空間拆分成11份，拆分S和量度V空間成4份；并按照色彩的不同范圍根據(jù)下式進行量化

(1)

(2)

公式中憑借H值獲取了若干個顏色空間，其中黑色、白色和灰色是色調H自身不包含的，但圖像受到S和V的影響，會呈現(xiàn)黑色、白色和灰色，因此需要添加這三種顏色。由此可得到將整個空間壓縮成的11×4×4個子空間，用符號L表示每個子空間，L的計算公式如下

L=HQsQv+SQs+V=16H+4S+V

(3)

式中：Qs和Qv分別表示S和V的量化級數(shù)；Qs=Qv=4，L∈[0，176]；根據(jù)式(3)可獲得空間中圖像的顏色像素值Pi(h，s，v)所處的子空間Li；同時計算圖像中每個子空間的目標像素值，就可得到HSV顏色直方圖。

圖像中的每個分塊，統(tǒng)計特征矢量L，并以L的直方圖為依據(jù)，選取像素點數(shù)量最多的顏色作為小圖像塊的主顏色，這樣就會得到一個綜合空間目標向量：L=(L1，L2，…，Ln)。

首先對小圖像塊主顏色之間的距離進行計算，計算公式如下

Di(p，q)=|Lpi-Lqi|

(4)

式中，Lpi和Lqi分別表示小圖像塊不同主顏色的特征矢量位置。

然后計算所有小圖像塊之間距離的加權和，并將其作為圖像p和圖像q之間的測量距離，加權和計算公式如下

(5)

式中，Wi表示加權系數(shù)。

2.2 圖像無序激增數(shù)據(jù)檢索

圖像顏色和邊緣均是圖像最重要的特征，通過兩者都可實現(xiàn)對圖像檢索[9-10]。如果將二者結合，將會減少圖像檢索過程中出現(xiàn)的誤差。首先對圖像進行拆分，分成4×4的小塊，并對每個小圖像塊的權值ωij進行自適應設定，以經過加權的一維顏色矢量直方圖為圖像目標特征，并按照相似度進行匹配，以完成圖像的檢索過程。

將圖像基于邊緣進行分割，具體步驟如下：

1)提取圖像的邊緣特征，得到邊緣二值圖像。

2)對圖像進行拆分處理，分成4×4的小塊。

3)對各個小塊中白色像素的比例進行計算。

4)對各個小塊中白色像素數(shù)量進行計算。

將待檢索圖像和含有主體內容的圖像分別用q和t進行表示，hq和ht代表兩個圖像的一維顏色矢量直方圖。D2(q，t)代表兩者之間的歐幾里德距離。計算步驟如下：

第一步將兩幅圖像均以4×4進行拆分，按照兩幅圖像中相應小圖像塊的一維顏色矢量直方圖，對兩幅圖像之間的歐幾里德距離進行計算[11-12]，公式表示為

(6)

式中：hij代表經過拆分后圖像處在i行，j列的小塊，m代表顏色經過量化后的值。

第二步對待檢索圖像中每個小圖像塊的權值ωij進行設定。

第三步對待檢索圖像和含有主體內容圖像之間的加權尺度進行計算。

經過計算分塊對應權值之后，可以此為基礎，對待檢索圖像和含有主體內容圖像時間的尺度進行計算，公式如下

然而，跑步運動為何如此蔚然成風？它映射了何種社會狀況和文化訴求？又具有什么社會文化意涵？對此我們需要跳出體育學的范疇，給予社會學的理論觀照。

(7)

對圖像無序激增數(shù)據(jù)進行檢索的具體步驟如下：

1)將圖像的顏色值轉化為HSV空間，并隨其進行量化；

2)對圖像進行拆分成小塊，并提取主色調和各分塊的主色調，將其余顏色進行排序，得到各分塊的顏色特征；

3)對所有圖像和圖像分塊之間的距離進行計算；

4)對計算所得的距離進行分析，得到最終檢索結果。

3 仿真證明

為了驗證本文方法具有較高的檢索性能，在設備配置為：操作系統(tǒng)Windows 10，CPU 3.5GHz，內存8GB，運行內存2GB的計算機上創(chuàng)建實驗平臺，采用Matlab數(shù)據(jù)庫處理系統(tǒng)，實驗編程語言選用C++，采用基于MPEG7的Caliph&Emir圖像檢索軟件作為平臺支持。

實驗對象采用某圖像數(shù)據(jù)庫中隨機挑選的五類(人、車、花、樹、兔子)圖像，每類圖像選出3張(每張圖像都有10張與之相似的圖像)，組成15次檢索，然后將每次檢索的前15張最像似的圖像作為檢索結果。

C=R/N

A=R/M

(8)

式中：R表示檢索得到的激增數(shù)據(jù)量，N表示整體激增樣本數(shù)據(jù)量，N表示整體樣本數(shù)據(jù)量。

通常來說查全率和查準率這兩個值越高，說明方法的性能越好，檢索效果越好，反之越差。

采用旋轉圖像檢索方法、圖像顏色和紋理特征融合檢索方法與本文檢索方法進行對比實驗(為了使實驗結果簡潔易讀取，令方法1、方法2分別代表旋轉圖像檢索方法、圖像顏色和紋理特征融合檢索方法)，并對結果進行分析，如表1所示。

表1 三種方法檢索結果對比

通過分析表1可知：在三種方法中，平均查準率和查全率最低的是旋轉圖像檢索方法，該方法主要針對圖像經過旋轉后，再進行無序激增數(shù)據(jù)的檢索，圖像經過旋轉后某些特征可能會發(fā)生一定程度的變化，導致檢索結果存在一些誤差，因此實驗評價指標值最低；而圖像顏色和紋理特征融合檢索方法相比，方法1表現(xiàn)得要好一些，該方法平均查準率和平均查全率的最低值分別為48.6%和44.5%，均低于本文方法；本文方法由于選取特征具有旋轉不變形，以該特征為基礎進行圖像檢索具有非常穩(wěn)定的結果，且本文方法將圖像進行分塊處理，并依次檢索，該步驟很大程度上提升了方法的檢索精度。

采用三種不同方法對“人物”圖像進行檢索，檢索效果圖如下所示，圖中a為原始圖像，b為旋轉圖像檢索方法的檢索效果圖，c為圖像顏色和紋理特征融合檢索方法，d為本文方法檢索效果圖：

圖1 不同方法檢索效果對比

通過分析圖1可知：直觀地來看，三種方法都能檢索出原圖像中的內容，但是三種方法檢索出的效果各不相同，經方法1處理過的圖像呈現(xiàn)過亮的狀態(tài)，且顏色像素塊不明顯，存在噪聲干擾；經方法2處理過的圖像，沒有太多的噪聲干擾，但是顏色像素塊過于清晰，使得圖像呈現(xiàn)模糊的狀態(tài)；經本文方法處理的圖像，既能清晰地觀察顏色像素塊，又可以看出圖像受到的干擾較小，由此可知，本文方法具較好的檢索性能。

為進一步驗證本文檢索方法的性能，對本文方法與方法1和方法2的檢索耗時進行對比，結果如圖2所示：

圖2 檢索耗時對比

分析圖2可知，在任意實驗次數(shù)下，本文方法的檢索耗時均低于其它兩種方法，且差距較大，表明本文基于分塊主色法的圖像無序激增數(shù)據(jù)檢索方法具有較好的檢索性能，能快速完成無序激增數(shù)據(jù)檢索。

4 結束語

針對傳統(tǒng)圖像檢索方法存在的顏色漏檢、檢索效率低和誤差大等問題，提出了基于分塊主色法的圖像無序激增數(shù)據(jù)檢索方法。該方法將圖像的顏色特征作為檢索通道，將圖像分為小塊，顏色像素最多的作為目標特征，進行圖像無序激增數(shù)據(jù)的檢索。經過在搭建的試驗平臺上進行仿真可以充分證明，所提方法具有較高的準確度，且檢索效率較高、耗時短。