集成局部和全局特征的艦船圖像檢索算法

邢偉寅，羅光明，李 礁，鐘樂海，韓正勇

(1.菲律賓黎剎大學研究生院，菲律賓 馬尼拉 1552；2.綿陽職業技術學院，四川 綿陽 621000；3.四川水利職業技術學院，四川 崇州 611200)

0 引 言

船舶作為海事管理中監管對象，每天會有海量船舶圖像存入海事管理數據庫里。為了滿足用戶檢索需求，研究船舶圖像檢索算法可提高用戶檢索船舶圖像效率[1-3]。潘麗麗等[4]研究三元組網絡圖像檢索算法，在提取船舶圖像特征后，利用三元組網絡，對船舶圖像實施分類，實現船舶圖像的檢索。但該方法的特征提取過程比較復雜，實時性較差。馬紹覃等[5]研究PCA 的哈希圖像檢索算法，該算法包括投影和量化步驟，利用主成分分析去除船舶原始圖像特征冗余信息，通過哈希編碼完成船舶圖像的檢索。但該算法在編碼時計算量較大，導致檢索時間長。

針對以上方法在船舶圖像檢索中存在的局限性，研究集成局部和全局特征的船舶圖像檢索算法。

局部特征有利于圖像中某一個區域的識別，全局特征能夠有效展示圖像信息。因此集成局部和全局特征，全面表征船舶圖像，可提高船舶圖像檢索能力。

1 船舶圖像檢索算法

為了提高用戶檢索所需船舶圖像效率，研究集成局部和全局特征的船舶圖像檢索算法，該算法流程如圖1 所示。由圖1 可知，船舶圖像檢索算法流程為：通過顏色矩方法提取船舶圖像全局顏色特征；基于塊截斷量化編碼理念，采用模糊C－均值聚類算法對船舶圖像實施分割預處理，并構建分割處理后船舶圖像的二值位圖，表征船舶圖像局部顏色特征；通過小波變換提取船舶圖像紋理特征；依據3 項特征求解待檢索船舶圖像與數據庫中船舶圖像的特征相似度，選取總相似度最大船舶圖像作為從船舶圖像數據庫的檢索輸出結果，該結果為用戶檢索所需船舶圖像。

圖1 船舶圖像檢索算法流程Fig.1 Algorithm flow of ship image retrieval integrating local and global features

1.1 船舶圖像全局顏色特征提取

集成局部和全局特征的過程：在對船舶圖像實施分割處理后，分別提取圖像的局部和全局特征后并融合，求解用戶搜索的船舶圖像和船舶圖像數據庫的相似度，選取相似度最大船舶圖像作為搜索結果。因船舶圖像顏色特征在低階矩中比較多，因此通過顏色矩方法(一階矩、二階矩)提取船舶圖像全局顏色特征，用1 個矢量表示船舶圖像的每1 個像素，該矢量公式如下：

其中：Ri、Gi、Bi為船舶圖像內第i個像素紅、綠、藍顏色分量值；Qi為船舶圖像內第i個像素顏色值；H為船舶圖像總像素。

一階矩表達式為：

二階矩表達式為：

紅、綠、藍顏色分量一階矩表達式如下：

紅、綠、藍顏色分量二階矩表達式如下：

一階矩表示船舶圖像索引圖，二階矩陣表示船舶圖像邊緣信息，2 個矩陣可提取船舶圖像全局顏色特征。

1.2 船舶圖像局部顏色特征提取

基于塊截斷量化編碼技術的船舶圖像局部顏色特征提取流程為：將圖像分為多個圖像子塊，求解各圖像子塊的方差、均值后，構建二值位圖，表示圖像局部顏色特征。依據塊截斷量化編碼理論，提取圖像局部顏色特征，采用模糊C－均值聚類算法對圖像實施分割預處理，將圖像分為4×4 子塊，Fα=(q1,q2,q3···ql)表示第 α個圖像子塊，其中1 ≤x≤z，圖像總子塊數量用z描述，船舶圖像子塊總像素數量用l描述。圖像子塊一階矩陣計算公式為：

其中，第j個圖像子塊用Qj描述。

紅、綠、藍顏色分量一階矩表達式如下：

對比全局船舶圖像均值和船舶圖像子塊均值確定二位值圖特征，當船舶圖像子塊均值小于全局船舶圖像均值時，該船舶圖像顏色分量為0。

1.3 船舶圖像紋理特征提取

對于船舶二維圖像，小波變換是通過對某個函數ε(x1,x2) 實施平移、縮減后生成以函數族εa,b1,b2(x1,x2)為基底的船舶圖像，分解船舶圖像(x1,x2)，得出船舶圖像在函數族的系數。小波變換計算公式為：

船舶圖像函數族為：

其中：b1，b2為平移因子；a為縮放因子。

采用二維離散小波變換提取船舶圖像紋理特征，為船舶圖像檢索提供數據支持。在保留船舶圖像紋理小波分解頻域后，通過調整小波系數抑制船舶圖像非紋理特征。船舶圖像紋理特征提取流程為：

1) 設圖像紋理集中在5 層和6 層，需重構船舶圖像5 層和6 層的高頻分量，求出3 組系數[Un,Vn,Dn]，第n層的水平系數用Un描述，垂直系數用Vn描述，對角線系數用Dn描述。

2)計算各分量的標準差SUn，SVn，SDn，表示圖像不同方向紋理特征。

3)歸一化處理。第n層總差異性Mn表達式為：

圖像紋理特征向量求解公式為：

1.4 基于相似度計算的檢索結果生成

采用歐式距離與皮爾遜相關系數求解出船舶圖像特征相似度，假設用戶需要檢索船舶圖像特征向量為X=(x1,x2,···,xn)，船舶數據集中特征向量為Y=(y1,y2,···,yn)，則歐式距離求解公式為：

歐式距離越小，說明待檢索圖像與圖像檢索結果相似度越大。

皮爾遜相關系數求解如下：

其中：向量X方差用Var[Y]描述；向量X、Y協方差用Cov(X,Y)；向量Y方差用Var[Y]描述；當V(X,Y)越接近0 時，說明待檢索圖像與圖像檢索結果相似度越小，反之，當V(X,Y)越接近1 時，相似度越大。

歸一化處理局部、全局顏色特征和紋理特征后，實施加權，得出船舶圖像總相似度，具體公式如下：

其中：we1，we2為局部、全局顏色相似度權重，pe1，pe2為局部、全局顏色相似度；wt為紋理相似度權重，pt為紋理相似度；Eη1，Eη2為需要檢索船舶圖像局部、全局顏色特征，Ek1，Ek2為船舶數據集中局部、全局顏色特征；Tη為需要檢索船舶圖像紋理特征；Tk為船舶數據集中紋理特征。

在求解用戶搜索的船舶圖像和船舶圖像數據庫的總相似度后，選取總相似度最大的船舶圖像為用戶需要船舶圖像檢索圖像。

2 實驗結果分析

為了驗證本文船舶圖像檢索算法的有效性，選取某地區船舶管理部門的船舶圖像數據庫作為實驗對象。船舶圖像樣本數據庫如表1 所示。

表1 船舶圖像樣本數據庫Tab.1 Ship image sample database

2.1 船舶圖像特征提取測試

船舶圖像樣本數據庫中選取其中一張客運船圖像(見圖2(a))，采用本文算法對該客運船圖像實施特征提取，其中紋理特征提取結果見圖2(b)。分析圖2 可知，本文算法可有效提取客運船圖像紋理特征，在保留船的圖像紋理小波分解頻域后，通過調整小波系數抑制船的圖像非紋理特征，為圖像檢索提供數據支持。

圖2 船舶圖像特征提取結果Fig.2 Ship image feature extraction results

2.2 檢索性能測試

為了測試本文算法的檢索性能，將匹配率和匹配時間作為檢索性能測試指標，分別采用本文算法、三元組網絡檢索算法和PCA 的哈希圖像檢索算法，對船舶圖像進行檢索實驗，經過50 次反復實驗，求出3 種算法的檢索性能的對比結果，如表2 所示。

表2 三種算法檢索性能比較Tab.2 Comparison of retrieval performance of three algorithms

分析表2 可知，在船舶圖像3 種變化(尺度變化、光照變化、旋轉) 條件下，與三元組網絡檢索算法PCA 的哈希圖像檢索算法相比，本文算法平均匹配率97.94%，平均匹配時間為11.9 ms，說明本文算法檢索性能較好，具有較高的匹配精確度，檢索速度快，能夠滿足用戶實時性檢索的需要，驗證了本文算法的有效性。

2.3 檢索效果展示

使用本文算法能夠實現船舶圖像檢索，檢索后結果界面見圖3。分析圖3 可知，本文檢索算法在船舶圖像檢索應用時效果較好，操作比較簡單，用戶將需要檢索船舶圖像拖拽至檢索船舶數據庫內，自動檢索與待檢索船舶相似圖像，并生成檢索結果，選取相似度為100%的船舶圖像檢索結果，說明本文算法具有較高的圖像檢索能力。

圖3 檢索效果展示Fig.3 Display of retrieval effect

3 結 語

本文通過提取局部和全局特征，并計算相似度，選取總相似度最高的船舶圖像，實現船舶圖像的檢索。通過大量試驗分析發現，本文算法的檢索效果較好，操作便捷，將需要檢索船舶圖像拖拽至檢索數據庫內，點擊檢索鍵自動檢索與待檢索船舶相似圖像，依據相似度高低選取最高相似度的船舶圖像，完成船舶圖像的檢索。