《基于颜色和梯度方向共生直方图的图像检索-谢莉.pdf》由会员分享，可在线阅读，更多相关《基于颜色和梯度方向共生直方图的图像检索-谢莉.pdf（6页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、ComputerEngineering andApplications计算机工程与应用 2016，52(10) 181基于颜色和梯度方向共生直方图的图像检索谢 莉1，成运1，曾接贤2，余胜1XIE Lil，CHENG Yunl，ZENG Jiexian2，YU Sheng1湖南人文科技学院信息科学与工程系，湖南娄底4170002南昌航空大学软件学院，南昌3300631Department of Information Science and Engineering，Hunan University of Humanities，Science and Technology，Loudi，Hunan
2、 4 1 7000，China2School of Software，Nanchang Hangkong University，Nanchang 330063，ChinaXIE Li，CHENG Yun，ZENG Jiexian，et a1Image retrieval based on color and motif gradient direction COoccurrencehistogramComputer Engineering and Applications，2016，52(10)：181-186Abstract：In order to fuse shape and color
3、features，this paper presents a novel color image retrieval algorithm based onmotif gradient direction COoccurrence histogram and color histogramFirstly,divide the image into 4x4 non-overlappingmotifBased on the average amplitude of the gradient，each motif is classified into visual uniform motif and
4、visualnonuniform motifSecondly，calculate average color during each visual uniform motifand quantify it into 72 levels inHSV spaceConstruct the visual uniform motif color histogram as the local color image descriptorsThen，obtain the globalcolor histogram by uniformly quantize the HSV color image into
5、 72 colorsLastly,obtain the motif gradient directionCOoccurrence histogram to depict the shape feature of imageA color image retrieval feature vector is fused by the localcolor image descriptor,the global color histogram and the shape featureExperimental results indicate that the algorithmcan descri
6、be the color and shape feature，and it has invariance in rotation and sizeIts similarity measure is very effective，and it has higher precision and recall rateKey words：image retrieval；color histogram；motif gradient direction COoccurrence histogram；visual uniform motif；visualnonunjform motif摘要：为有效融合图像
7、的形状、颜色等特征，提出一种基元梯度方向共生直方图和颜色直方图的彩色图像检索算法。首先将图像划分为4x4互不重叠的基元，并根据基元的梯度平均幅值把基元分为视觉均衡基元和视觉非均衡基元；接着计算视觉均衡基元的平均颜色值，并将其在HSV空间中量化到72色颜色空间，构建视觉均衡基元颜色直方图作为彩色图像的局部颜色描述子；然后将图像中各像素点颜色值在HSV空间量化到72色颜色空间，获得图像的全局颜色直方图；最后在视觉非均衡基元中构建梯度方向共生直方图描述图像的形状特征。融合局部颜色描述子、全局颜色直方图和形状特征构成彩色图像检索特征矢量。实验结果表明，所提算法能够准确描述彩色图像的颜色和形状特征，具有
8、很好的旋转不变性和尺度不变性。相似性度量非常有效，查全率和查准率均有较大提高。关键词：图像检索；颜色直方图；基元梯度方向共生直方图；视觉均衡基元；视觉非均衡基元文献标志码：A 中图分类号：TP3914l doi：103778jissn1002833114060366基金项日：国家自然科学基金(No61165011)；湖南省科技计划项目(No2013GK3109)；湖南省自然科学基金项目(No12JJ2040)；湖南省重点学科建设项目；湖南省高校科技创新团队支持计划项目；湖南人文科技学院教改项目(NoRKJGZl419)；湖南省教育厅项目(No15C0726)。作者简介：谢莉(1982一)，女，
9、讲师，研究领域为图像处理，模式识别；成运(1966一)，男，通讯作者，博士，教授，研究领域为视频及图像处理，E-mail：chy8370002gmailcom；曾接贤(1958一)，男，教授，研究领域为图像处理，模式识别；余胜(1982一)，男，讲师，研究领域为图像处理，模式识别。收稿日期：20140625 修回日期：20140912 文章编号：10028331(2016)10018106CNKI网络优先出版：201 5-0129，http：wwwcnkinetkcmsdetail112127TP201501291117016html万方数据Computer Engineering and A
10、pplications计算机工程与应用1 引言随着信息技术的发展，图像资源的管理和检索显得尤为重要。因此，基于内容的图像检索技术成为图像处理中研究的热点”21。通常用颜色、纹理和形状等底层特征来描述图像，并用于图像检索”j。图像特征的准确提取与描述，是图像检索的基石，直接影响到检索系统的性能。在传统的检索技术当中，单一的特征很难全面、有效地描述图像信息”41。Liu”提出用基元共生矩阵(TCM)来描述图像的颜色和边缘方向信息，该方法描述了图像的空间颜色信息。陈鹏”，使用图像融合的检索方法提高检索性能。Neamabadi81将图像划分成4x4大小的非重叠基元，通过求基元的平均梯度幅值将图像基元分
11、为视觉非均衡基元和视觉均衡基元两类，分别在这两类基元中进行特征提取。该方法融合了图像的形状和颜色特征，但仅考虑了梯度幅值而忽略了梯度方向，影响了图像形状特征的描述。Kimpl首先把图像进行分块处理，然后统计各子块的颜色直方图并计算两幅图像相对应子块间的相似距离，最后把所有子块距离求和作为两幅图像的相似度。但是，该方法为局部描述子，丢失了全局颜色直方图具有的平移、旋转不变性等优点。文献101提出一种基元共生矩阵方法描述图像的三阶统计信息，在检索性能上比彩色共生矩阵要稍优。但仅考虑了各像素间颜色值的差值，缺少对图像形状等信息的描述，检索准确率偏低。文献【11对基元共生矩阵进行了改进，并融合了颜色直
12、方图和基元灰度均值直方图实现图像检索。文献12131等提出对图像进行分割，获取图像的主要区域，然后再提取各区域的颜色和空间等信息作为图像特征，但很难准确地分割出图像的主要区域，因此检索效果欠佳。因此，本文提出一种综合颜色特征和基元梯度方向特征的图像检索方法。颜色特征包括局部颜色信息和全局颜色信息；基元梯度方向共生直方图描述了视觉非均衡基元的形状特征。该方法有效整合了图像的颜色和形状特征，且具有很好的旋转不变性和尺度不变性。2图像特征提取21颜色直方图211 HSV颜色空间中的颜色值量化HSV颜色空间最符合人的视觉系统，被广泛应用于颜色特征的提取。表示色调，H00，3600，00代表红色，120
13、0代表绿色，240。代表蓝色。S和V分别表示色彩的饱和度和亮度，S、V eo，1。为了减少算法的计算量，本文采用文献13】中方法把H量化到8个区间，s和y量化到3个区间，式(1)为颜色量化公式，量化后的颜色值P=0，1，71。P：9H+3S+y (1)212颜色直方图构造颜色直方图属于全局特征描述子，统计了图像颜色信息的分布情况，具有平移不变性和尺度不变性u”。假设彩色图像，总像素个数为m，m，表示，中颜色级别为k的像素个数，p(k)=m。m表示m。出现的概率，七=0，1，71。那么，的颜色直方图矢量可定义为H=p(O)，cp(1)，p(71)。22基元梯度平均值假设尺寸m x n的灰度图像，
14、将其划分为互不重叠的44大小基元S，对其中任一基元可定义为跚，力=I(p，g)：4ip4i+3，4jq4j+3)，其中i=0，1，罟一1，j-_0，1，罟一l。定义S6为基元的梯度幅值，S。(f，)按式(4)计算。AS(i，歹)。=meanI(p，q)：4i+2p4i+3，4jq4j+3一meanI(p，q)：4ip4i+1，4jq4j+3)(2)AS(i)，=meanl(p，q)：4ip4i+3，4j+2q4j+3)一meanl(p，q)：4ip4i+3，4jq4j+1)(3)SG(f，J)=JAS(i，歹)：+s(f，)： (4)对于彩色图像，各基元的梯度幅值Sa(i，J)取三个通道的平均
15、值。假设R、G和占三个通道中对应基元的梯度幅值为ScR(i，)、sGG(f，)和ScB(i，)，那么0，)按式(5)计算。品(f，)：SaR(i,j)+SGc_(i,j)+SGB(i,j) (5)一 j23视觉均衡基元颜色直方图&(i，)代表了该基元亮度变化情况。S6(i，J)越小，对应的图像基元亮度越均衡，该基元为原图像的背景区域或目标中平滑区域；反之，该图像基元亮度变化越明显，对应图像的边缘部分。因此，根据人类视觉分辨能力，选取一个梯度幅值的阈值将每一个图像基元划分为“视觉均衡基元”或“视觉非均衡基元”。根据文献8的研究，选取梯度幅值13作为划分基元类型的阈值，S。(f，J)大于13视为视
16、觉非均衡基元，反之则划分为视觉均衡基元。对于视觉均衡基元，本文用视觉均衡基元颜色直方图来描述其局部颜色信息。首先，在RGB颜色空间中分别求三个通道的颜色平均值，用所求的平均颜色值代表该基元的颜色值；然后把该代表颜色值转换到HSV空间并按照式(1)进行量化；最后对所有视觉均衡基元的量化颜色值进行统计，构建一个72维的视觉均衡块颜色直方图q=。(o)，而。(1)，矗。(71)，其中h(i)为量化颜色值i出现的次数。考虑到算法的尺度不变性，把。按式(6)进行归一化，视觉均衡块归一化颜色直方图记为H。=矗。(0)，。(1)，h(71)。图1(a)为原图，图1(b)(f)分别为不同角度旋转和不同尺度变化
17、后的视万方数据谢莉，成运。曾接贤。等：基于颜色和梯度方向共生直方图的图像检索100 9O8莪也0 5芋o 4卉0 3O20 10a)原图-L J上1-1 一Jt J-O 20 30 40 50 60 70 80区ffiJ(C)经90。旋转后直方图j1 L上 I卜lo 20 30 40 50 60 70 80区间。190O 8裁戮卫麓n：。19008莪莪三。023n：?!- I JI上1 j h0 20 30 40 50 60 70 80区间(b)原图直方图1- 一JI J J J-0 20 30 40 50 60 70 80区间(d)经1 800旋转后直方图J |l ll lIJ 且。10 2
18、0 30 40 50 60 70 80区间(e)经05倍缩小后直方图 (f)经2倍放大后直方图图l视觉均衡块归一化颜色直方图觉均衡块归一化颜色直方图，对比各直方图可知本文描述局部颜色信息的视觉均衡块归一化颜色直方图具有较好的旋转不变性和尺度不变性。L m hn(f)一h。i。n”(f)2麓 (6)其中，h。i。和h。分别为Hn中最小分量和最大分量。24视觉非均衡基元梯度方向共生直方图24I像素点梯度方向视觉非均衡基元代表图像的边缘特征，像素点的梯度方向最能体现图像的边缘特征。为了获得准确的边缘信息，在RGB空间中计算像素点的梯度方向”。设，g，b是RGB空间沿R、G和曰轴的单位矢量，分别定义两
19、个矢量=婆dx，+筹g+挚dx 6和V=筹r+箪OV g+挚OV6。dx V dv 一再设，gw，为这些矢量的点积。gxx=dU=uTu=咿aR+掣aG+静 (7)刮叫=，TV=I茜12+I芳卜l芳12 (8)岛2H一=警茜+署琴+碧考 c9，则图像f(i，J)在点(f，)处的梯度方向o(i，)可用式(10)计算。棚=arccos(去) (10)鲍，J)=0。，1800】，为了减少算法计算量，本文把梯度方向值均匀量化到10个区间。242梯度方向共生直方图视觉非均衡基元代表图像的边缘信息，显然在视觉非均衡基元中仍按照视觉均衡基元的方法求基元的代表颜色将不合理。本文提出用视觉非均衡基元梯度方向万方
20、数据Computer Engineering andApplications计算机工程与应用共生直方图来描述视觉非均衡基元所表示的边缘信息。在视觉非均衡基元内，把各个像素点的梯度方向，)与该基元的平均梯度方向So(i，)相比较，如果O(i，)S。(f，J)，该像素用B标记，否则用L标记。然后分别求标记为B和L的像素的梯度方向平均值，并把该方向平均值均匀量化到10个区问。最后，用(i，J)表示在非均衡块中拥有的第i和，两个梯度方向，计算(i，J)出现的概率并构建视觉非均衡基元梯度方向共生直方图。如图2(a)所示为一个视觉非均衡基元中各个像素点的梯度方向值，该基元的平均梯度方向为834。，图2(b
21、)为分别标记为B和L的像素。图2(b)中标记为L的像素梯度方向均值为5220，标记为B的梯度方向平均值为1227。，因此该基元标记为(2，6)。在视觉非均衡块共生直方图中，(i，)和(，f)是等价的，(i，i)在非均衡块中出现次数为0。那么，在梯度方向量化到10个区间的情况下，视觉非均衡块共生直方图巩的维数为(10010)2=45，Hd=。(o)，hd(1)，d(44)。为使算法具有一定的尺度不变性，根据式(6)把进行归一化，归一化后的非均衡块共生直方图记为Hd。=d。(O)，hal(1)，hdn(44)。图3为图1(a)的视觉非均衡块归一化共生直方图，图4为对图1(a)进行900、180。旋
22、转和05倍、15倍尺度缩放后的视觉非均衡块归一化共生直方图。对比图3和图4中的直方图可知，本文用描述视觉非均衡基元边缘信息的视觉非均衡块归一化共生直方图具有较好的旋转不变性和尺度不变性。|IL 札 |lL-lO 20 80 18070 20 99 11080 60 90 10066 70 180 100L L L BL L B BL L B BL L B B(a)基元梯度方 (b)标记为B和L的像素图2视觉非均衡基元_-一札札“ L唧 f5 1 0 5 2()25 30 35 40 45 5()区luJ图3梯度方向共生直方图3相似性度量准则本文综合应用彩色图像的全局颜色直方图、视觉均衡块颜色直
23、方图和视觉非均衡块梯度方向共生直方图计算彩色图像间的相似度。把三个特征矢量联合形成一个特征矢量，那么图像库中每一幅图像最终可用一个189维的特征矢量F=厂(0)，厂(2)，f(188)来描述，用特征矢量a=q(0)，g(2)，q(188)表示为示例图像特征矢量。两幅图像的相似程度用特征矢量间的距离值来描述，距离越小说明两幅图像越相似。_-_一IL| L kL25 30 35 40 45 50区间I or7一090 8刻歪o5荨o4l里03o 2m!【一。lJL吐 o产肯繁气 lhL札 卜区间(d)经放大15倍网4经旋转、尺度变化后的梯度方向共生直方图098765432(0O00OOOO0丑垛巡
24、嵋睾Fnk洲一k一L。一5一一叮叮外1吖“-_针吖I卜nmmmmmnnn。r1躲搽一仁q_墨一_14rL札一广。；一斟珥裂L，O0O0OOO00丑髅毯妲芒1j万方数据谢莉，成运，曾接贤，等：基于颜色和梯度方向共生直方图的图像检索当前，用于计算两矢量间的距离有欧式距离，街区距离，改进的街区距离等形式。对于本文算法，分别按式(11)、式(12)和式(13)计算最终特征矢量间的欧式距离、街区距离和改进的街区距离进行对比实验，返回20幅图像的平均查准率如表1所示。由表1可知，改进的街区距离方法具有最高的平均查准率。因此，本文选用改进的街区距离方法来衡量图像问的相似度。表1 三种距离的平均查准率D(Q，
25、)=(，o)一g(啪2D(Q，)=一q(i)l。，。n堪旷(f)一g(f)ID(叫)-i蚤0揣J=。 r，1、，(11) (12)(13)4实验及结果分析本文采用Corel 1000图像库作为测试库，图像库中有土著人、马、花、建筑和海滩等10类图像，每类图像由100张相似图像组成。实验中，从每一类图像中随机选取10幅图像当作示例图像，算法的检索性能用查全率和查准率进行评价，查准率和查全率为：P=等(14)P=瓮(15)式中，。为返回的准确图像数目，为返回的所有图像数目，。为测试库中与示例图像相似的图像总数目。表2为文献4】、文献6】、文献10】、文献I 1 3】、文献1 5】和本文算法在返回2
26、0幅相似图像时，对每类图像的平均查准率和对测试库的总平均查准率。本文对恐龙、马、花朵等具有明显个体形状特征的图像类有非常好的检索效果，这些图像类的平均查准率达到了99以上，总的平均查准率为893，远高于文献10算法366。算法检索性能曲线如图5所示，图5(a)为平均查准率曲线图，图5(b)为平均查全率曲线图，在返回不同检索图像数目时，本文算法的查全率和查准率均要高于对比算法，检索性能要优于对比算法。图(6)为图像检索实例，图6(a)是以图1(a)作为示表2 六种算法的f均查准率例图像的检索结果，返回图像按与示倒图像的相似程度进行排列，其中图中数字代表其在测试库中的图名。从检索结果来看，返回的2
27、5幅图像均与示例图像相似，且原图作为最相似图像排列在检索结果的最前面。为验证本文算法的适应性，将图1(a)分别进行90。、180。、270。旋转和o5倍、15倍和2倍的尺度缩放，并将旋转和缩放后的6幅图像加入到Corel 1000测试库中，组成新的图像测试库。图6(b)(f)为图1(a)进行90。旋转、1 80。旋转和放到15倍后的检索结果，从检索结果来看，本文算法把经旋转和尺度变化后的图像均作为最相似的图像返回在最前面，尤其是在图6(c)中，经1800旋转后的示例图像，原始图像或经旋转、尺度变化后图像的7幅图像均作为相似图像排列在最前面，体现了本文算法较好的旋转不变性和尺度不变性。1000
28、90姆080扣70主o60050O40O 30O70O60谢0 50碧040开莩0,30O 20O 10O一本文算法 十文献【13】算法+文献15】算法鲁一文献4】算法甘文献6算法卜文献(10!算法20 30 40 50 60 70 80 90 lOO返回检索图像数目(a)平均查准率曲线图20 30 40 50 60 70 80 90 100返回检索图像数目(b)平均查全率曲线图图5检索性能曲线图万方数据186 2016，52(10) Computer Engineering andApplications计算机工程与应用No313 No381 No 320 No 316 No 354 No1
29、002 No 1004 No1007 No1003 No313叠套锺誊趟N。毫戛：烹黑烹叠薯No 327露一LLoJ(a)原图No1003 No313 No1004 No1004 No1002 NO1007 No1006黟龋 鼍叠No1005 No1006 NO 392 No 310,al迸攘酗NO354 NO368 No380 NO 320&No357蠢蕾NO 311馥盔鞠晒斛d罐No3l 3NO 364岛NO380嗣N01005b)900旋转No1003 NOl004霭NO354 NO 302趔盈蛊NO 368 NO326邋谱盛嘲No332 No 330 No 364 No16I No 3
30、82 No 30I No 311 No 320 No 304 No333_叠瞄曩鼍 呼翻国囝豳No301 NO326 NO172 No 304 NO377一圈圜嗣澄l C)180：旋转NO357蛊宣图6检索结果从对比实验结果可知，本文采用视觉非均衡基元梯度方向共生直方图描述图像的形状特征，全局颜色直方图和视觉均衡基元颜色直方图描述图像的颜色特征，有效融合了图像的形状、颜色特征，算法具有较高的查准率和查全率。从算法适应性实验结果可知，本文算法具有很好的旋转不变性和尺度不变性。5结束语根据基元梯度幅值均值，把彩色图像划分为视觉均衡基元和视觉非均衡基元两类。视觉均衡基元代表图像的背景区域或目标平滑区
31、域，用颜色直方图描述图像的局部颜色信息，同时考虑了图像的全局颜色信息，并用全局颜色直方图来描述；视觉非均衡基元中，用梯度方向共生直方图描述图像的形状特征。对比实验和适应性实验表明，本文提出的检索算法是行之有效的。参考文献：1】Rahua D G，Jatindra K DRotation invariant textural fea-ture extraction for image retrieval using eigen valueanalysis of intensity gradients and multi-resolution analy-sisJPattern Recogniti
32、on，2013，46(12)：325632672】张磊大规模互联网图像检索与模式挖掘J中国科学：信息科学，2013，43(12)：16411653【3】Wang X Y，Wang z YA novel method for image retrievalbased on structure elementsdescriptorJJournal of VisualCommunication and Image Representation，20 1 3，24(1)：63744】公明，曹伟国，李华形状和颜色混合不变量在图像检索中的应用J】中国图象图形学报，2013，18(8)：9901003【5】
33、曾接贤，王军婷，符祥K均值聚类分割的多特征图像检索NO 310 NO16l NO859 NO3l 7副曩赫_(d J15倍方法J计算机工程与应用，2013，49(2)：2262306】Liu H G，Yang J YImage retrieval based on the textonCOoccurrence matrixJPattern Recognition，2008，41(12)：35213527【7】陈鹏一种使用图像融合的图像检索新方法J】计算机应用与软件，2013，30(11)：73798】Nezamabadi P H，Kabir EImage retrieval using his
34、togramsof uni-color and bi-color blocks and directional changesin intensity gradientJPattern Recognition Letters，2004，25(14)：154715579】Kim N W，Kim T YEdge-based spatial descriptor usingcolor vector angle for effective image retrievalJModelingDecisions for Artificial Intelligence，2008，3558：365375【1 0
35、Jhanwar N，Chaudhuri S，Seetharaman GContent basedimage retrieval using motif COoccurrence matrixJImageVision Computer，2004，22(14)：121 1-1220【11】Lin C H，Chen R T，Chan Y KA smart contentbasedimage retrieval system based on color and texture featureJImage Vision Computer，2009，27(6)：658-66512Ju L F，Nozha
36、 BRegion based retrieval：fast coarse segmentation and fine color descriptionJJournal of VisualLanguages&Computing，2004，15(1)：68951 3】Vimina E R，Jacob K PA sub-block based image retrievalusing modified integrated region matchingJInternationalJournal of Computer Science Issues，20 1 3，1 0(1)：686-6921 4
37、】Aqeel M H，Hameed A YApplication of the fuzzy logicin content based image retrieval using color featureJInternational Journal of Computer Science and MobileComputing2014，3(2)：17018015】Liu G H，Li Z Y，Zhang L，et a1Image retrieval basedon microstructure descriptorJPattem Recognition，20 1 1，44(9)：21232133慰澧息邋慧翻慧曩燕商黼一鲨|避一遴一加鞋删萄埘f鲨一万方数据