一种综合多特征图像检索方法

摘要

本发明涉及一种综合多特征图像检索方法，包括进行图像特征的提取、索引和特征匹配，所述图像特征包括颜色特征、纹理特征和形状特征，所述图像的颜色特征提取包括：(1)将图像规格化为128×128像素；(2)将一幅图像分成m×n个小块；(3)对于每一小块图像的每个像素计算得出C’值，选定主C’值，由各主C’值形成一个对应的二维矩阵A。本发明通过对传统图像颜色特征的提取方法做出了改进，改进了传统局部颜色直方图法，比一般的基于颜色的图像检索方法的查准率有了较大的提高；采用了融合颜色、纹理、形状多种图像特征的图像检索方法，能够有效地提高方法的查准率。

主权项

1.一种综合多特征图像检索方法，包括进行图像特征的提取、索引和特征匹配，所述图像特征包括颜色特征、纹理特征和形状特征，其特征在于：所述图像检索方法包括下述步骤：(1)将例图和当前检索图像大小规格化为128×128像素；(2)将规格化后的图像颜色空间转换到HSV空间，同时进行量化，量化后共67级；(3)将图像分成32×32大小的块共16块，得出每块的颜色直方图，同时将这些块继续分成8×8大小的小块，提取各小块的主C′值，得到整幅图形的二维矩阵；每一小块图像的主C′值按下述方法提取：对于每一小块图像的每个像素计算得出C’值，选定主C’值，由各主C’值形成一个对应的二维矩阵A，大小为m×n，表示为A＝{a_ij} i＝1，2，…m；j＝1，2，…n；主C’值的选定原则是：将像素个数最多的C’值作为该小块图像的主C’值，如果多个C’值的像素个数相同且都最大时则取平均值后取整做为主C’值；图像C’值的计算方法如下：对图像选用HSV颜色空间，HSV各分量的范围为：h∈[0，360]，s∈[0，1]，v∈[0，1]，规定h、s、v为RGB空间颜色转换到HSV空间的连续值，H、S、V为h、s、v三个量量化后的离散值，量化方法如下式：$S,V=\left\{\begin{array}{cc}0& s,v<0.2\\ 1& 0.2\le s,v<0.7\\ 0& s,v\ge 0.7\end{array}\right.---\left(2\right)$量化后合成一维的颜色矢量C，合成方法如下：①对于v≤0.2的颜色认为是黑色，C＝0；②对于s≤0.1，且v＞0.2的颜色按亮度v划分为三种灰度，分别为：v∈(0.2，0.5]深灰，v∈(0.5，0.8]浅灰和v∈(0.8，1]白色，C的相应值分别为C＝1，2，3；③其它情况下由式(3)算出C：C＝4+9H+3S+V                                            (3)进而，C’取值如下式：$C^{,}=\left\{\begin{array}{cc}H& C\ne \mathrm{0,1,2,3}\\ 7& C=0\\ 8& C=\mathrm{1,2}\\ 9& C=3\end{array}\right.---\left(4\right)$(4)按分块颜色直方图相交法算出两幅图像的相似度Similarity₁₁，公式如下：${\mathrm{Similarity}}_{11}=\frac{1}{16}\underset{i=1}{\overset{16}{\Sigma }}\left\{\right[\underset{j=0}{\overset{66}{\Sigma }}\min (a_{i,j},b_{i,j})]/(32\times 32)\}---\left(9\right)$其中a_i，j，b_i，j分别表示两幅图像的第i(1≤i≤16)块的C值为j(0≤j≤66)的像索个数；(5)按顺序扫描步骤(3)得到的二维矩阵，得出图像的颜色相邻矩阵，并算出两幅图像的相似度Similarity₁₂，具体步骤如下：(5.1)建立一个k×k，k＝10的矩阵P，各元素初始值为0；将上步得到的矩阵A按Z字扫描顺序进行扫描得到扫描序列E，设E_i与E_i+1是扫描序列中的一对相继出现的颜色，E_i在E_i+1的前面，则P中相应元素P[E_i，E_i+1]自增1，反复直到扫描完成；(5.2)建立k×k的矩阵D，D中元素的计算公式如下式：$D_{i,j}=P_{i,j}/\underset{n=1}{\overset{k}{\Sigma }}{P}_{i,n}---\left(5\right)$则矩阵D就是该图像的颜色相邻矩阵；(5.3)采用下述方法进行相似度表征：设D_A，D_B分别表示两幅图像A，B的颜色相邻矩阵，大小皆为k×k，k＝10，则两幅图像间相似度定义如下式：${\mathrm{Similarity}}_{12}(A,B)=\frac{\underset{i=1}{\overset{k}{\Sigma }}\underset{j=1}{\overset{k}{\Sigma }}(D_{A_{i,j}}-{\mu }_A)(D_{B_{i,j}}-{\mu }_B)}{\sqrt{\left(\underset{i=1}{\overset{k}{\Sigma }}\underset{j=1}{\overset{k}{\Sigma }}{(D_{A_{i,j}}-{\mu }_A)}^2\right)\left(\underset{i=1}{\overset{k}{\Sigma }}\underset{j=1}{\overset{k}{\Sigma }}{(D_{B_{i,j}}-{\mu }_B)}^2\right)}}---\left(6\right)$其中，${\mu }_A=\frac{1}{k^2}\underset{i=1}{\overset{k}{\Sigma }}\underset{j=1}{\overset{k}{\Sigma }}{D}_{A_{i,j}}---\left(7\right)$${\mu }_B=\frac{1}{k^2}\underset{i=1}{\overset{k}{\Sigma }}\underset{j=1}{\overset{k}{\Sigma }}{D}_{B_{i,j}}---\left(8\right)$(6)按下式(10)对similarity₁₁和similarity₁₂进行合成得到图像颜色特征相似度Similarity₁：Similarity₁＝Similarity₁₁×0.6+Similarity₁₂×0.4        (10)(7)首先将图像转换成灰度图，再由CANNY算子得出图像的边界曲线，然后得到图像链码直方图表示的形状特征，最后再按直方图相交法计算形状特征相似度Similarity₂；(8)将步骤(7)中得到的图像边界曲线，提取出基于游程长度统计的图像纹理特征参数T₁，T₂，T₃ T₄，按下式(11)计算出两幅图像的纹理特征相似度Similarity₃：${\mathrm{Similarity}}_3=1-\frac{1}{4}\underset{i=1}{\overset{4}{\Sigma }}\left[\right|T_{a,i}-T_{b,i}|/\max (T_{a,i},T_{b,i})]---\left(11\right)$其中T_a，i，T_b，i分别表示两幅图像的T_i值；(9)将上面得到的图像颜色特征相似度Similarity₁、形状特征相似度Similarity₂、纹理特征相似度Similarity₃按下式(12)加权相加合成为两幅图像总的相似度：$\mathrm{similarity}=\underset{i=1}{\overset{3}{\Sigma }}{w}_i*{\mathrm{similarity}}_i---\left(12\right)$其中w₁＝0.6，w₂＝0.2，w₃＝0.2；(10)对图像库中的每幅图像重复以上步骤，计算出每幅图像与例图的相似度；(11)将图像按相似度的逆序排列，返回给用户。