一种基于多层位图颜色特征的图像检索方法

摘要

本发明公开了一种基于多层位图颜色特征的图像检索方法，该方法针对颜色信息丰富的图像，进行快速聚类得到各颜色聚类的合理统计分布中心，并以其为基准提取出能够反映图像不同分布层次上颜色差异的特征，进行图像检索。首先，对查询图像的颜色空间进行网格化，统计各网格中像素点数目，选取具有数目局部最大值的网格；然后，在K均值聚类算法中，通过应用一种新的距离优化算法和ENNS算法，快速生成各颜色聚类及其合理统计分布中心；另一方面，对查询图像进行空间子块划分，计算其高斯加权的颜色均值；接下来，通过图像子块颜色均值与颜色聚类合理统计分布中心的比较，提取K层位图特征；最后，综合颜色聚类合理统计分布中心与位图的相似性度量，进行图像特征的匹配检索。

主权项

1.一种基于多层位图颜色特征的图像检索方法，其特征在于，包括以下步骤：(1)对查询图像的颜色空间进行网格化；通过统计各网格中像素点数目，选取具有数目局部最大值的网格；(2)在K均值聚类算法中，应用一种新的距离优化算法，估算K个颜色聚类初始中心；应用ENNS算法，快速生成各颜色聚类；然后计算各颜色聚类的合理统计分布中心；(3)对查询图像进行空间子块划分，在对空间子块进行高斯加权后，再计算其颜色均值；(4)以K个颜色聚类的合理统计分布中心为阈值，通过将图像子块颜色均值与其进行比较，提取K层位图特征；(5)综合颜色聚类合理统计分布中心与位图的相似性度量，进行图像特征的匹配检索；所述步骤(1)按照如下方法：假设输入查询图像的颜色空间为RGB，将R,G,B各分量等分为η个区间，则颜色空间被划分为互不交叠的网格单元，图像中的每个像素依据其颜色值隶属于一个特定的网格；统计落入网格中的像素点数目，选取具有局部最大值的网格G_i(i＝1,…,M)共M个；所述步骤(2)中在K均值聚类算法中，应用一种新的距离优化算法，估算K个颜色聚类初始中心，是指：①计算每个具有数目局部最大值的网格中像素点的颜色均值：${\bar{G}}_i=\frac{1}{N_{G_i}}\underset{P_j\in G_i}{\Sigma }{P}_j\{R,G,B\},$$j=1,···{,N}_{G_i},$i＝1，…,M，其中，表示G_i网格中包含的像素点数目，M为具有数值局部最大值的网格数目；②选取具有最多像素点数目的网格，以其像素点的颜色均值作为第一个聚类初始中心点：$C_1={\bar{G}}_i=\arg \max \left\{N_{G_i}\right\},$其中，表示选取具有最大数目值网格的颜色均值，C₁表示第一个颜色聚类初始中心点；③对于k=2,…,K,C_k通过距离优化的方式选取：对于每个未被选取为初始中心点的网格颜色均值首先计算其与已经选取的聚类初始中心点的优化距离：${\alpha }_j={\max }_{i=1,···,k-1}\left\{\frac{N_{G_j}-N_{G_i}}{\left|\right|{\bar{G}}_j-C_i\left|\right|}\right\},$其中，max_{i＝1，，k-1}{·}表示选取与k-1个已选取的聚类初始中心点距离的最大值；那么：$C_k={\bar{G}}_j=\arg \min \left\{{\alpha }_j\right\},$其中，argmin{α_j}表示选取最小优化距离α_j所对应的网格颜色均值为第k个聚类初始中心；所述步骤(2)中在K均值聚类算法中，应用ENNS算法，快速生成各颜色聚类，是指：①以k=1,…,K，为初始聚类中心，分别计算聚类中心均值和图像每个像素点的颜色强度值：$I_{C_k}=\frac{R_{C_k}+G_{C_k}+B_{C_k}}{3},$其中k=1,…,K；$I_{P_i}=\frac{R_{P_i}+G_{P_i}+B_{P_i}}{3},$其中i=1，…,N；②对于每个像素点P_i{R,G,B},其中i＝1,…,N,计算其与第一个聚类中心C₁的距离：$d\min =D(P_i,C_1)={(R_{P_i}-R_{C_i})}^2+{(G_{P_i}-G_{C_i})}^2+{(B_{P_i}-B_{C_i})}^2;$③对于k=2,…,K，根据ENNS原理，如果则D(P_i,C_k)≥dmin；否则重新计算D(P_i,C_k)；如果D(P_i,C_k)<dmin，则更新dmin←D(P_i,C_k)；④更新聚类中心$C_k=\frac{1}{3}\underset{P_i\in C_k}{\Sigma }{P}_i\{R,G,B\},$其中k=1,…,K；循环执行②～④步骤，直到像素划分保持不变为止，最终得到所有像素按颜色欧式距离误差最小原则进行聚类的划分：i=1,…,N，k=1,…,K，其中，表示所有属于以C_k为中心的聚类中的像素集合；所述步骤(2)中计算各颜色聚类的合理统计分布中心，步骤为：①首先，对K个聚类分别以其中心C_k的均值为基础，按照像素颜色强度大于等于均值或小于均值，将聚类分为两个子集：和$U_{C_k}^l=\left\{P_i\right|I_{P_i}<I_{C_k}\};$②其次，再分别计算两个子集的均值，称之为上均值、下均值：${\bar{U}}_{C_k}^u=\frac{1}{3}\underset{P_i\in U_{C_k}^u}{\Sigma }{P}_i\{R,G,B\},$${\bar{U}}_{C_k}^l=\frac{1}{3}\underset{P_i\in U_{C_k}^l}{\Sigma }{P}_i\{R,G,B\};$③最后，求取上均值和下均值的平均值，作为聚类的最终的合理统计分布中心:$C_k^{\prime }=\frac{1}{2}({\bar{U}}_{C_k}^u+{\bar{U}}_{C_k}^l),$其中k=1,…,K，为最终合理分布的颜色中心；所述步骤(3)中对查询图像进行空间子块划分，在对空间子块进行高斯加权后，再计算其颜色均值，步骤为：①首先将查询图像分成互不重叠的图像块，记为B_j={b₁,b₂,…,b_N,}，即第j个图像块，其中j=1,…,L，N代表该图像块中像素的总数，L代表该图像具有的图像块的总数；②假设属于图像块B_j的像素在图像中的标准坐标为则在该图像块内，所属像素的相对中心坐标为：$(x_o^j,y_o^j)=(\frac{\Sigma x_i^j}{N},\frac{\Sigma y_i^j}{N});$根据高斯函数定义，图像子块中每个像素点对应的高斯加权系数为：$g\left(P_i^j\right)=e^{\frac{-[{(x_i^j-x_o^j)}^2+{(y_i^j-y_o^j)}^2]}{{2\sigma }^2}},$其中，σ为高斯分布的均方差；最后，得到各个图像块对像素颜色值进行高斯加权后的颜色均值：${\mathrm{\mu B}}_j=({\mathrm{\mu R}}_{B_j},{\mathrm{\mu G}}_{B_j},{\mathrm{\mu B}}_{B_j})=\frac{\underset{P_i^j\in B_j}{\Sigma }{P}_i^j\{R_i,G_i,B_i\}\otimes g\left(P_i^j\right)}{\underset{P_i^j\in B_j}{\Sigma }g\left(P_i^j\right)};$所述步骤(4)中以K个颜色聚类的合理统计分布中心为阈值，通过将图像子块颜色均值与其进行比较，提取K层位图特征，按照如下步骤：相对于K个颜色聚类的合理统计分布中心记图像的位图特征为T_k=(TR_k,TG_k,TB_k)，其中各分量分别为${\mathrm{TR}}_k=({\mathrm{TR}}_1^k,{\mathrm{TR}}_2^k,···,{\mathrm{TR}}_L^k),$${\mathrm{TG}}_k=({\mathrm{TG}}_1^k,{\mathrm{TG}}_2^k,···,{\mathrm{TG}}_L^k),$${\mathrm{TB}}_k=({\mathrm{TB}}_1^k,{\mathrm{TB}}_2^k,···,{\mathrm{TB}}_L^k),$则由下式生成：${\mathrm{TTR}}_j^k=\left\{\begin{array}{cc}1,& {\mathrm{\mu R}}_{B_j}\ge R_{C_k^{\prime }}\\ 0,& {\mathrm{\mu R}}_{B_j}<R_{C_k^{\prime }}\end{array}\right.,$${\mathrm{TG}}_j^k=\left\{\begin{array}{cc}1,& {\mathrm{\mu G}}_{B_j}\ge G_{C_k^{\prime }}\\ 0,& {\mathrm{\mu G}}_{B_j}<G_{C_k^{\prime }}\end{array}\right.,$${\mathrm{TB}}_j^k=\left\{\begin{array}{cc}1,& {\mathrm{\mu B}}_{B_j}\ge B_{C_k^{\prime }}\\ 0,& {\mathrm{\mu B}}_{B_j}<B_{C_k^{\prime }}\end{array}\right.,$其中，j=1,…,L，k=1,…,K，T_k=(TR_k,TG_k,TB_k)为二值位图特征；所述步骤(5)中综合颜色聚类合理统计分布中心与位图的相似性度量，进行图像特征的匹配检索是：首先，将颜色聚类合理统计分布中心的颜色值，在基于整个图像数据库的基础上，进行高斯归一化，方法为：${\tilde{C}}_k^{\prime }=\frac{C_k^{\prime }-\alpha }{\gamma },$其中代表图像库中所有颜色聚类合理统计分布中心的均值，代表图像库中所有颜色聚类合理统计分布中心的标准差，Z代表图像库中所有图像的数目，代表第z幅图像中第k个颜色聚类的合理统计分布中心；然后，对颜色聚类合理统计分布中心的颜色值进行欧式距离度量，对位图特征进行城区距离度量；最后，将两者特征的相似距离之和，作为图像间的相似度距离，并依次进行图像匹配。