一种基于形状和遗传算法的图像检索方法.docVIP

一种基于形状和遗传算法的图像检索方法 摘要：人们在图像检索的过程中就希望能够简便、快速、有效的检索出目标图像，从而顺利达到解决问题的目的。但是随着互联网与多媒体技术的不断发展，数字图像数据库已存储了大量的图像资源，因而这给人们快速、准确寻找到所需图像并有效利用图像资源出了一个大难题。面对这一情况，研究者们提出了一种基于遗传算法的内容图像检索方法，利用其最优群体搜索的优势大大提高与缩短了图像检索的精度与时间。在此，该文将着重分析一种基于形状和遗传算法的图像检索方法。 关键词：遗传算法；图像检索；形状；内容；方法 中图分类号：TP312 文献标识码：A 文章编号：1009-3044（2014）09-2026-02 当今是一个快餐式消费的时代，人们在高新科技的支持下开始接触到大量的数字图像信息，通过这些丰富的图像资源来了解世界以及解决工作需求。但是，面对存储量极大的数字图像数据库，这给人们快速、准确寻找到所需图像并有效利用图像资源出了一个大难题，为此人们不懈的研究出多种图像检索方法以攻克这一难题。据调查，当前主要以文本方式的图像检索系统来满足人们对图像检索的需求，这种图像检索系统是建立在图像文本关键词索引基础上，以相关数据库技术做辅助来实现，简单易行，较为成功的案例有“谷歌图像搜索引擎”。不过这种基于文本的图像检索方法存在局限性，因图像文本信息具有多义性，个人对图像关键词的理解有偏差，所以这在一定程度上会影响检索效果的准确性。 对此，近些年的图像检索方法开始趋向于以内容为基准的思路，通过提取图像特征（包括纹理、色彩、形状、空间关系等）并建立图像特征矢量库，如此人们就可以通过这种方法在图像数据库中检索出匹配图像。只是这种基于内容的图像检索方法的有效性取决于图像的特征提取及匹配选择，一般图像的特征提取与匹配选择使用一种有效的检索方法从大量的图像特征中提出去最有效的特征。但由于现实中存储在特征库中的图像多以向量形式为主，可能出现几十维、上百维的特征向量存储，这不利于用户检索出最优特征的图像。为解决这一不足，该文将尝试利用形状和遗传算法来优化图像的特征提取，进而方便用户快速检索出最优匹配的图像。 1 遗传算法的编码过程 在基于内容的图像检索方法中运用遗传算法能够有效提高检索效果的准确性，利于满足用户对图像检索提出的快速、准确等高要求。而在检索过程中需要历经5大步骤来实现：①首先在图像检索系统的图像库中随机抽取大于0幅的S幅图像，这些图像将成为第1代样本群体，以交互式遗传算法的标准向用户呈现样本；②系统根据用户搜索的对象需求来提取出每幅图像，并由用户来评价第1代样本群体中的图像；③这时，上一步骤中用户对图像的评价是系统计算出每幅图像对应染色体适应度值的主要依据，而后通过选择、交叉、变异等系列程序对第1代染色体图像群体进行遗传操作，以便促成新一代染色体群体的生成；④系统依据新一代群体的染色体状况从图像库中提取出数目为S的图像，进而向用户呈现交互式遗传算法的新一代图像样本群体；⑤用户在新一代样本群体中寻找所需图像，若找到匹配图像即可结束检索，反之回到步骤②继续操作。不过，在交互式遗传算法图像染色体的编码过程中，图像问题的解需由域空间转变为遗传算法空间，所以需要兼顾重视到图像的物理特征及相关遗传操作。 1.1 图像颜色特征的抽取 图像作为一种以视觉特征为主的表现载体，颜色特征是最容易简单、分辨的视觉特征之一，其独立在图像其他特征（如尺寸、方向等）之外，不易受其他因素的干扰。因此，在图像检索方法中以颜色特征为基准，将图像RGB颜色值作为物理特征的首选，这是基于内容的图像检索方法的一大特色。如以图像I为例，分辨率为[m×n]，像素p的位置处于[（i， j）]，其中（0[≤i m，0≤j n）]，假设p的颜色特征为[Ck m j]，颜色特征向量为[（Ri j，Gi j，Bi j）T]，而在描述图像I的红、绿、蓝三原色的数值矩阵时分别以R、G、B来表示，描述处于矩阵[（i，j）]的元素值分别以[Ri j，Gi j，Bi j]来表示。若把图像I的颜色特征向量表示为[F （C0，C1，...，Cm×n-1）]，则每幅图像的特征数据的个数都不小于[m×n×3]。 不过，若是在图像特征表述中直接使用这些数据并将其作为图像检索过程的话就会产生两方面的问题：①由于图像存在分辨率、颜色特征向量长度的不同，在遗传算法过程中图像染色体通过对应图像的特征向量元素表示，特征向量的长度不同就会影响染色体长度的不同，这会令遗传算法变得复杂化，且不易于控制；②鉴于一般图像的分辨率较大，这会导致在图像特征分析、抽取及遗传算法实践过程中消耗系统较多的时空资源，所以在此之前需要预先处理图像的原始特征数据。当然，通过图像颜色特征的抽取实验可得出一个经验，就是鉴于人们大多关注图像的大体特征及明