基于内容的图像检索-福州大学学报.docVIP

粒子群优化结合相关反馈的花卉图像检索 朱丹红1，柯逍1,2，叶菁1 (1.福州大学 数学与计算机科学学院，福建 福州 350108； 2.福建省重点实验室为花卉图像的颜色模型，选取计算量较小的图像低层特征描述，按用户的满意度对检索结果进行评价，指导反馈过程中粒子的最优运动方向。实验表明，该算法能有效提高系统的检索效率。 关键词:花卉图像检索；粒子群优化；相关反馈；检索效率 中图分类号: TP391 Particle swarm optimization combined with relevance feedback for flower image retrieval ZHU Danhong1,KE Xiao1,2,YE Jing1 (1.School of Mathematics and Computer Science,Fuzhou University, Fuzhou, Fujian 350108,China; 2. Fujian Key Laboratory of Network Computing and Intelligent Information Processing, Fuzhou, Fujian 350108,China) Abstract: Aiming at flower image characteristics and balancing retrieval accuracy and speed of flower image retrieval system, this paper proposes an algorithm for flower image retrieval relevance feedback combined with particle swarm optimization. The algorithm uses color model for flower images, selects some less computational low-level image features, evaluates user satisfaction with the retrieval results to guide the optimal direction of particles motion in feedback process. Experiments show that the algorithm can improve the retrieval efficiency. keywords: flower image retrieval; particle swarm optimization; relevance feedback; retrieval effciency 0 引言 基于内容的图像检索(Content Based Image Retrieval, CBIR) 是利用图像自身所包含的丰富视觉内容，提取蕴涵的特征信息（如颜色、纹理、形状、空间布局、语义等），对图像数据库进行检索，从而获得用户感兴趣的图像。但上述低层特征与高层语义信息之间存在语义鸿沟[1]，加之用户对图像理解的主观易变性，使得检索结果常常偏离用户的需求。为此，相关反馈（Relevance Feedback）（Particle Swarm Optimization,PSO)PSO算法引入到RF领域，能够很好的保证检索的实时性与准确性，从而提高检索效率[3]。 基于内容的植物花卉图像检索是CBIR在植物性领域的重要应用[4]。由于花卉图像的多样性与不同类别花卉的相似性，系统通常难以取得检索精度与检索速度之间的平衡，因此检索效率不够理想。文献[5]融合视觉注意模型与区域增长算法提取出感兴趣区域作为花卉区域代表整幅图像实现检索，虽然减小了检索匹配的计算量，但对于部分花卉图像，所提取的感兴趣区域与实际花卉区域存在误差，从而影响检索的准确度。文献[6]对花卉图像进行缩放后，结合抠像技术，将图像的不同区域赋以权值并进行检索匹配，虽然获得了较好的准确度，但是检索过程的时间耗费较长，且缩放后图像产生一定的失真，也在一定程度上影响了检索结果。本文提出将PSO算法应用到花卉图像检索的RF过程中，并进行相应实验，实验结果表明该方法检索时间短，准确性高，具有很好的检索效率。 1 花卉图像的特征提取 1.1 颜色模型[7] 由于花卉图像受光照强弱的影响，产生颜色变化和阴影问题，所以采用常用的彩色图像颜色模型进行描述，检索效果不够理想。 文献[7]通过对大量花卉图像观察，发现花卉主体颜色分布多为单色，且偏向于红色(分量），因此提出适用于花卉图像的混合颜色模型。研究表明模型能够很大程度上减小光照和阴影的