综合颜色和纹理特征图像检索.docVIP

综合颜色和纹理特征图像检索 　　中图分类号：TP 文献标识码：A 文章编号：1008—925X（2012）O9—0124—01 　　摘要：提出了一种综合颜色和纹理的图像检索算法。使用分块法和圆环法提取颜色特征，包含图像的感兴趣区域，并使用改进的共生矩阵提取纹理特征。最后对颜色和纹理进行综合。实验结果表明，提出的新算法具有更高的检索率。 　　关键词：图像检索 圆环法 灰度共生矩阵 　　1、引言 　　近年来，随着信息技术的迅猛发展，图像处理在各个领域的应用越来越广泛。如何快速的组织、管理和检索图像数据库已成为近年来研究的热点研究课题[1]。图像特征可以从各个方面描述图像的内在语义。根据对不同特征定义的相似度来表示图像之间的相似度，可以实现对图像的精细、快速检索。基于内容的图像检索（CBIR）[2]得到学术界和应用领域的青睐。 　　本文在颜色的特征提取方面，利用文献[4]提出的基于HVS加权颜色特征的方法，对不同分块的主色进行加权处理，形成基于主色特征加权的颜色特征；在纹理特征提取方面，对传统共生矩阵进行改进，结合结构分析方法中的共生矩阵的优点，提取更丰富的纹理特征。最后利用高斯归一化方法将图像颜色和纹理特征结合，形成最终的检索特征。实验结果验证了该方法的高效性。 　　2、基于颜色特征的图像检索 　　2.1颜色空间选取 　　HSV颜色表示色相、饱和度和亮度三个分量组成，该颜色空间可以用一个圆锥来表示。每个分量都与人的视觉有一定的关联。 由于HSV空间是高维，需进一步进行量化，才可以使运算得到简化。 　　对于色调H、饱和度S和亮度V的权重分别取15、4、1，由于色调包含图像的大多数信息，减少亮度和饱和度对检索图像的影响，进行量化后[5]，合成为一维颜色：L=15H+4S+V 　　2.2 颜色特征的提取 　　采用分块和圆环结合的方式进行颜色特征的提取，首先对图像进行分块，将图像看成为矩阵，用行列号进行分块，对每个分块的像素进行量化合成后，都可以获得一个具有64（假设划分为8×8）的一维颜色分量的矢量，提取其中像素点数多的作为该分块颜色的主色，最后获得图像的综合主色颜色向量。采用熵的图像分块边缘检测[6]，然??采用圆环分割分割图像，图像被划分为N个圆形。上述两种方法的结合，克服传统只是通过单一的分块或圆环的方式来检索图像的颜色特征。此外，可以根据实际需要，解决图像的标准化、单一的问题。 　　采用直方图有时候会出现零值，影响检索的效果和标准。为此采用累加直方图法[7]： 　　是图像特征值为k的像素总数，N是像素总数。在四个区域分别提取68柄，共提取272柄颜色特征。 　　2.3相似度的计算 　　对于颜色特征的相似度的度量，采用欧氏距离，经过修改后的公式如下： 　　J，D分别是被检索图像和图库图像，Ex，Ey，Ez，Ew，为中心、圆环一、圆环二、外部区域的颜色特征；i为分量，N为总共的特征数目。 　　为每个区域的权重，分别取0.5，0.2，0.2，0.1。 　　3、基于纹理特征的图像检索 　　3.1 纹理特征提取算法 　　采用改进的共生矩阵和基元共生矩阵[7]，更能清楚的分析图像的纹理特征，结构分析方法的基本思想认为复杂的纹理可由一些简单的纹理基元以特定的、有规律的形式重复排列组合而成，它从图像内部结构重新研究纹理的规律。 　　将一幅彩色图像按照RGB—YCbCr公式进行转换。给定一个像素点（r，g，b）的灰度值为：V=0.289*R+0.560*G+0.151*B 　　通过对图像中的两点进行检索，计算其灰度值g（x，y）和灰度差值 □g（x，y）。由于图像有时候局部的颜色信息不同，通过计算、统计灰度差值的个数，就可以得到的灰度直方图。就可以计算 □g（x，y）当为i的概率，取值为P□（i）。并按照查询图像和被查询图像之间的相似度从大到小的排列。 　　3.2 相似度计算 　　采用欧氏距离法和比值法相结合的方法进行计算，这里主要介绍比值法。 　　fPj和fqj分别为检索图像和数据库中的第j个特征，MAX（）和MIN（）分别代表取最大值和最小值，N和M分别为特征数和方向数取值。 　　通过介绍欧氏距离法和比值法的计算，更能区分不同图像之间的相似度。克服传统计算法单一的处理方法。 　　4、颜色特征和纹理特征的综合 　　对于上述所讨论的颜色特征更侧重于整体，而纹理更侧重于局部。仅一种图像特征很难描述图像特征。只有把多种方法结合起来，才能全面的对图像进行描述。本文对前面所获得的颜色特征和纹理特征进行结合起来进行图像的检索。由于颜色和纹理特征基于不同的特征向量进行描述图像的特征，首先采用高斯归一化方法对其进行“外部归一化”处理。 　　5、实验结果分析 　　本文采用VC++6.0和SQL server2000进行检索系统的搭建。实验采用Corel图像库