基于MatlabCBIR系统设计与实现.docVIP

基于MatlabCBIR系统设计与实现 　　摘 要 随着互联网的发展，网络上的图像数据呈现爆炸式增长，基于内容的图像检索技术应运而生。文章描述了基于内容的图像检索（CBIR）系统的设计与实现。该系统使用颜色矩、旋转不变局部二值模式、Harris角点检测分别对图像的颜色特征、纹理特征和角点分布情况进行描述，采用局部敏感哈希（LSH）实现相似性检索。可以根据用户输入的图像，输出图像库中的相似图像。该特征描述方法特征向量维数小，对图像旋转、尺寸变化具有鲁棒性，且有较高的识别率和较短的识别时间。 　　关键词 图像识别；颜色矩；旋转不变LBP；Harris角点检测；局部敏感哈希 　　中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2018）211-0137-05 　　图像具有直观、生动的特点，现已成为信息表达和资源共享的主要形式。Facebook平均每天新增照片3亿5 000万张，用户累计上传图像达2 500亿。如何高效地利用丰富的图像资源，对图像的内容进行描述、组织和检索，是未来的机遇与挑战。 　　传统的图像检索基于文本信息（TBIR），依赖用户上传图像时设定的标签或标题，或者采取人工的方式对图像进行标注、分类。传统的TBIR存在以下问题： 　　1）人工标注具有主观性，且图像包含的信息丰富，难以用文本全面描述。 　　2）图像数量庞大，人工标注效率低、成本高。 　　3）世界范围内语言种类庞大，同样的图像对应若干种不同语言的文本信息，难以统一[ 1 ]。 　　为了跨越语义的鸿沟，实现图像的自动分类，基于内容的图像检索技术应运而生并得到迅速发展。本文所述的CBIR模型用Matlab GUI搭建用户交互界面，用颜色矩、旋转不变局部二值模式、Harris角点检测提取图像特征，用局部敏感哈希实现相似性检索。对图像旋转、尺寸变化具有鲁棒性，且有较高的识别率和较短的识别时间。 　　1 数据集描述 　　数据集有1 000张图片，19个类别，包括建筑、人物、自然、布料、食物等多个方面。图片的长边像素、宽边像素在100px～3000px之间不等。部分图片及数据集描述如图1、表1所示。 　　2 图像特征提取 　　2.1 颜色特征 　　2.1.1 颜色矩 　　颜色特征作为最显著、稳定的视觉特征，是人识别图像的主要感知方式。与其他特征相比，颜色特征对图像的方向、尺寸、视角，依赖性较小，具有较高的鲁棒性。常见的颜色特征表示方式有颜色直方图、颜色矩、颜色熵。其中颜色矩维数较小，简洁高效，可以对图像进行快速有效地初步筛选。 　　Stricker和Orengo提出了颜色矩的图像特征提取方法[ 2 ]，利用图像3个颜色分量上的一阶矩、二阶矩、三阶矩表示图像的颜色特征。具体计算公式如下： 　　2.2 纹理特征 　　2.2.1 旋转不变局部二值模式 　　纹理特征是图像重要的底层特征，与颜色特征相比，不容易被人感知。图像的纹理特征通过像素及其周围邻域的灰度分布来表现，描述了图像中反复出现的局部模式和他们的排列规律。常见的纹理特征表示方式有灰度共生矩阵（GLCM）、局部二值模式（LBP）、小波变换等。 　　局部二值模式（LBP）由Ojala等人提出[3]，较GLCM计算复杂度低，简单高效。又可以分为灰度不变LBP（Gray Scale Invariant Pattern）、旋转不变LBP（Rotation Invariant Pattern）、等价LBP（Uniform Invariant Pattern）。其中旋转不变LBP采用二进制循环移位的原理，将灰度不变LBP的模式由256种减少至36种，同时增强了LBP算子对图像旋转变化的鲁棒性，是对图像纹理特征的有效描述。旋转不变LBP的计算方式如下： 　　以中心像素gc（xc，yc）为圆心R（单位：像素）为半径作圆。选取圆上均匀分布的P个像素点。P = 4，R =1.0，P = 8，R =1.0时，如图2所示。 　　2.3 角?c分布情况 　　2.3.1 Harris角点检测 　　Harris算子是Harris于1988提出的角点检测子[5]。算法基本思想是使用一个固定窗口在图像上进行任意方向的微小移动，比较移动前后，窗口中像素的灰度变化程度。如果任意方向的移动，都有较大的灰度变化，那么可以认为该窗口中存在角点。 　　基于内容的图片检索系统主要分为.mat图像特征库和Matlab GUI两部分。要实现基于内容的图片检索，实际上就是将输入图片的特征向量与数据库中已有图片的特征矩阵进行相似性匹配。分为以下几步： 　　1）建立已有图像的特征库。依据之前叙述的方法，计算每张图片颜色矩特征向量Fcolor（9维）、LBP特征向量Flbp（36维）、Harris特征向量F