一种多特征信息融合的颜色特征检索方法.docxVIP

一种多特征信息融合的颜色特征检索方法 0 基于hsv颜色模型的直接示例查询 颜色是照片最重要的特征之一。通常，用户很容易记住物体的颜色。因此，基于颜色的搜索是基于内容的图像搜索的最基本方法，这些搜索可以针对不同类型的彩色图像进行分析。目前, 人们已提出了许多借助于颜色特征对图像进行检索的方法, 这些方法常用的彩色空间有RGB、YIQ和HSV等等, 提取的主要特征是颜色直方图。常用的计算直方图之间距离的方法有直方图相交法、距离法等, 这种采用颜色直方图的方法, 具有非常良好的鲁棒性, 它对位置、方向, 甚至形状的扭曲变形都不是特别敏感。为了弥补空间信息的丢失, 人们又提出许多颜色空间信息的检索方法。这类方法存在两个问题, 一是特征维数过高, 比如:对于RGB模型, 每一个颜色分量都取 (256) bin, 则整幅图像就是 (256×256×256) bin。这对于日益膨胀的图像库来说, 是不可容忍的;二是对光照的特别敏感, 光照对图像颜色的影响特别大, 这将严重干扰检索的结果。 本文采用基于HSV颜色模型的直接示例查询法, 首先对图像的不同分量根据人类的视觉对颜色感知的经验值进行非均匀量化, 有效地压缩了特征矢量的维数, 其次, 进一步采用主分量分析 (principal components analysis, PCA) 对图像特征降维, 可以减小特征数据库的大小, 提高图像的在线查询速度。为了减少光照强度变化对颜色检索影响, 本文给出了采用颜色常量直方图的具体求法。 1 各相临区域内颜色的变化 颜色常量方法是使用颜色值对数的导数索引的方法 (拉普拉斯或方向导数) , 它得出的结果是与相临区域的变化率。因为, 光照度在一定区域内可以看作为定量, 这样以颜色变化率为索引, 就可以排除光照成分对颜色的影响。下面介绍颜色常量直方图的具体求法。 (1) 指定的颜色值的对数 (2) 不同的体积 拉普拉斯卷积 4个方向导数 (3) 常量直方图的构建 拉普拉斯 4个方向导数 2 训练集的本征向量的检索 由于采用上述方法得到的特征维数还是比较高, 所以我们采用PCA方法对特征进行降维。设为一个图像集, 其中d为图像集中包含的图像个数,是使用前述方法获得的图像的高维特征向量。随机地从图像集中抽取若干个图像组成训练集, 例如, 抽取图像集中的10%组成训练集。假定我们选取的训练集足够大并且具有多样性, 它就足以能描述图像集的分布特征。因此, 当向图像集中加入其它新图像时, 不需要重新计算PCA变换。设为训练集中包含的q个图像, 则训练样本的均值m和协方差矩阵C可采用如下方法计算 设为协方差矩阵C的本征向量, 它们对应的本征值为λ。即 注意, C是一个规模很大的矩阵, 直接计算C的本征值和本征向量将是十分困难的。为此, 我们首先对矩阵进行奇异值分解 (SVD) , 然后通过计算矩阵的本征值和本征向量来计算机 (9) 中的向量。。 一旦计算出矩阵的本征值和本征向量, 我们将这些计算出的本征向量按其对应的本征值的大小降序排列, 并将它们作为列组成PCA变换矩阵 (K-L变换) U。K-L变换可表示为 其中,就是我们得到的用于检索图像的特征向量, 即图像表示。在实际应用中, 一般只选取图像特征向量的前k个分量活K-L变换系统用于检索图像, 选取k是根据系统所允许的平方误差而确定的。 3 相似度量函数 图像检索的性能不仅依赖于所抽取的图像特征, 而且也与所采用的距离度量或相似度量函数密切相关。所谓相似度量函数, 就是根据某些预先设定的准则来计算并返回两个图像之间的相似度。在这里我们采用符合人类心理的且很简单的欧氏距离作为度量。设为两个图像, 则它们之间的距离定义为 4 光照因素对图像检索结果的影响 我们使用相同的检索集合进行了直方图检索实验, 图1给出了系统中的一个检索示例, 图2是同一查询使用直方图相交方法得到的检索结果 (图1, 图2中左上角是例子图像) 。从图1可以看出, 除了例子图像外, 其它3个正立的蝴蝶分别比例子图像亮度高、亮度低和对比度较大, 本文讨论的方法主要不是针对颜色特征的旋转、平移不变性等优点, 而是研究如何减少光照因素对图像检索结果的影响。图1的结果中所有正立图像 (包括受光照影响的图像) 排在所有旋转图像之前, 并且欧氏距离有一定的差距, 这恰恰说明了采用本文方法使得光照对检索结果影响不大。但是在采用传统直方图方法所得到的检索结果 (如图2所示) 中, 其中的一个大对比度图像和一个低亮度图像排列在没有受到光照影响 (但旋转) 的后面, 可见光照因素对检索结果影响非常大。 5 改进的图像特征 本文讨论了一种基于颜色的图像特征提取方法及其相应的检索技术。通过抽取图像的颜色常量特征, 利用PCA方法得到一种简单并且有效的图像特征。同时