基于内容的图像检索

基于内容的图像检索

近年来因特网的快速普及，如何快速地在海量图像中搜索自己所需的图像显得十分重要。本文以图像为研究对象，分析纹理检索的统计方法，通过对纹理粗糙度、方向性、对比度等特征的分析，建立适合工程应用的图像检索系统。纹理是图像重要且难以描述的特征。由于众多图像纹理特征比较明显，所以基于纹理的检索具有重要的应用价值。

标签：图像处理纹理分析基于纹理的图像检索

1 引言

图像是对客观对象的一种相似性的、生动性的描述或写真。或者说图像是客观对象的一种表示，它包含了被描述对象的有关信息。它是人们最主要的信息源。据统计，一个人获取的信息大约有75%来自视觉。俗话说“百闻不如一见”，“一目了然”，都反映了图像在信息传递中的独特效果。所谓基于图像内容检索，即从图像库中查找含有特定目标的图像，也包括从连续的视频图像中检索含有特定目标的视频片段。它区别于传统的图像检索手段，融合了图像理解技术，从而可以提供更有效的检索手段。对于基于内容的检索系统，根据其处理的对象可将其分为静止图像检索和活动视频检索；根据图像库的内容可分为通用检索系统和专用检索系统。专用检索系统根据系统的专门要求进行检索，而通用检索系统所采用的技术则较为普遍。目前，对于通用的静止图像检索，用于检索的特征主要有颜色（Colour）、纹理（Texture）、草图（Sketch）、形状(Shape)等，其中颜色、形状、纹理等应用尤为普遍。

对图像的检索是基于图像的颜色、纹理、形状以及图像中子图像等特征，包括：①颜色检索，检索与用户指定颜色相似的图像。②纹理检索，检索具有相似纹理的图像。③形状检索，用户选择形状或勾勒草图，利用形状特征或匹配主要边界进行检索。④图像对象检索，对图像中所包含的静态子对象进行查询。

2 纹理分析

2.1 纹理的概述 提到纹理，人们自然会立刻想到木制家具上的花纹、花布上的花纹等等。木纹是一种天然纹理，花纹为人工纹理，它们反映了物体表面颜色和灰度的某种变化。这些变化与物体本身的属性有关。比如同一树种的木材有相同或相似的纹理，人们通过识别木纹来判断木材的种类和材质。纹理是图像中一个重要而又难于描述的特性，至今还没有公认的定义。有些图像在局部区域内呈现不规则性，而在整体上表现出某种规律性。习惯上，把这种局部不规则而宏观有规律的特性称之为纹理特性；以纹理特性为主导的图像，常称为纹理图像；以纹理特性为主导性的区域，常称为纹理区域。由于构成纹理的规律可能是确定性的，也可能是随机性的，纹理可分为确定性纹理和随机性纹理。纹理变化可出现在不同尺度范围内，若图像中灰度（或其他量）在小范围内相当不平稳、不规律，这种纹理就称为微纹理；若图像中有明显的结构单元，整个图像的纹理是由

这些结构单元按一定规律形成的，则称为宏纹理，上述的结构单元称为纹理基元。由此可见，在实际纹理图像的分析中，要针对纹理的类型，采用适当的分析方法研究其变化规律。

为了定量地描述纹理，需要研究纹理本身可能具有的特征。多年来人们建立了许多纹理分析方法。这些方法大体可以分为两大类：统计分析方法和结构分析方法。前者从图像有关纹理属性的统计分析出发；后者则着力找出纹理基元，然而从结构组成上探索纹理的规律，或直接去探求纹理构成的结构规律。

无论从历史发展还是从当前进展来看，统计分析法仍然占主导地位。在统计方法中，有关研究纹理区域的统计特性；有研究像素领域内的灰度或其它属性的一阶统计特性；有研究一对像素或多像素的灰度或其它属性的二阶或高阶统计特性；也有用模型来描述纹理的，如Markov模型、Fractal模型等。

2.2 灰度差分统计法 灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息，它作为分析图像基元和排列结构的信息。作为纹理分析的特征量，往往不是直接应用计算的灰度共生矩阵，而是在灰度共生矩阵的基础上再提取纹理特征，称为二次统计量。

在灰度共生矩阵的基础上，介绍灰度差分统计法：

假设图像中任意一点为（x,y）,它所对应的灰度值为g(x,y)；现有偏离它的另一点为(x+Δx,y+Δy)，它的灰度值为g(x+Δx,y+Δy),计算这两个像素的灰度差别为：

gΔ（x,y）=g（x,y）-g(x+Δx,y+Δy)(2.1)

让（x,y）在整个图像中移动，计出gΔ（x,y）取各个数值的个数，由此可以得到关于gΔ（x,y）的直方图，再由直方图可以知道gΔ（x,y）取各个值的概率，设为pΔ（i），参数i为gΔ（x,y）。假设图像像素的灰度值的级数为k，那么i的级数也为k，而灰度共生矩阵中g1和g2的组合共有k2种，很显然本方法大大减少了统计工作量。

灰度差分统计法采用下列参数来描述纹理图像的特性：

①对比度

本文采用灰度差分统计法，这种方法和共生矩阵法一样都能利用像素的空间信息，并且物理意义上显得更为直观。

3 实验步骤与分析

3.1 实验步骤

3.1.1 图像是256级，所以在进行计算和分析的时候，数据量过大，所以对灰度图像进行灰度压缩，本论文压缩到16级。

3.1.2 图像中的任意一点和另一点(x+Δx,y+Δy)的灰度差看成是1~16级种的哪一种，如是哪一种就在相应位置上加一，形成一个有16个元素的向量，数值大小表示为1~16级种相应灰度值的个数。

3.1.3 再求出总共像素的个数，以此来求出灰度差分直方圖。

3.1.4 由pΔ（i）计算图像的对比度CON、角度方向二阶矩ASM、熵ENT、平均值MEAN。

3.1.5 我们采用比值的方法计算相似度，公式如下：

其中MAX( )、MIN( )分别表示取最大值和最小值；fiq、fid分别表示示例图像和数据库中图像第i个特征，这里为CON、ASM、ENT和MEAN。N取4，表示有四个特征，M取4，表示有四个方向。

3.1.6 最后按相似度从大到小输出图像。

3.2 结果分析

本实验采用的是基于纹理的图像检索，实验中的对象是5幅图像，原始库中的图像顺序是ji.tif, j2.tif, j3.tif , j4.tif , j5.tif 。经过检索顺序变为 j1.tif , j2.tif , j5.tif , j3.tif , j4.tif。

这是由每幅图像分别与j1.tif图像的相似性决定的。这五幅图像各自与j1.tif图像的相似性数值如表1。

4 总结和展望

本文主要讨论基于图像纹理特征的检索，其中涉及图像特征的分析和提取，并且成功实现了一个基于纹理的图像检索实验系统。图像检索系统有必要运用到现在的社会生活中，广无边际的因特网上，医学领域的细胞鉴定等等都带来了极大的方便。

由于图像的特征表示还有很多，可进一步结合其它的特征进行检索，以提高检索精度。

参考文献

[1] Flicker M, Sawhneym H, Niblack W, etal. Query by image and video content: The QBIC system[J]. IEEE Computer, 1995, 28(9): 23~32.

[2] 彭瑜, 乔奇峰等. 基于多示例学习的图像检索方法[J]. 中文信息学报, 2008, 22(2): 64~69.

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文