小波域颜色和纹理特征提取及图像检索方法研究

小型微型计算机系统Journal of Chinese Computer Syste m s

2009年10月第10期Vol 130No .102009

收稿日期:2008205229　基金项目:辽宁省自然基金项目(20072156)资助;辽宁省教育厅科学技术研究项目(20060486)资助;南京邮电学院图像处理与图像通信江苏省重点实验室开放基金项目(ZK 207008)资助.　作者简介:宋琳琳,女,硕士研究生,研究方向为图像检索技术;王相海,男,1965年生,博士,教授,博士生导师,CCF 高级会员,研究方向为CG 、CAGD 、多媒体信息处理.

小波域颜色和纹理特征提取及图像检索方法研究

宋琳琳

1,2

,王相海

1,3

1(辽宁师范大学计算机与信息技术学院,辽宁大连116029)2(内蒙古民族大学数学与计算机科学学院,内蒙古通辽028043)3

(南京大学计算机软件新技术国家重点实验室,江苏南京210093)

E 2m ail:xhw ang @lnnu .edu .cn

摘　要:对小波域图像颜色和纹理特征的提取方法进行研究,在图像颜色特征提取方面,提出一种基于分块的HS I 分量低频子带颜色特征提取方法,该方法首先根据人眼对图像的关注度对图像进行分块,对每一块的HS I 分量的小波分解低频子带的颜色特征进行提取,并通过加权获得图像的颜色特征;在图像纹理特征提取方面,提出一种基于高频子带灰度2差分基元共生矩阵的二阶统计量和各子带方向特征的纹理特征提取方法,增加了方向特性的纹理特征对图像纹理的刻画更加精细;在此基础上,提出一种综合利用所提出图像颜色和纹理特性的图像检索算法,提高了图像的检索精度.实验结果验证了所提出方法的有效性.

关键词:提升小波;颜色;纹理;方向性;图像检索中图分类号:TP 391 文献标识码:A 文章编号:100021220(2009)1022078207

Color and Texture Extracti on and Research of I mage Retr i eva l Ba sed on W avelet Terr itory

SON G L in 2lin

1,2

,W AN G X iang 2hai

1,3

1(C ollege of Computer and Infor m a tion Technology,L iaoning N or m a l U niversity,D a lian 116029,China )

2(C ollege of M a them a tics and Computer Science,Inner M ongolia U niversity for N a tiona lities,Tongliao 028043,C hina )3

(S ta te Key Labora tory for N ovel Soft w a re Technology,N anjing U niversity,N anjing 210093,China )

Abstract:This paper firstly studies the i m age color and texture features based on w avelet territory .In the i m age color features aspect,w e introduce a color features ′extract m ethod based on HS I low 2frequency subband color features after partition .F irstly,according to the i m age attention from hum an eyes,w e sp lit the i m age into sub 2blocks .Then extract HS I low 2frequency subband color features of each sub 2block after w avelet transfor m ,and w e can obtain the i m age color features by w eighting .In the texture features aspect,w e put for w ard a texture features ′extract m ethod based on the gray 2difference p ri m itive co 2occurrence m atrix of high 2frequency subband and the orientation features of each subband .The descrip tion to the i m age texture of this m ethod is m orn fine because of adding the o 2rientation features .O n this foundation,the i m age retrieval algorithm using both color and texture features i m p rove the i m age retrieval p recision .The experi m ent result testifies the validity of the p roposed algorithm.

Key words:lifting w avelet ;color ;texture;orientation;i m age retrieval

1　引　言

当今社会信息以爆炸方式迅速增长,种类不断增加,如何从海量数据中获得需要的信息日益显得重要.近年来,基于内容的图像检索技术[1]成为多媒体信息处理的热点问题.所谓基于内容的图像检索(C ontent B ased I m age R etrieval,简称CB I R )是指根据描述图像的内容的各种特征进行检索,这些特征通常包括图像中对象或区域的颜色、形状、纹理、空间位置关系等特征以及这些特征的组合等等.颜色是图像的一个重要属性,它对图像的几何形变通常具有一定的稳定性;纹理通常被定义为图像的某种局部性质,是图像空间信息分布的定量描述.

近年来,人们对基于颜色和纹理特征的图像检索技术进行了积极的研究,目前用于检索的图像颜色特征主要分为全局颜色特征和空间颜色特征,全局颜色特征主要包括颜色直方图特征[2]、颜色矩特征[3]和颜色熵特征[4]等等,该类方法计算相对简单,但缺少对图像空间分布信息的描述;空间颜色特征主要有颜色聚合向量[5]、颜色相关图[6]等.此外,还出现了基于分块的局部颜色特征的提取方法[7].纹理特征的提取方法具有包括统计纹理分析和结构纹理分析两种方法,前者包括灰度直方图方法和共生矩阵方法[8]等,该类方法原理简单,容易实现,但是存在计算量过大的缺点.结构分析法是从结构上探索图像纹理的规律,即纹理被认为是由一些简单的纹理基元以一定的规律重复排列组合而成,该类纹理提取的

难点是基元的提取和排列规则的确定.近年来,基于小波变换的纹理特征分析受到重视,提出一些基于小波多尺度分析的纹理分析方法,比如M anthalkar 等人采用离散小波包分解的方法得到了一种具有旋转和尺度不变的纹理特征[9],H aley 等人则提出一种基于G abor 小波模型的纹理特征[10],该特征同样具有旋转不变性,此外,文献[11]对图像进行H arr 小波提升变换后,提取其高频子带的能量作为纹理特征,提取低频子带的能量作为颜色特征.但总体而言,目前基于小波的纹理特征对图像的纹理特征反映的还不够全面,很多算法的复杂度还很高,对其进行的研究还处于发展之中.

本文对基于提升小波变换域的图像颜色和纹理特征的提取方法进行研究,在颜色提取方面,提出一种基于分块的HS I 分量低频能量的颜色特征提取方法,即首先根据人眼对图像中心区域关注程度较高的特点对图像进行区域分块,然后对每一块HS I 分量的小波分解低频子带的颜色特征进行提取,并通过对不同区域分块颜色特征的加权获得图像的颜色特征;在纹理提取方面,提出一种基于高频子带的灰度2差分基元共生矩阵的二阶统计量和各子带方向特征的纹理特征提取方法,该方法结合了各高频子带的统计特性和结构特性,同时又结合其方向特性,较为全面的反映了图像的纹理特性;在此基础上提出一种综合所提出颜色和纹理特征的图像检索算法,提高了检索精度.实验结果验证了方法的有效性.

2　基于提升方案的整数小波变换及其特性

提升方案小波,又称为第二代小波,是由W.Sw eldens 等人于1995年提出的[12],其特点是所有的运算都在空间域进行,而基于提升方案的整数小波变换(下文简称整数小波),仅含有移位和加减运算,变换速度快,易于硬件实现,并且可以实现精确重构,在图像压缩领域得到了广泛应用.提升方案小波的正向提升过程包含三个基本步骤:切分、预测和更新,其中切分的过程是将信号s j 切分成两个互不相交的子集,通常是将一个原始信号分为偶数样本s j ,2l 和奇数样本s j ,2l +1,即:s j ,2l =even (s j ),s j ,2l +1=odd (s j );预测是针对数据间的相关性,采用一个与数据结构无关的预测算子P,先将P 滤波器作用于偶数样本上得到奇数样本的预测值P (s j ,2l ),再将该预测值与原始奇数样本S j ,2l +1相减,得到奇数样本的预测误差d j -1,预测过程的表达式为d j -1=s j ,2l +1-P (s j ,2l );更新是利用更新算子U 对s j ,2l 作预测,生成较低分辨率下对原始信号的一种逼近信号s j -1,它保持了s j 的基本特性,其过程为s j -1=s j ,2l +U (d j -1).对s j -1反复进行正向提升过程即可得到离散小波变换尺度系数和小波系数的完备集合,更详细的讨论参见文献[12,13].

提升方案小波,与经典小波变换相比,该小波具有构造简单、反变换容易实现、运算速度快和节省存储空间等优点.它具有许多良好的特性,这些性质奠定了小波域图像检索技术的基础.这些特性主要表现在以下几个方面:2.1　空间2频率定位特性

图像的小波变换域很好地提供了确定诸如图像边缘和纹理等区域的空间2频率位置信息,而这些信息对于提取图像的

纹理特征是十分重要的;2.2　多分辨率特性

小波变换构成了对图像的多尺度视频分解,它将图像分解为低分辨率逼近图像和各层次的水平、垂直、对角线方向的高分辨率的细节成分,小波域的这种对图像的多分辨率表示对于图像的渐进检索和传输具有重要意义,采用该机制进行图像检索可以大量节省处理时间;2.3　小波分解的空间2频率特性与HV S 某些视觉特性的相似性

该特性是小波变换区别于FFT 和D C T 的一个重要方面,根据该特性可以对HV S 敏感区域的特征进行相应的加权处理,以突出HV S .

3　颜色特征的提取

3.1　图像的分块加权策略

根据HVS 特性,一幅图像的中心区域通常更会引起人眼的注意,这样为了突出图像中心区域特征的重要性,我们首先对图像进行非均匀分块(参见图1),设图像的大小为M ×N,其中标注为1的区域大小为(2M /3)×(2N /3),标注为2～5的区域其大小为(M /6)×(N /6),标注为6、7区域的大小为(M /6)×(2N /3),标注为8、9区域的大小为(2M /3)×(N /6).对每一分块图像的颜色特征(参见下面3.2节)采用类似标准正态分布函数φ(x )=e -x 2

/2(x ≥0)作为权值[14]对其加权处理(参见图2),其中轴表示图像中的象素点距离图像块中心点的距离,原点对应原图像中心点,1对应图像顶点距离中心点的距离,φ(x )为对应点x 的特征权值.这样,对图像中不同块的颜色特征采用不同的加权特征处理,对于原图像中心区域块的特征,其权值较大一些,而对图像边缘区域块的权值相对要小一些,突出了图像中心区域颜色特征的作用

.

3.2　基于小波的分块图像颜色特征提取

在进行图像检索时,为了准确提取表征原始图像的颜色信息,所选择的颜色空间应尽可能符合HV S 对色彩的感知特

性,本文采用HS I 作为颜色空间.

对于一幅图像,在图像的小波多尺度表示方法中,图像的主要信息都集中在低频子带中,包括图像的颜色、形状等多种特征;而图像的细节信息主要集中在中高频部分[15].本文的颜色特征从低频子带中提取[11],从而大大节省了图像颜色特征的计算时间.对图像每一分块的H 、S 、I 分量进行一级小波分解,分别提取其低频子带的平均能量作为颜色特征,具体计

9

70210期 宋琳琳等:小波域颜色和纹理特征提取及图像检索方法研究

算公式如下:

E kH =

1

P k×Q k

ρP k

i=1

ρQ k

j=1

|S

kH

(i,j)|

E kS =

1

P

k

×Q

k

ρP k

i=1

ρQ k

j=1

|S

kS

(i,j)|

E k I=

1

P

k

×Q

k

ρP k

i=1

ρQ k

j=1

|S kI(i,j)

|

　,k=1,2,…,9(1)

其中,P

k ×Q

k

为第k(k=1,2,…,9)块(参见图1)低频子带的

大小,S

kH (i,j)、S

kS

(i,j)和S

kI

(i,j)分别为H、S、I分量第k块

低频子带的系数.这样对图像每一分块均可获得如下的颜色特征向量:

f(k)=(E kH,E kS,E k I),k=1,2,…,9(2) 3.3　图像颜色特征的提取算法

Step1.对于图像的第k(k=1,2,…,9)个分块,分别对H、S、I分量进行一级小波分解,得到第k块的颜色特征向量:

f(k)=(E

kH ,E

kS

,E

k I

),k=1,2,…,9(3)

Step2.综合各分块的特征向量,获得整幅图像的颜色特征向量:

F=(f(1),f(2),…,f(9))(4) Step3.设图像的中心坐标(即中间1块的中心坐标)为(x

,y0),计算第k块的中心坐标(x k,y k)与图像中心坐标的距离:

X

k =(x

k

-x0)2+(y

k

-y0)2,(k=1,2,…,9)(

5)

Step4.确定第k个分块的加

F(k)=f(k)×φ(X k),(k=1,2,…,9)(6) Step5.综合各分块的加权特征向量,最后可获得整幅图像的加权颜色特征向量:

FF=(F(1),F(2),…,F(9))(7) 3.4　相似度计算

设FF

p =(F(1)

p

,F(2)p,…,F(9)p)和FF q=(F(1)q,F(2)q,…,

F(9)

q

)分别为图像p和q的综合加权颜色特征向量,那么两幅图像的相似度距离为:

D is

col (p,q)=ρ

9

i=1

D(F(i)

p

,F(i)

q

)(8)

其中,

D(F(i)

p ,F(i)

q

)=

α

1

(E p

i H

-E q

i H

)2+α2(E p

i S

-E q

i S

)2+α3(E p

i V

-E q

i V

)2

为两图像第i块的距离;(E p

i H

,E p i S,E p i V)、(E q i H,E q i S,E q i V)分别为

两图像第i(i=1,2,…,9)块的特征向量;α

1

,α2,α3为H、S、I 各分量的权重,考虑到由于人眼对色调最为敏感,本文选取

α

1

=0.6,α2=α3=0.2该参数也可通过试验统计获得.

4　纹理特征的提取

4.1　基本思想

图像的纹理特征是对局部区域中像素之间关系的一种度量.本文利用提升方案的整数小波变换对图像进行分解,然后提取其各高频子带的共生矩阵特征量,同时结合结构方法中的纹理基元,综合考虑各高频子带中基于统计和结构的纹理特性,此外,结合各子带的方向特性,提取了小波变换后各高频子带的方向性特征.

4.2　图像小波变换高频子带能量分布统计

我们从第6节所述的图像库的每类图像中选取一幅图像,分别对其进行三级提升方案的整数小波变换,其9个高频子带的能量统计及分布情况分别如表1和图3所示.

表1　五类图像不同子带的能量

Table1　Energy of five kinds of i m age′different subband 图像

能量　

建筑花卉动物海滩汽车

E HL

111422726

E LH

8210410

E HH

8417419

E HL

1

1912211435

E LH

1

14413814

E HH

1

189211029

E HL

2

3023312555

E LH

2

1910161222

E HH

2

2618281440 E0/E0.17650.20830.27370.15310.22

E1/E0.33330.26040.30730.32650.312 E2/E0.49020.53130.41900.52040.468

表1中,(E

HL0

,E

LH0

,E

HH0

)、(E

HL1

,E

LH1

,E

HH1

)和(E

HL2

,

E LH

2

,E HH

2

)分别为一级、二级和三级三个高频子带的能量; E0、E1、E2分别为一级、二级和三级上三个高频子带的总能

量;E为9个高频子带的总能量;E

/E、E1/E、E2/E分别为三个级别高频子带的能量占总能量的比值.图3中,横坐标分别

对应表1中E

HL0

～E

HH2

9个高频子带;纵坐标为高频子带的能量.

图3　五类图像高频子带能量曲线图

Fig.3　Energy graph of five kinds of i m age′

high2frequency subband

从表1和图3中可以看出,对于这些自然图像,总体而言尺度越高,子带的能量越大,而子带能量越高,纹理的区分辨别力就越强[16].这样,对于高尺度子带提取出的纹理特征,我们应该赋予其更大的权值,以增加它在相似度比较时的重要

性.根据表1的三个能量比值结果,E

/E在0.15～0.27的范

围之内;E

1

/E在0.26～0.33的范围之内;E2/E在0.41～0. 53的范围之内,总体上符合2:3:5的比例,这样在对后面4.3～4.4节所提出的纹理特征进行加权处理时,对0～2尺度上子带的纹理特征我们分别赋予0.2～0.5的权值.

0802 小　型　微　型　计　算　机　系　统 2009年

4.3　小波域的灰度2差分基元共生矩阵及特征向量4.3.1　灰度共生矩阵及纹理基元

(1)灰度共生矩阵.

灰度共生矩阵又称灰度共现矩阵,是

一种利用图像灰度的二阶统计特征进行纹理分析的有效工

具[8],该工具通常用于统计处于同样位置关系的一对像素灰度的相关性,并利用这一对像素出现某种灰度的条件概率来

表示.灰度共生矩阵的元素p (i,j |d,θ)描述在θ方向上,相隔

d 个像素距离的1对像素分别具有灰度值i 和j 所出现的概率(频数).它可以反映不同像素相对位置的空间信息,但并不能直接反映出纹理特性.虽然也可以通过灰度共生矩阵采用多个方向的统计特征进行检索[16],但是该特征一般不能很好的表达图像的全局信息.

(2)纹理基元.结构分析方法是从结构上探索纹理的规律.纹理基元描述了局部纹理特征,对整幅图像中不同纹理基元的分布统计可获得图像的全面纹理信息,其中关键是基元的提取,图4给出了最基本的几种基元结构[17],其中阴影部分为当前像素,空心方格为其邻域像素(以下同).

图4　五种纹理基元结构

Fig .4　Five kinds of texture p ri m itive structure

4.3.2　灰度2差分基元共生矩阵

(1)基元阵的确定.设原图像为f (x,y ),x =1,2,…,M;y

=1,2,…,N,其灰度级为L.对任意非边缘像素(x,y ),本文采

用八邻域基元(图4d )来定义其差分值f (0)

△

(x,y ),即为它与周围八邻域像素灰度平均值之差:

f (0

)

△(x,y )=|f (x,y )-(f (x -1,y -1)+f (x,y -1)+f (x +1,y -1)+f (x -1,y )+f (x +1,y )+f (x -1,y +1)+f (x,y +1)+f (x +1,y +

1))/8|(9)

对于图像的四边缘像素,除去四角点的上边缘、下边缘、左边

缘和右边缘像素的差分值f (i )

△

(x,y ),i =1,…,4分别采用图5a ～5d 的五邻域基元结构予以计算,具体差分值如下:

f (1

)

△(x,y )=f (x,y )-(f (x -1,y )+f (x +1,y )+

f (x -1,y +1)+(x,y +1)+f (x +1,y +1))/5

f (2)

△

(x,y )=

f (x,y )-(f (x -1,y -1)+f (x,y -

1)+

f (x +1,y -1)+f (x -1,y +1)+f (x +1,y +1))/5

f (3)

△(x,y )=

f (x,y )-(f (x,y -1)+f (x +1,y -1)+f (x +1,y )+f (x,y +1)+f (x +1,y +1))/5f (4)

△(x,y )=

f (x,y )-(f (x -1,y -1)+f (x,y -1)+f (x -1,y )+f (x -1,y +1)+f (x +1,y +1))/5

(10)

而对于左上、右上、左下和右下四个角点像素的差分值f (i )

△(x,y ),i =5,…,8分别采用图5e ～5h 的三邻域基元结构予以计算,具体差分值如下:

f (5)

△(x,y )=

f (x,y )-(f (x +1,y )+f (x,y +1)+f (x +1,y +1))/3

f (6)

△(x,y )=

f (x,y )-(f (x -1,y )+f (x -1,y +1)+f (x,y +1))/3

f (7)

△(x,y )=

f (x,y )-(f (x,y -1)+f (x +1,y -1)+f (x +1,y ))/3

f (8)

△(x,y )=

f (x,y )-(f (x -1,y -1)+f (x,y -1)+f (x -1,y +1))/3

(11)

图5　四边缘像素基元结构

F ig .5　P ri m itive structure of four edge p ixel

进一步,将象素(x,y )的差分值f (i

)

△

(x,y ),i =0,1,…,8作为相应(x,y )的基元值,从而确定整个图像的基元阵B M ×N .

(2)灰度2差分基元共生矩阵的确定.定义图像灰度2差分基元共生矩阵G 的大小为L ×(L g +1),其中L 为图像的灰度级,L g 为图像基元阵B M ×N 中元素的最大值,G L ×L g 中的元

素G (i,j )(i =0,1,…,L -1;j =0,1,…,L g )为灰度值等于i 、基元值等于j 的点对数量.

我们首先对图像进行三级提升方案的整数小波变换,然后分别统计9个高频子带各自的灰度2差分基元共生矩阵G (k )

,k =1,2,…,9,其中,k =1,2,3、k =4,5,6和k =7,8,9分别表示一级、二级和三级尺度上的三个高频子带.

4.3.3　特征向量的确定

仿照文献[8]中对于传统灰度共生矩阵特征向量的定义,我们也提取熵、能量、逆差距和惯性这四个对纹理特征能

很好予以描述的二阶统计量来作为灰度2差分基元共生矩阵的特征量.这样对于4.3.2节确定的每一个子带的灰度2差分基元共生矩阵G

(k )

,k =1,2…,9,分别计算其熵(H )、能量

(E )、逆差距(L )和惯性(I ):

H (k )

=-ρm k -1i =0ρn k -1

j =0

G

(k )

(i,j )log 2G (k )

(i,j )

E (k )

=ρm k -1i =0ρn k -1

j =0[G

(k )

(i,j )]2

L (k )

=ρm k -1i =0ρn k -1

j =0G (k )

(i,j )

2

1+(i -j )

2

I

(k )

=ρm k -1i =0ρn k -1

j =0

(i -j )2

G (k )

(i,j )

(12)

其中,m k 和n k 为第k 个子带的宽和高.

进一步,定义每一个子带的特征向量T (k )

为:T (k )

=

1

80210期 宋琳琳等:小波域颜色和纹理特征提取及图像检索方法研究

(H(k),E(k),L(k),I(k)),k=1,2,…,9.这样图像的灰度2差分基元共生矩阵纹理特征向量为:

TT l=(T(1),T(2),…,T(9))(13) 4.4　图像小波子带纹理的方向特征

图像经三级提升方案的整数小波变换以后,对于水平方向、垂直方向和对角线方向上三个高频子带的能量分别为:

(E

LH0,E

LH1

,E

LH2

)、(E

HL0

,E

HL1

,E

HL2

)和(E

HH0

,E

HH1

,E

HH2

),

令:

s(1)=

E HH

E LH

+E HL

s(2)=

E HH

1

E LH

1

+E HL

1

s(3)=

E HH

2

E

LH2

+E

HL2

(14)

则s(1),s(2),s(3)表示各级高频子带中对角线方向子带的能量与其它两个方向子带能量的偏离程度,令

TT2=(s(1),s(2),s(3))(15) 则该向量在一定程度上描述了子带纹理的方向性特征.

4.5　纹理特征的综合及归一化处理

4.5.1　综合纹理特征向量

我们将小波域的灰度2差分基元共生矩阵特征向量与小波子带的纹理方向性特征向量联合起来组成最后的综合纹理特征向量:

TT=(TT2,TT1)=(s(1),s(2),s(3),T(1),T(2),…,T(9))(16)其中,s(i),T(j)(i=1,2,3;j=1,2,…,9)参见(13)、(15)式. 4.5.2　特征值归一化

由于各个特征分量的物理意义和取值范围不同,这样我们对纹理特征向量中的各个分量进行高斯归一化处理[18],具

体分别对TT

1和TT

2

进行归一化处理,以TT

1

为例介绍归一

化的具体过程,TT

2

的归一化过程与此类似.

假设图像库中第i幅图像灰度2差分基元共生矩阵特征

向量为,TT

i1=[T(1)

i1

,T(2)i1,…,T(9)i1,],其中T(j)i1=[f(1)i1,j,f(2)i1,j,

f(3) i1,j ,f(4)

i1,j

],j=1,2,…,9,f(m)i1,j(m=1,…,4)表示第i幅图像、第

j个子带的第m个特征.

假设特征分量值序列{f(m)

i1,j }

j=1,…,9;m=1,…,4

服从高斯分

布,计算出其均值μ

i 和标准差σ

i

,则利用下式对

{f(m)i1,j}j=1,…,9;m=1,…,4的每一个元素进行如下归一化:

f(m)i2,j=f(m)i2,j-μi

σ

i

(17)

{f(m)

i1,j }

j=1,…,9;m=1,…,4

经上式归一化后获得的

{ f(m)i1,j}j=1,…,9;m=1,…,4服从均值为0、方差为1的正态分布.如

果用3σ

i 代替σ

i

进行归一化,则 f(m)

i1,j

的值落在[21,1]之间的

概率达99%,实际应用中,可将 f(m)

i1,j

大于1的值定义为1,小

于21的值定义为21,以保证所有 f(m)

i1,j

均落在[21,1]之间.

4.6　纹理特征的相似度计算

设TT

p =(s(1)

p

,s(2)p,s(3)p,T(1)p,T(2)p,…,T(9)p)和TT q=

(s(1)

q ,s(2)

q

,s(3)

q

,T(1)

q

,T(2)

q

,…,T(9)q)是两幅图像p和q的归一

化后的综合纹理特征向量,那么两幅图像的纹理相似度为:

D is tex(p,q)=ρ

3

i=1

v i D(s(i)p,s(i)q)+v1ρ

3

i=1

D(T(i)p,T(i)q)+

v2ρ6

i=4

D(T(i)

p

,T(i)

q

)+v

3ρ

9

i=7

D(T(i)

p

,T(i)

q

)(18)

其中,D(s(i)

p

,s(i)

q

)=(s(i)

p

,s(i)

q

)2和D(T(i)

p

,T(i)

q

)=

(H(i)

p

-H(i)

q

)2+(E(i)

p

-E(i)

q

)2+(L(i)

p

-L(i)

q

)2+(I(i)

p

-I(i)

q

)2

分别为第i级子带方向性特征的距离和第i个子带上灰度2差

分基元共生矩阵特征向量之间的距离;v

i

为第i级上总体纹

理特征的权值,由4.2节的统计结果,我们选取v

1

=0.2,v2=

0.3,v3=0.5.

5　小波域颜色和纹理特征的综合

5.1　颜色和纹理特征的归一化

由于颜色和纹理特征属于不同类型的特征向量,取值范

围不同,不具有直接的可比性,需要对它们进行外部归一化,

在这里我们仍采用高斯归一化方法对其进行如下处理:

(1)对于图像库中的每一对图像a和b,计算他们的颜

色相似度D is

col

(a,b)(参见(8)式)和纹理相似度D is

tex

(a,b) (参见(18)式).

(2)计算并保存颜色特征和纹理特征的均值μ

col

、μ

tex

和

方差σ

col

、σ

tex

.

(3)计算每一对图像a和b归一化后的颜色和纹理相似度,使得它们的值都落在[0,1]区间中:

D is′col(a,b)=[

D is col(a,b)-μcol

3σ

col

+1]/2(19)

D is′tex(a,b)=[

D is tex(a,b)-μtex

3σ

tex

+1]/2(20)

(4)最后,计算两幅图像a和b的总的相似度距离:

D is(a,b)=s1D is′col(a,b)+s2D is′tex(a,b)(21)

其中,s

1

和s

2

分别为颜色和纹理特征的权重,满足s

1

+s2=

1.有关s1和s2选取的讨论见6节实验结果.

5.2　综合颜色和纹理特征的图像检索算法

结合本文所给出的图像颜色和纹理特征,给出图像检索

算法的总体过程如下:

Step1.根据第3节颜色特征的提取步骤,分别提取样本图像和目标图像的颜色特征,并按照公式(8)计算出两图像

颜色特征的相似度D is

col

;

Step2.根据第4节纹理特征的提取步骤,分别提取样本图像和目标图像的纹理特征,并按照公式(18)计算出纹理特

征的相似度D is

tex

.

Step3.分别对D is

col

和D is

tex

按照公式(19)和(20)进行

归一化处理,并按照公式(21)求出最终两幅图像总的相似度D is.

6　实验结果与分析

我们采用C orel图像库[19]中的一部分图像构成检索库,

包括建筑、花卉、动物、海滩、汽车等5种类型,每种类型选取100幅图像,合计500幅图像,并通过如下的平均查准率来评价和对比本文算法的有效性和准确性:

2802 小　型　微　型　计　算　机　系　统 2009年

查准率=检索出的图像中相关图像数目/检索出的图像数目6.1　颜色特征检索的实验结果

在基于颜色特征检索的实验中,我们将本文的颜色提取算法与HS I 空间颜色直方图进行比较,从图7和图8中可以看出,基于本文的颜色提取算法相似图像更靠前

.

6.2　纹理特征检索的实验结果

在基于纹理特征检索的试验中,首先将本文的纹理提取算法与小波变换后提取共生矩阵特征量的方法进行比较.我们以数据库中的建筑图像为例,取出10幅作为示例图像,每次检索选取前21幅最相似的图像作为检索结果(即检索出图像的数目),然后计算10次检索结果的平均查准率.表2　小波共生矩阵与本文纹理提取算法的平均查准率

Table 2　A verage p recision of w avelet co 2occurrence m atrix

and the p roposed texture extract algorithm 特征提取方法

平均查准率(%)

小波共生矩阵49.16本文纹理提取算法

67.28

表3　小波灰度2差分基元共生矩阵及结合方向性特征的比较

Table 3　C om parison of w avelet gray 2difference p ri m itive co 2

occurrence m atrix and com bine the orientation feature 特征提取方法提取1幅图像特征时间(s )

平均查准率(%)

小波灰度2差分基元共生矩阵

0.0855.36小波灰度2差分基元共生矩阵+方向性特征

0.09

67.28

从表2中可以看出本文小波域灰度2差分基元共生矩阵结合方向特征的纹理提取算法的查准率要比传统的小波共生

矩阵高.

从表3中可以看出,在纹理特征中加上方向特征以后,查准率提高了很多,提取特征的时间略有增加,但幅度不大.

6.3　颜色特征和纹理特征检索的实验结果

我们将颜色和纹理特征综合起来进行检索,当对颜色和纹理分配不同的权重时,检索的结果会有不同.我们从数据库中分别取出一幅花卉、海滩和汽车图像进行实验,从表4中可

表4　综合颜色和纹理特征权重的选取与检索结果

Table 4　Selection of color and texture feature ′w eight

and the retrieve result of synthesize algorithm 颜色和纹理权重(s 1,s 2)

花卉查准率(%)

海滩查准率(%)

汽车查准率(%)

0.7,0.362.4554.1664.250.5,0.568.0258.2470.430.4,0.673.6363.4574.260.3,0.777.4966.9582.860.2,0.885.2471.3981.270.1,0.9

76.86

68.43

77.49

以看出,对于花卉和海滩图像,颜色特征和纹理特征的权重分别取0.2和0.8时,查准率达到最高;对于汽车图像,当颜色和纹理特征的权重分别取0.3和0.7时略高于权重分别取0.

2和0.8时的查准率,综合这些统计结构,本文算法中对于颜

色和纹理特征的权重分别取0.2和0.8.

表5　本文基于颜色和纹理以及综合颜色

纹理算法的平均查准率(%)

Table 5　A verage p recision of the p roposed color and

texture algorithm and synthesize algorithm 检索方法

海滩

动物

汽车

本文基于颜色的算法50.2656.4761.52本文基于纹理的算法62.3267.3574.32综合颜色和纹理的算法

69.23

73.48

80.89

选取海滩、动物和汽车等三类图像,每类图像随机选取

10幅作为示例图像进行检索,每次检索选取前21幅最相似

的图像作为检索结果(即检索出图像的数目),然后计算10次检索结果的平均查准率.从表5中看出,综合利用颜色和纹理特征比单独采用一种特征进行检索具有更好的查准率.

7　结　论

本文首先对基于提升小波变换域的图像颜色和纹理特征

的提取方法进行研究,提出一种基于分块的HS I 分量低频能量的颜色特征提取方法,该方法根据人眼对图像不同区域的关注程度不同将图像分成若干区域块,对每一分块HS I 分量的小波分解低频子带的颜色特征进行提取,并加以不同的权重来获得图像的总体颜色特征;同时在纹理提取方面,结合各高频子带的统计特性、结构特性,以及方向特性,提出一种基于高频子带的灰度2差分基元共生矩阵的二阶统计量和各子带方向特征的纹理特征提取方法,该方法较为全面的反映了

3

80210期 宋琳琳等:小波域颜色和纹理特征提取及图像检索方法研究

图像的纹理特性;在此基础上提出一种综合利用颜色和纹理特征的图像检索算法,提高了检索精度.

References:

[1]Sm eulders A W M,W orring M,Santini S,et al.Content2based

i m age retrieval at the end of the early years[J].IEEE Transactions

on Pattern A nalysis and M achine Intelligence,2000,22(12):13492 1380.

[2]Sw ain M J,B allard D H.Color indexing[J].International Jour2

nal of C om puter V ision,1991,7(1):11232.

[3]S trickerM,O rengo M.S i m ilarity of color i m ages[J].SPIE S tor2

age and Retrieval for I m age and V ideo D atabases,1995,l2185:3812 392.

[4]John Z M.A n infor m ation theoretic app roach to content based i m2

age retrieval[D].L ouisiana S tate U niversity and A gricultural and M echanical College,2000.

[5]Pass G,Zabih R.H istogram refinem ent for content2based i m age re2

trieval[C].In:IEEE W orkshop on App lications of C om puter V i2 sion,1996,62102.

[6]Huang J,et al.I m age Indexing using color correlogram[C].IEEE

Int.Conf.on C om puter V ision and Pattern Recognition,Puerto R ico,June1997,7622786.

[7]S tricker M,D i m ai A.Color indexing w ith w eak spatial constraints

[C].IS&T/SPIE Conference on S torage and Retrieval for I m age

and V ideo D atabases I V.San Jose,CA,1996.

[8]Haralick R M,Shangm ugam D instein.Textural feature for i m age

classification[J].IEEE T rans on System s.M an,C ybernetics,

1973,SM C23(6):6102621.

[9]M anthalkar R,B isw as P K,Chatterji B N.Rotation and scale in2

variant texture features using discrete w avelet packet transfor m[J].

Pattern R ecognition L etter,2003,24(14):245522462.

[10]Haley G M,M anjunath B S.R otation2invariant texture classifica2

tion using a com p lete space2frequency m odel[J].IEEE T rans on

I m age Processing,1999,8(2):2552269.

[11]L iao Q ian2qian,X ia D ing2yuan.App roach of i m age retrieval based

on lifting schem e extracting color and texture features[J].App li2 cation of Electronic Technique,2007,68271.

[12]M allat S.A theory for m ultiresolution signal decom position:the

w avelet rep resentation[J].IEEE Transactions on Pattern A nalysis

and M achine Intelligence,1989,11(7):6742693.

[13]D aubechies.The w avelet transfor m,ti m e2frequency localization

and signal analysis[J].IEEE T ransactions on IT,1990,36(5):

96121005.

[14]Xu Shu2p ing,L in Fu2zong.A n i m age retrieval based on i m age

center w eighted feature[J].C om puter A pp lications and Soft w are,

2006,23(2):325.

[15]Fu Rong,Xu Hong2li.Color i m age retrieval m ethod based on

w avelet m ultiresolution analysis[J].Journal of I m age and G raph2

ics,2004,9(11):132621330.

[16]C hang T,Kuo C C J.Texture analysis and classification w ith tree

structured w avelet transfor m[J].IEEE Trans.I m age Processing,

1993,2(4):4292401.

[17]W ang L iang2shen,O u Zong2ying.I m age texture analysis by grey2

p ri m itive Co2occurrence M atrix[J].Com puter Engineering,

2004,30(23):19221.

[18]N astar C,M itschke M,M eihac C.Efficient query refinem ent for

i m age retrieval[C].In:Proceedings of IEEE C om puter Society

C onference on Com puter V ision and Pattern R ecognition,Santa

B arbara,California,IEEE Com puter Society,1998:5472552.

[19]N astar C,M itschke M,M eihac C.Efficient query refinem ent for

i m age retrieval[C].In:Proceedings of IEEE C om puter Society

C onference on Com puter V ision and Pattern R ecognition,Santa

B arbara,California,IEEE Com puter Society,1998:5472552.

附中文参考文献:

[11]廖倩倩,夏定元.基于提升小波提取颜色和纹理特征的图像检索

方法[J].电子技术应用,2007,68271.

[14]徐淑平,林福宗.基于图像中心加权特征的图像检索[J].计算

机应用与软件,2006,23(2):325.

[15]傅　蓉,许宏丽.基于小波多尺度分析的彩色图像检索方法

[J].中国图像图形学报,2004,9(11):132621330.

[17]王亮申,欧宗瑛.图像纹理分析的灰度2基元共生矩阵法[J].计

算机工程,2004,30(23):19221.

4802 小　型　微　型　计　算　机　系　统 2009年