为了提高图像检索的准确率和速度，提出了一种多特征组合的图像检索算法。在颜色空间非均匀量化的基础上，利用改进的颜色聚合向量方法提取图像的颜色特征;基于改进的灰度共生矩阵提取纹理特征参数;利用Krawtchouk矩不变量提取图像的形状特征；基于贡献度聚类并建立特征索引库。融合上述特征计算图像间的相似度，使用特征索引对图像进行快速检索。实验结果表明，提出算法的检索精度有较大提高，能快速检索出用户所需的图像。
张永库,李云峰,孙劲光:基于多特征高效索引的图像检索 2016,52(7)183 幅图像涵义的理解。矩特征是刻画物体形状的重要特 (x-3 (12) 征,表征了图像区域的几何特征。Yap基于离散的 Krawtchouk多项式提出了 Krawtchouk正交矩,不论有元其中F。和F,分别是类S:的类内分散度和类间分散 噪声,其性能都优于 Zernike矩、 Legendre矩和 Tchebichef度,n1是S,中特征向量的数量,z2是S的类心,z,是 矩等正交矩,不仅克服了 ernie矩、 gendre矩随着所有类心向量的均值。向量p对SA的责献如下所示 矩阶数的增加量化误差逐渐增加,以及需要坐标变 C(P. Sk=F(S-P))-F(S) (13) 换的缺点,与 Tchebichef矩相比, Krawtchouk矩可以从42聚类 冮何感兴趣的图像区城中提取局部特征,由其构成的 不同的图像特征,如颜色、纹理、形状等物理意义不 Krawtchouk矩不变量具有良好的旋转、平移和尺度不变同,特征提取的数值范围也不相同影响后续的计算结 性。n阶经典的 Krawtchouk多项式定义为 果,所以本文将提取到的颜色、纹理和形状特征进行高 k,(x;p,M)=∑am,x=2F1(-n,-x;-N;1)(5)斯归一化处理,特征值都落在0,1范围内。然后聚 类,首先计算初始聚类中心,利用公式(14)找到D(P,P,) 其中x,n=0,1,…,N.N>0,p∈(0,1),2F(a,b;c;z)是 超儿何数,定义为: 的最大值,则前两个类心为1=P;22=P,参照公式(16 akzo 计算余下的持征与已得到的k个类心的总和,值最大的 2F(a,b;c;z)=∑ k=()2k 6)向量作为第k+1个类心,找到K个类心,并将每个特征 (a)k为 Pochhammer号,(ak=(a+1(a+2)(a+k+1),分配到与其距离最小的类心所在的类。 (N+1个 Krawtchouk多项式{Kn(x;p,N)}构成一个离 D(P,P)=o0(P,P)+o, D,(P, P))+ 散的加权基函数闭集。加权函数为 ,D、(P,P) (7) D(P. P 并满足正交性 D(P2P)=∑T- ∑o(x;p,N)Kn(x;p,N)K、x;p,N)=p(n;P,N)mn(8 D(P1P)=(∑(S-S2)2)2 N且p(n;p,N)=(1(1-p)n! ,为 S,=∑D(P,Z) (16 了避免产生误差,要对{k(x;p,N)}进行归一化处理 K(x: p N)=K,(x; p, w) o(x; p, N) (9)O、0,,分别是颜色、纹理、形状度量距离的权值,cx P(N; P, N) 表示图像的颜色编码值k对应的纵坐标分量,Z表示 图像的(n+m)阶 kraut ch ouk矩定义为 第j个类心。聚合向量的相似性度量使用街区距离, Qn-∑∑k(;,N-DR,(,M-D/(、,(0)在不影响结果的情况下可以减少计穿量纹理的相似度 也使用街区距离较好;形状特征度量数用欧氏距 通过调节参数P1、P2可以选取不同区域,选取Q0离。将初始化后的聚类进行迭代优化,算法如下 Q0,Q1…,Q0;16个低阶 Krawtchouk矩不变量构成形 l. select p(P∈S2)。 状特征向量:(S,S1,…,S13) 2. if Con(p,S4)≤0, index= arg max C(P,S)(其值 为贡献度最大时x的值),将P加入类S(S,={ PIndex[i 4计算索引特征 x}),转4 41贡献 H(p,S2)≥0,将P1加入类S使得 个向量的贡献是对其所在类质量的影响,加格在 合作博奔中将类的形成映射到联盟的形成,利用夏普利最大,转4 值的解决方案待到给定点的最优聚类数量。本文利 4.更新类心:c=∑ 用基于贡献度的算法将图像聚类,建立特征索引库,算 xp∈S 法弥补了K- neans算法本质上只考虑类内相似度而没 5.重复4步,直至小于指定國值,或类心不变。 有考虑类问分散度的劣势。 其中Fn是将P加入到类S之后,F更新之后的值。 P;-不k (1)当C(P,S)≥0时,判定p加入类S条件为。一E k p=S 1842016,52(7) Computer Engineering and4 pplications计算机工程与应用 F最大,这综合考虑了“类内相似度要大,类问相时考虑了类内和类间的相似度,会因迭代次数少使总的 时间复杂度和 K-means相差不大,将在实验中证明。 似度要小”,最后以类心为索引建立特征索引库 4.3复杂度分析 实验 设类S有m2个向量,d是向量的维度,p1表示第氵 本文采用 Corel库中的10类图像(每类100张)为实 验数据,如花卉、口落、恐龙、马、非洲人、汽车等,采用查 个向量,类心z=( P12 P),如 k i-0 准率Pcin-和查全率kcol-米表示检索的 果P1是类外一个向量,则: 效果,N为检索出的相关信息量,T为检索出的信息总 F(S)=1∑∑(2+1(∑p)2-2p∑P 量,R为系统中的相关信息总量。针对本文方法,根据 文献[2提到的方法设置不同权值进行验证,本文 ∑∑p+∑∑∑P O、O.分别取值为0.7、0.2、0.1时检索效果较好,因实验 =01=0k=1 数据量较大,就不利用图表详细列举了 Pi∑P (17) 51实验方案 n ki= j=o 每类扣取5幅图像进行检索,计算每类图像的平均 查准率卢以及查全率R3,按此方法再做两次,然后得 F(S4UP)=n4+170 ∑p2+ 到算法总平均查准率与总平均查全率。使用公式(14)计 算图像的相似度,按照距离由小到大返回图像库中图片。 P 52实验结果 本文特征提取算法和聚类算法对检索效果的影响 1)2 P,2p (18)如表1表2所示。文献21主要是利用累加和公式选择 C(P-1, Sk)=F(S)-F(Sk UP,.+1)= K- means初始类心,且该文中已与传统方法进行了比较, 证明改进的 K-means检索效果好于传统方法;文献[15] 221-n+1)-a1+12D +与本文纹理特征提取方法几乎相同,只是提取的是4个 参数在8方向共32维纹理特征,也已证明效果好于传统 p2)( 方法 表1检索效果对比 P 改进的颜色聚合向量 颜色聚合向量 参数文献[211基于页献度聚类文献[21基于贡献度聚类 查准率0.612 0.713 0.542 0.641 2∑∑2(2∑Ps nk=0 登全率0 0.32 检索时间/s11.3 13.2 10.8 ∑P2+1+ 表2纹理检索效果对比 改进的灰度共生矩阵 文献[15] n( )∑(B) k(nh+1)=0 参数文献21基于贡献度聚类文献121基于贡献度聚类 查准率0.367 0.378 0.373 0.381 B, +p 查全0 0. (n+ 特征维度 2∑BB(n-(n1 检索时间/s10.8 11.2 13.3 14.1 Pu+v) 由表1可知,在同一聚类方法下,改进的颜色聚合 A B (19)向量检索精度高于传统方法;结合表1和表2,利用同 i=0j=0 方法提取特征,在俫证儿乎相同检索速度的同时,基于 如果知4和B,则计算单个向量在某个类中页贡献度聚类方法铰文献[21]检索精度要高。由表2可 献的时间复杂度为O(d),那么每一步计算所有N个向知,在同一聚类方法下,本文改进的方法较文献[5检 量在K个聚类贡献的时间复杂度为O(NK,这与初始索精度稍低,但是检索时间加快,综合来看本文纹理提 化及计算一步类内或类间分散度的时间复杂度相同,与取方法更好。相关文献中几乎没有提到融合3种特征 K- means一次迭代的时间复杂度也相同,但由于算法同进行聚类,为了验证本文基于多特征聚类算法的检索效 张永库,李云峰,孙劲光:基于多特征高效索引的图像检索 2016,52(7)185 果,与文献[12,20及本文无聚类情况进行比较。选择法,减少了图像库的访问次数,在保证较高检索速度的 文献[12,20]是因为这两篇文章是近年米关于多特征聚同时具有较高的检索精度。 类和基于多特征检索较新的文章,具有较高的杈威性 研究的内容较新颖,检索的效果较好,文献∏12主要是6结束语 基于像素的HSV空间和哈尔小波变换提取颜色和纹理 基于页献度聚类的方法将图像库中图像划分为K 特征构成六维特征,结合K- means和分层聚类方法形成个类,在进行图像匹配的时侯,避免了不相似图像或者 特征索引,提高检索速度;文献[20]是融合多特征检索,相似度不大图像的度量,缩小了检索的范围,提高了检 利用均值和标准偏差提取全局颜色特征,基于分块编码索速度;为了提高检索的精度,利用改进的颜色聚合向 和颜色直方图的一值图像提取局部颜色特征;使用灰度量算法融合改进的共生矩阵与 Krawtchouk矩提取图像 共生矩阵和边缘直方图提取纹理特征;基于傅里叶描述的特征,充分考虑了各种特征提取方式具有的优势。实 符提取形状特征。图2为本文方法对汽车进行一次检验证明本文方法具有较高的检索速度和精度。 索的结果图3为10类图像利用不同方法进行检索平均 查准率对比图;各方法的检索效果如表3所示。 参考文献 [1 Dahane G M, vishwakarma S Content based image retrieval 癌癌愛 n[J]. IJEIT 圖■酷法计机工程与应用204+223 5[3]杨静林,王成儒基于谱图理论的自适应纹理图像检索 计算机工程与应用,2011,47(22):195-197 3[4]董卫军,周明全,耿匡华基于纹理空间关系的图像检索技 术[计算机工程与应用 223015]向雷,肖诗斌,杯春雨,等基于轮廓与SFT特征组合的商 标图像检索[J计算机工程与应用,2013,49(19):167-172 [6 Singhai N, Shandilya S K.A survey on: Content based 图2汽车的一次检索结果 image retrieval systems[J]. International Journal of Com puter Applications, 2010, 4(4): 22-26 100 无聚类算法 Q文献2]算法 [7 Jain M, Singh s K.A survey on: Content based image 文献[20]算法 retrieval systems using clustering techniques for large data sets[J]International Journal of Managing Informa tion Technology, 2011, 3(4): 23-39 [8]zh 花卉蝴蝶日落山脉树林马类恐龙吼船非洲人汽车 image retrieval and clustering: a brief survey[J]. Recent 图3各类图像平均查准率对比 Patents on Electrical Engineering, 2009, 2(3): 187-199 [9 Celebi M E. Improving the performance of k-means for 表3爷种方法的检索效果 color quantization[J]. Image and Vision Computing, 201 1 参数本文方法未使用聚类算法文献[2]文献[0 9(4):260-271 查准率 0.872 0.88 0.7670.878 [10 Murthy V, Vamsidhar E, Kumar J S, et al. Content based 查全率 0.4l5 0.413 mage retrieval using hierarchical and K-means clustering 检索时间s15.8 15.1 26.7 techniques[J]. International Journal of Engineering Sci 图2共返回37张图,准确检索到了32张相关图,查 cncc and Technology, 2010,2(3): 209-212 准率为0.865,查全率为0.32。由图3可以看出,本文算11史习云,薛安荣,刘拖红改进 k-means聚类算法在图像检 法较其他方法对不冋图像的检索精度均较髙。如表3 索中的应用研究[计算机工程与应用,2011,47(10) 193-196. 所示,在无聚类算法情况下,文本的检索精度高于有聚 [12] Sakthivcl K, Ainaya R, Nivctha I, ct al. Region bascd 类情况和文献[12、20],但是检索时间较慢;本文检索精 image retrieval using k-means and hierarchical clustering 度高于文献[12],检索时间几乎相同;与文献[20]相比, algorithms[J]. International Journal of Innovative Research 本文检索精度要低,文献[20因为没有建立特征索引 in Science, Engineering and Technology, 2014, 3(1 库,时间复杂度大,显然不适合在大图像库中检索。综 1255-1260 合来看,本文特征提取的效果较好,结合较好的聚类方 (下转270页)