現(xiàn)狀概述及研究方案的確定

1、現(xiàn)狀概述及研究方案的確定一、圖像檢索的目的和意義隨著計算機應用的普及信息處理技術的發(fā)展，以文本、圖像、聲音和視頻為主的媒體信息迅速成為信息交流和服務的主流，現(xiàn)代信息處理的對象和方法都有了很大的變化。大量各種信息被生成、采集、傳輸、流通和應用，我們正在快速進入一個信息化的社會。值得關注的是全世界的數(shù)字圖像的容量正以驚人的速度增長，每天都會產(chǎn)生數(shù)以百萬記的圖像。隨著互聯(lián)網(wǎng)的發(fā)展，越來越多的人能夠更加方便、快捷、經(jīng)濟地接觸到這些圖像媒體，人們面臨的問題不再是缺少圖像媒體的內(nèi)容，而是如何在浩如煙海的圖像世界中找到自己所需要的信息。如果沒有對圖像及視頻數(shù)據(jù)的自動和有效地描述，大量信息將淹沒在信息的海洋之

2、中，無法在需要時被檢索出來。這就要求有一種能夠快速而且準確地查找訪問圖像的技術，也就是所謂的圖像檢索技術。二、圖像檢索的主要研究內(nèi)容和技術現(xiàn)狀圖像檢索的過程就是圖像特征的提取、分析及匹配。特征提?。禾崛「鞣N特征，如顏色，紋理，形狀等。根據(jù)提取的特征不同，采取不同的處理，比如提取形狀特征，就需要先進行圖像分割和邊緣提取等步驟。選擇合適的算法，并在效率和精確性方面加以改進，以適應檢索的需要，實現(xiàn)特征提取模塊。特征分析：對圖像的各種特征進行分析，選擇提取效率高、信息濃縮性好的特征，或者將幾種特征進行組合，用到檢索領域。特征匹配：選擇何種模型來衡量圖像特征間的相似度。檢索進行查詢的層次基本可分為三層:

3、（1）基于原始數(shù)據(jù)的查詢。這是最低層次的查找，每一幅圖像為象素點的簡單有序的集合體，查詢時相似性的度量標準是點對點的比較。這個層次的比較是非常具體的，只有在使用相對精確匹配時才有用。（2）基于特征的查詢。這是較高層次的查詢，在基于特征的層次上描述圖像。圖像特征包括原始屬性：顏色、紋理、形狀等，也包括脫離了原始性的抽象屬性：灰度直方圖，顏色直方圖，空間頻譜圖。不同的特征可以被分成不同的特征矢量組。圖像的區(qū)域劃分基本上是根據(jù)特征矢量的不同特征，同一個區(qū)域內(nèi)的特征矢量具有相同的屬性。在n維特征空間的查詢，實質上就是目標特征矢量的相似性度量。數(shù)據(jù)庫內(nèi)的圖像文件的特征矢量集以及抽取方法，被事先抽取并保存

4、。查詢時，使用給出的模板，圖像按照庫內(nèi)保存的方法抽取目標特征矢量。（3）基于語義的查詢。這是最高層次的查詢?？梢钥醋魇腔趯ο蟮牟樵儭２樵儓D像中包括的具體的物體，發(fā)生的場景，圖像所描述的感性色彩等都屬于這個層次的查詢。目前實現(xiàn)圖像檢索的手段有很多，包括基于分數(shù)維的圖像檢索、基于多顏色空間的圖像檢索方法、基于內(nèi)容的圖像檢索、基于區(qū)域的圖像匹配算法的關鍵技術研究、基于顏色特征的圖像檢索方法等等。而且基于圖像處理技術的日趨成熟，檢索的效果也越來越好，但仍未上升到圖像語義的圖像檢索階段。三、研究方案圖像檢索需要匹配圖像間相似度，因此需要設計度量圖像間距離的模型。不同的特征可以被分成不同的特征矢量組。圖

5、像的特征劃分基本上是根據(jù)特征矢量的不同特征。同一個區(qū)域內(nèi)的特征矢量具有相同的屬性。在n維特征空間的查詢，實質上就是目標特征矢量的相似性度量。數(shù)據(jù)庫內(nèi)的圖像文件的特征矢量集以及抽取方法，被事先抽取并保存。查詢時，使用給出的模板，圖像按照庫內(nèi)保存的方法抽取目標特征矢量。于是檢索的設計轉移到了圖像特征空間的設計上。圖像的特征大體分三類：顏色、形狀、紋理。其中圖像數(shù)據(jù)中直接包含的信息就是顏色，具有相同顏色的像點在一起聚合成各種形狀，在人的大腦中抽象成各種符號，如果計算機也會這種抽象的過程，那么所有的問題就解決了。因此設計圖像特征空間就要包含這種抽象的過程，使計算機處理圖像后的結果盡量接近人腦思考后的結

6、果。這既有可能會導致圖像搜索上升一個層次語義層搜索?？梢钥闯鰣D像的語義抽象距離現(xiàn)在已經(jīng)不再遙遠了。作為圖像的基本特征：顏色，人們針對它已經(jīng)設計了很多種算法，包括顏色直方圖、加權顏色直方圖、顏色聚合度、模板匹配、模糊顏色連通直方圖、顏色恒常性顏色檢索等等，所有這些包括其中一些非常經(jīng)典的算法的都沒有很好的解決圖像特征提取與匹配。因為他們往往都是依靠統(tǒng)計學對圖像處理，而統(tǒng)計學一般都會舍棄統(tǒng)計中出現(xiàn)較小概率的事件從而達到較高效率的匹配，因此這樣做在匹配結果上無論如何都不會使人滿意。而且統(tǒng)計學往往只統(tǒng)計顏色信息往往就忽略了空間分布導致了損失了大量有用的圖像信息。所以要設計一種N維模板，其中既包含顏色信息

7、又包含空間分布信息。在擁有這種模板后還要設計計算N維矢量間距離的算法。但是RGB顏色空間并非均勻的線性空間，實驗結果證明，距離一定的兩種顏色，隨這兩種顏色的不同引起人的色知覺的差異是不同的。也就是說，對一定距離的某兩種顏色讓人感到色知覺差異很大，但對另外兩種一樣距離的顏色，可能會讓人感覺差異很小。而在對顏色進行聚類量化時，需要用數(shù)量來描述顏色間的差別，簡稱它為色差，那么RGB顏色空間顯然不能滿足要求。因此需要一個均勻的顏色空間，在這個3維空間中，每個點代表一種顏色，空間中兩點之間的距離代表兩種顏色的色差，距離越小，色差越小，反之，色差越大。因此在這里采用Lab色空間，它是1976年CIE(國際

8、照明委員會)推薦的一種近似的均勻色空間10。自身的優(yōu)勢：前面提到過Lab色彩模型的絕妙之處還在于它彌補了RGB色彩模型色彩分布不均的不足，因為RGB模型在藍色到綠色之間的過渡色彩過多，而在綠色到紅色之間又缺少黃色和其他色彩。另外，它的色域寬闊，它不僅包含了RGB，CMY的所有色域，還能表現(xiàn)它們不能表現(xiàn)的色彩。人的肉眼能感知的色彩，都能通過Lab模型表現(xiàn)出來，因此本實驗中準備使用Lab色彩模型。試驗中主要采用顏色直方圖作為顏色特征采集方式，利用顏色特征進行圖像檢索的關鍵之一是顏色特征的提取。圖像的顏色特征可以是各種顏色的比例分布以及顏色的空間分布等，目前，大部分的檢索系統(tǒng)都采用顏色比例分布作為顏

9、色基本特征，這方面算法的研究，也多以此為基點，這就是圖像領域中的直方圖法。具體做法是，在確定顏色空間的基礎上，統(tǒng)計每種顏色分量的像素數(shù)占圖像總像素數(shù)的比例，得到圖像各種顏色分量的比例分布直方圖，最后把直方圖作為圖像的顏色特征進行圖像檢索。這里簡要介紹一下顏色直方圖：顏色直方圖包含三種具體表達方式：一般直方圖、累加直方圖和二維直方圖。1）一般直方圖：記為圖像P中某一特征（如Hue）值為Xj的像素的個數(shù)，為P中的總象素數(shù)。對作歸一化處理，即圖像P的該特征的直方圖為 式中，n為某一特征取值的個數(shù)。事實上，直方圖就是某一特征的概率分布。2）累加直方圖：假設圖像P某一特征的一般直方圖為，令，該特征的累加

10、直方圖為。3） 二維直方圖：設圖像大小為，由 采用或點陣屏畫得到的圖像為，它的大小也為，由x和y構成一個二元組。稱二元組為圖像的“廣義圖像”，廣義圖像的直方圖就是二維直方圖。二維直方圖中含有原圖像顏色的空間分布信息，對于兩幅顏色組成接近而空間分布不同的圖像，它們在二維直方圖空間的距離相對傳統(tǒng)直方圖空間就會被拉大，從而能夠好的區(qū)別開來。圖像的匹配方法目前有很多，如何用數(shù)值來有效的表示圖像在顏色上的相似度，這便是圖像的相似性度量問題。在模式識別技術中，特征的相似性度量一般采用距離法，即用特征向量的空間距離來表示。在直方圖檢索中，通過對直方圖之間的距離的設定，當它們的距離小于給定的閾值時，即認為符合

11、檢索結果。常用的距離度量有絕對距離、歐式距離、馬氏距離、二次距離與直方圖相交距離。（1）絕對值距離（2）歐式距離（3）馬氏距離式中，為直方圖特征矢量的協(xié)方差矩陣。（4）二次距離絕對值距離與歐式距離在計算中，對直方圖特征每個顏色分量平等對待，即沒有考慮顏色間的相似性。而在計算直方圖特征向量的歐式距離時考慮顏色相似矩陣，可采用二次距離度量。直方圖二次距離度量形式如下：式中 表示色彩對和之間的相似度。（5）直方圖相交距離設圖相與在某色彩通道上的顏色直方圖分別為和，其中，為亮度的水平數(shù)，則在通道上的直方圖距離定義為式中，綜合三個通道，則圖象與之間的距離為四、預期達到的目標1、首先實現(xiàn)對圖像簡單處理，包括彩色圖轉灰度圖、控制灰度圖閥值、輸出灰度直方圖、灰度拉伸及均衡、圖像平移、圖像鏡像、圖像轉置、圖像縮放、圖像旋轉、傅立葉變換、離散余弦變換、圖像灰度修正、圖像平滑、中值濾波、