圖像檢索中顏色特征提取方法的研究

侯方，姜秀華

(中國(guó)傳媒大學(xué)信息工程學(xué)院，北京100024)

1 概述

近年來(lái)，隨著計(jì)算機(jī)技術(shù)、多媒體技術(shù)和網(wǎng)絡(luò)通信技術(shù)的日益發(fā)展，尤其是Internet網(wǎng)絡(luò)的快速發(fā)展和大范圍普及，數(shù)字圖像正以驚人的速度增長(zhǎng)，我們需要一種快速而準(zhǔn)確的查找方法來(lái)從海量圖像數(shù)據(jù)庫(kù)中找到所需要的圖像。從20世紀(jì)70年代至今，圖像檢索技術(shù)由基于文本的圖像檢索發(fā)展到現(xiàn)在的基于內(nèi)容的圖像檢索。

基于內(nèi)容的圖像檢索(CBIR)是圖像特征相似性匹配的過(guò)程，而用于檢索的圖像特征分為底層視覺(jué)特征和高層語(yǔ)義特征，現(xiàn)在一般使用顏色、形狀和紋理等這些底層視覺(jué)特征。一個(gè)典型的CBIR系統(tǒng)一般由兩部分構(gòu)成:圖像特征提取子系統(tǒng)和圖像查詢(xún)子系統(tǒng)。圖像特征提取子系統(tǒng)主要是負(fù)責(zé)圖像的存儲(chǔ)和特征提取，并以特征信息索引庫(kù)形式存儲(chǔ)圖像特征信息的表達(dá)式，圖像查詢(xún)子系統(tǒng)則完成基于內(nèi)容的檢索功能?；趦?nèi)容的圖像檢索技術(shù)經(jīng)過(guò)多年的研究，目前已經(jīng)開(kāi)發(fā)出了一些系統(tǒng)，而比較知名的有IBM公司研制的QBIC［1］，美國(guó)哥倫比亞大學(xué)開(kāi)發(fā)的WebSEEK和VisualSEEK［2］系統(tǒng)和MIT多媒體實(shí)驗(yàn)室Photobook系統(tǒng)等。在這些圖像檢索系統(tǒng)中，都提供了顏色屬性的檢索功能。

顏色特征是每個(gè)物體都有的非常重要的視覺(jué)特征，而且對(duì)圖像質(zhì)量和尺寸的變化、旋轉(zhuǎn)和噪聲有很強(qiáng)的魯棒性。在大多數(shù)情況下，顏色是描述一幅圖像最簡(jiǎn)單而有效的特征，在基于內(nèi)容的圖像檢索中顏色特征是被最廣泛采用的底層特征。

本文主要介紹圖像檢索系統(tǒng)中關(guān)于顏色特征的相關(guān)理論知識(shí)和幾種常用的的典型的顏色特征提取方法。

2 顏色空間特征的相關(guān)理論

常見(jiàn)的用來(lái)表示顏色的顏色空間有RGB顏色空間、HSV顏色空間和CIEL*a*b*顏色空間等，顏色空間的選擇對(duì)顏色特征提取非常重要，一般選用符合人眼視覺(jué)特征的顏色空間。

2.1 RGB顏色空間

RGB顏色空間是圖像顯示中的一種最常用的顏色空間，它以紅、綠、藍(lán)作為三基色，依據(jù)三基色原理，紅、綠、藍(lán)按照不同比例相加混合成各種顏色。盡管RGB顏色模型計(jì)算簡(jiǎn)單，也被廣泛的應(yīng)用于CRT顯示彩色圖像，但是RGB顏色空間不具備視覺(jué)一致性，各顏色維之間的相關(guān)性很強(qiáng)，我們要改變一種顏色時(shí)，就要對(duì)三個(gè)通道上的顏色全部進(jìn)行改變。另外，它不是一個(gè)均勻視覺(jué)的顏色空間，兩種顏色之間的視覺(jué)差異不能采用該顏色空間中兩個(gè)顏色點(diǎn)之間的距離來(lái)表示，不符合人眼對(duì)顏色的感知，因此需要另一種符合人的視覺(jué)心理的顏色模型來(lái)表示顏色。

2.2 HSV顏色空間

HSV［3］顏色空間是一種面向視覺(jué)感知的顏色模型，以人類(lèi)對(duì)顏色的感覺(jué)為基礎(chǔ)，把顏色用三個(gè)分量來(lái)表示:色調(diào)H(hue)、飽和度S(saturation)、亮度V(value)。HSV顏色空間直接對(duì)應(yīng)于人眼的視覺(jué)三要素，通道之間各自獨(dú)立，所以HSV顏色空間具有視覺(jué)一致性;每個(gè)分量直接對(duì)人眼的視覺(jué)感受起作用，顏色之間感覺(jué)上的距離與HSV顏色空間坐標(biāo)上點(diǎn)的歐幾里德距離成正比，所以HSV顏色空間是一個(gè)均勻的顏色模型，比RGB空間更符合人眼的視覺(jué)特性。但是計(jì)算機(jī)只能識(shí)別RGB顏色空間，因此在圖像處理中需要使用以下公式把圖像從RGB空間模型轉(zhuǎn)換到HSV空間模型:

其中:max=max(R，G，B)，min=min(R，G，B)，h∈［0，360］，(s，v)∈［0，1］。

2.3 CIEL*a*b*顏色空間

CIEL*a*b*顏色空間［3］是1976年由國(guó)際照明委員會(huì)(CIE)公布的，是一種均勻的顏色模型。Lab模式由三個(gè)通道組成，一個(gè)通道是亮度L，另外兩個(gè)是色彩通道a和b，人眼對(duì)亮度分量L敏感，對(duì)兩個(gè)顏色分量的變化不敏感。均勻顏色空間模型本質(zhì)上仍是面向視覺(jué)感知的顏色模型，只是在視覺(jué)感知方面更為均勻，對(duì)于CIEL*a*b*空間，顏色之間的差別完全可以用歐氏距離來(lái)測(cè)量。CIEL*a*b*顏色空間也可以由RGB顏色模型轉(zhuǎn)化得到。

3 顏色特征

3.1 顏色直方圖

顏色直方圖是基于顏色的CBIR系統(tǒng)中最早使用，同時(shí)也是最常用的一種特征表示方法，它反映了圖像中各種顏色的比例分布。顏色直方圖實(shí)質(zhì)就是統(tǒng)計(jì)圖像中每種顏色出現(xiàn)的頻數(shù)，所以它計(jì)算簡(jiǎn)單，而且具有平移、旋轉(zhuǎn)和縮放不變性。顏色直方圖可以用一個(gè)一維向量來(lái)表示:

其中hk表示第k種顏色在該圖像中的像素頻數(shù):

上式中k代表圖像的顏色特征值，L代表顏色特征值的個(gè)數(shù)，nk是圖像中具有特征值為k的像素個(gè)數(shù)，N是圖像像素的總數(shù)。

但是顏色直方圖丟失了顏色的空間分布信息，因此在兩幅完全不相關(guān)的圖像具有相同的顏色直方圖時(shí)，就會(huì)降低檢索效率。鑒于顏色直方圖的這種缺點(diǎn)，許多改進(jìn)的方法被提了出來(lái)，如:累加顏色直方圖，分塊顏色直方圖，局部顏色直方圖等。

當(dāng)圖像中的特征向量不能取遍所有值時(shí)，顏色直方圖中就會(huì)出現(xiàn)很多零值，從而影響直方圖的相交運(yùn)算，就會(huì)使匹配結(jié)果不能反映兩圖之間的顏色差別。為了解決這個(gè)問(wèn)題，累計(jì)直方圖被提了出來(lái)。

累計(jì)直方圖的定義如下:

既然每天基本只拍一張照片，不如嘗試拍攝更有力的作品，既能向觀(guān)眾透露整體敘事的一些信息，又能獨(dú)立存在，這會(huì)是一項(xiàng)有趣的挑戰(zhàn)。在365天的項(xiàng)目中給自己設(shè)定敘事以外的挑戰(zhàn)，既能給予你更多思考空間，也能給你更多動(dòng)力，促使你完成項(xiàng)目。

hk表示k種顏色的像素累加頻數(shù)。實(shí)驗(yàn)表明，累計(jì)直方圖檢索圖像的效果一般都優(yōu)于直方圖。

3.2 顏色矩

顏色矩［4］是 StriCker和 Orengo提出的一種簡(jiǎn)單而有效的顏色特征描述方法，由于顏色的信息主要集中在低階矩，所以圖像的顏色分布僅使用顏色的一、二和三階矩就可以表達(dá)。與顏色直方圖不同的是顏色矩不需要對(duì)特征進(jìn)行向量化，但是圖像低階矩的檢索效率比顏色直方圖的檢索效率要低，所以在實(shí)際應(yīng)用中常將顏色矩同其它圖像特征聯(lián)合使用。

3.3 顏色的空間信息

顏色的空間分布特征對(duì)于區(qū)分圖像的內(nèi)容也是十分重要的，因?yàn)閮煞伾臻g分布明顯不同的圖像可能會(huì)存在相同的顏色直方圖，這對(duì)只采用顏色直方圖的檢索算法的檢索精度有很大的影響。所以我們可以將顏色的空間信息和顏色直方圖結(jié)合起來(lái)，彌補(bǔ)直方圖特征的缺點(diǎn)，使檢索結(jié)果更加精確。

3.4 顏色空間的量化

圖像中的顏色一般會(huì)非常多，這樣就會(huì)使直方圖矢量的維數(shù)非常多，矢量維數(shù)的增加又會(huì)占用更多的存儲(chǔ)空間和使計(jì)算量增大，而且人眼對(duì)顏色的分辨能力也有限，不能區(qū)分所有顏色。因此，需要對(duì)顏色空間進(jìn)行量化以減少顏色的維數(shù)。顏色的量化方法一般有等間隔量化、非等間隔量化和聚類(lèi)［14］。

4 幾種基于顏色直方圖的特征的提取方法

4.1 基于分塊的直方圖

傳統(tǒng)的直方圖方法只是統(tǒng)計(jì)圖像的全局顏色信息，而丟失了圖像的空間分布信息，檢索效率會(huì)受到影響。為了提高檢索精度，需要在直方圖的基礎(chǔ)上引入空間信息。為了加入空間信息，一般是把圖像劃分為若干塊，然后分別計(jì)算每個(gè)子塊的顏色直方圖。

常用的分塊方法是將圖像平均分成m×n塊，這種分塊方法雖然簡(jiǎn)單，但是沒(méi)有突出圖像中間的主體部分和充分限制背景的范圍。于是Stricker M和Dimai A［5］提出了下圖的分割方法，對(duì)每個(gè)區(qū)域求顏色矩的同時(shí)對(duì)中央?yún)^(qū)域1賦予較大的權(quán)值(見(jiàn)圖1)。趙瑩［6］提出了一種圖像重疊分塊的方法，把圖像平均分成3×3的子塊后，又將這9塊合并成4大區(qū)域(見(jiàn)圖2):P1={1，2，4，5}，P2={2，3，5，6}，P3={4，5，7，8}，P4={5，6，8，9}。P1、P2、P3 和 P4這四部分彼此相互重疊，中央部分5重疊了4次，權(quán)重為 4，(2、4、6、8)重疊了 2 次，權(quán)重為 2，(1、3、7、9)只重疊了一次，權(quán)重為1。通過(guò)重疊的方式，不僅可以突出圖像中間的主體部分和限制背景范圍，還一定程度上避免了因分得過(guò)碎而破壞物體完整性的缺點(diǎn)，并保留了足夠豐富的顏色信息。

圖1 一種圖像劃分方法

但是當(dāng)圖像發(fā)生變形時(shí)，如旋轉(zhuǎn)和物體有位置變化，則以上的劃分方法就無(wú)法正確匹配。

圖2 圖像重疊分塊方法

中心圓和各圓環(huán)的半徑:

式中，R是以M為圓心的最大半徑。等間隔環(huán)形分塊法，分割后的各圓環(huán)的面積并不相等:中心圓的面積最小，所含像素點(diǎn)也最少;而越外面的圓環(huán)面積越大，所含像素點(diǎn)也越多［7］?；谶@種方法不利于突出中央主體部分，余芳［8］提出了一種等面積的圓環(huán)分塊方法，使中心圓和各圓環(huán)的面積相等(見(jiàn)圖4)。這樣不僅保持了環(huán)形分塊的優(yōu)點(diǎn)，也更有利于突出圖像中央主體部分。

中心圓和各圓環(huán)的半徑:

圖3 等間隔的圖像環(huán)形塊方法

4.2 模糊量化直方圖

圖4 等面積的圖像環(huán)形分塊法

顏色量化可以降低顏色直方圖的維數(shù)，同時(shí)好的量化方法可以更好的表達(dá)圖像中顏色空間的分布信息，更接近人眼的視覺(jué)感知性。J.R.Smith［9］、張磊［10］和曹莉華［11］等人提出了不同的量化方法，但是這些方法存在兩個(gè)問(wèn)題:忽視了量化邊界處附近的顏色的相似性和連續(xù)性;忽視了人對(duì)顏色主觀(guān)感知的模糊性。汪子強(qiáng)［13］等人提出了基于主觀(guān)視覺(jué)感知的模糊顏色量化方法，統(tǒng)計(jì)模糊量化直方圖，從而更好地近似人的視覺(jué)感知。

以Zadeh［12］提出的模糊集合理論為依據(jù)，汪子強(qiáng)提出了基于HSV顏色空間的32色模糊顏色量化方法。設(shè)論域U為整個(gè)HSV顏色空間，對(duì)于不含色彩信息的灰度，把其分為四個(gè)模糊子集G={黑，深灰，淺灰，白};對(duì)于含有色彩信息的空間，根據(jù)人的主觀(guān)感知性研究，人眼對(duì)HSV空間的三分量存在感知獨(dú)立性，因此對(duì)三分量分別進(jìn)行模糊劃分，把色調(diào)大致分為七個(gè)模糊子集:{紅，橙，黃，綠，青，藍(lán)，紫};對(duì)于飽和度分為兩個(gè)模糊子集:{深色，淺色};對(duì)于亮度分為:{亮，暗}。于是，由三個(gè)分量的模糊子集笛卡爾積就得到了28個(gè)模糊子集C，加上灰度的4個(gè)模糊子集就得到了32個(gè)模糊子集F(U)=G∪C。然后根據(jù)顏色隸屬度函數(shù) μA(μ)(A?F(U)，μ∈U)來(lái)計(jì)算給定顏色對(duì)模糊子集A的隸屬度。于是，由隸屬度函數(shù)可以得到每種顏色對(duì)32個(gè)模糊子集的隸屬度。

由隸屬度函數(shù)可以得到模糊量化直方圖，對(duì)于M×N的圖像I和模糊子集，A?F(U)可以得到模糊量化直方圖如下:

通過(guò)實(shí)驗(yàn)表明基于模糊量化直方圖的方法更接近人的主觀(guān)視覺(jué)感知，具有較高的檢索準(zhǔn)確性。但是為了能夠更好的表達(dá)圖像的顏色特征，還需要我們進(jìn)一步的研究得到更好的量化方法。

4.3 主顏色直方圖

主顏色是指圖像中占的比重比較大，而且在表達(dá)圖像語(yǔ)義上起重要作用的顏色，在顏色空間中利用聚類(lèi)方法將顏色聚類(lèi)成主顏色，并利用直方圖表示主顏色信息。聚類(lèi)是顏色量化的一種常用方法，常用的聚類(lèi)方法有K-means方法［8］、模糊C均值聚類(lèi)算法 (FCM)［16］和GLA算法。

李有峰［14］提出了一種基于圖像前景和背景主顏色提取方法，用K-均值聚類(lèi)的方法提取圖像前景和背景的主顏色，該方法不僅能夠降低顏色特征向量的維數(shù)，而且對(duì)圖像的旋轉(zhuǎn)以及目標(biāo)物體的大小都不敏感。曾接賢［15］等人提出一種改進(jìn)的K-均值聚類(lèi)方法，在HSV顏色空間中，用K-均值聚類(lèi)算法對(duì)H和V兩個(gè)分量進(jìn)行聚類(lèi)，并根據(jù)圖像各個(gè)分量的直方圖特點(diǎn)來(lái)選取分類(lèi)數(shù)目和初始聚類(lèi)中心。

聚類(lèi)時(shí)每個(gè)顏色區(qū)域的顏色很多，如果只用中心顏色來(lái)代替的話(huà)，不能反映真實(shí)的顏色分布情況。而且聚類(lèi)是對(duì)顏色的剛性量化，容易在量化邊界上出現(xiàn)顏色劃分的和人眼的感知不一致的情況，即感知上相同的顏色被劃分到不同的量化區(qū)域，而感知上不同的顏色卻被劃分在同一區(qū)域。基于上述原因，方珍紅［16］等人提出了一種基于聚類(lèi)的加權(quán)顏色特征的算法，該算法在模糊C均值聚類(lèi)(FCM)方法上加以改進(jìn)后對(duì)HSV空間上的顏色進(jìn)行聚類(lèi)，然后計(jì)算加權(quán)的主顏色直方圖。

傳統(tǒng)的顏色直方圖是給出圖像顏色的整體描述，每種顏色都是同樣的權(quán)重。然而顏色被聚類(lèi)后，顏色被量化后的區(qū)域中所包含的顏色比較多，而且每種顏色對(duì)視覺(jué)感知的重要程度也不一樣，所以方珍紅等人提出加入隸屬度權(quán)重參數(shù)，即按照FCM聚類(lèi)后的類(lèi)中心為每個(gè)顏色區(qū)域的主顏色，其他顏色按照隸屬度uik的權(quán)重進(jìn)行頻數(shù)統(tǒng)計(jì)，可以得到主顏色直方圖，

定義如下:

式中，uik為顏色i對(duì)k類(lèi)中心的隸屬度函數(shù)，ni為第k個(gè)顏色區(qū)域內(nèi)顏色i的像素個(gè)數(shù)，m為第k個(gè)顏色區(qū)域內(nèi)的顏色個(gè)數(shù)。實(shí)驗(yàn)表明，利用主顏色的直方圖比傳統(tǒng)的顏色直方圖有更好的檢索效果，同時(shí)不同距離顏色的權(quán)重不同也較為精確地表達(dá)和描述了圖像。

目前對(duì)于圖像顏色特征的提取還沒(méi)有哪種方法可以對(duì)所有類(lèi)型圖像都能達(dá)到最好的效果，所以有時(shí)候要針對(duì)不同類(lèi)型的圖像使用不同的提取方法。

5 結(jié)束語(yǔ)

基于顏色的圖像檢索系統(tǒng)一直是研究領(lǐng)域的熱門(mén)，經(jīng)過(guò)多年的研究已經(jīng)有了一定的成果，本文簡(jiǎn)單的介紹了目前在圖像檢索系統(tǒng)中常用的顏色空間、顏色特征和幾種顏色特征的提取方法，并對(duì)在直方圖的基礎(chǔ)上做各種改進(jìn)的顏色特征的提取方法，進(jìn)行了分析。但是基于底層特征進(jìn)行檢索并不能得到很好的檢索效果，今后的研究方向應(yīng)該是底層特征和高層語(yǔ)義相結(jié)合并且加入相關(guān)反饋系統(tǒng)。

［1］Flicker M，Sawhney H，Niblack W.et al.Query by image and video content:The QBICsystem［J］.IEEE computers，1995，28:23-32.

［2］Smith J R，Chang S.VisualSEEK:A fully automated content-based image query system［C］.ACM multimedia，1997:87-98.

［3］韓軒.基于顏色和空間特征的圖像檢索技術(shù)研究［D］.廈門(mén):廈門(mén)大學(xué)，2008.

［4］Stricker M，Orengo M.Similarity of color images［C］.SPIE Storage and Retrieval for Image and Video Databases III，1995:381-392.

［5］Stricker M ，Dimai A.Color indexing with weak spatial constraints［C］.SPIE Proceedings 2670，1996:29-40.

［6］趙瑩.基于顏色分布的圖像檢索系統(tǒng)［J］.微計(jì)算機(jī)信息，2007，23(6-3):266-268.

［7］周兵，沈鈞毅，彭勤科.一種新的基于對(duì)稱(chēng)色彩空域特征的圖像匹配方法［J］.小型微計(jì)算機(jī)，2005，26(1):147-150.

［8］余芳.基于顏色特征的圖像檢索技術(shù)研究［D］.北京:中國(guó)石油大學(xué)，2007.

［9］Smith J R，Chang S F.Tools and Techniques for Color Image Retrieval［C］.SPIE ，1996，(2670):426-437.

［10］Zhang Lei，Lin Fuzong，Zhang Bo.A CBIR Method Based on Color-Spatial Feature［C］.Proceed ings of the IEEE Region the 10th Conference，1999:166-169.

［11］曹莉華，柳偉，李國(guó)輝.基于多種主色調(diào)的圖像檢索算法研究與實(shí)現(xiàn)［J］.計(jì)算機(jī)研究與發(fā)展，1999，36(1):96-100.

［12］李凡.模糊信息處理系統(tǒng)［M］.北京:北京大學(xué)出版社，1998:85-136.

［13］汪子強(qiáng)，郭磊.基于模糊顏色量化的圖像檢索［J］.計(jì)算機(jī)應(yīng)用研究，2005，22(9):162-164.

［14］李有峰.基于顏色和紋理特征的圖像檢索相關(guān)算法研究［D］.成都:電子科技大學(xué)，2009.

［15］曾接賢，王軍婷，符祥.K均值聚類(lèi)分割的多特征圖像檢索方法［J］.計(jì)算機(jī)工程與應(yīng)用，2013，49(2):226-230.

［16］方珍紅，謝明元，楊玲.一種新的基于加權(quán)顏色特征的圖像檢索算法［J］.激光與紅外，2013，43(4):471-474.