基于內(nèi)容圖像檢索的特征性能評(píng)價(jià)研究

李瑞光 姜鋒霞

摘要：從基于內(nèi)容圖像檢索特征來(lái)看，各特征反應(yīng)了圖像各側(cè)面內(nèi)在特性，利用此種技術(shù)檢索需要多類(lèi)相似性度量方法，特征與特征之間的相似性度量方式是當(dāng)前CBIR的核心課題。使用圖形特征，在不同相似性的度量方式下，多種特征在圖像庫(kù)上的檢索性能，可為CBIR系統(tǒng)設(shè)計(jì)提供相應(yīng)的依據(jù)，通過(guò)本次實(shí)驗(yàn)得知，圖像特征檢索性能不僅與度量方法有關(guān)，也與圖像庫(kù)有密切關(guān)聯(lián)。

關(guān)鍵詞：內(nèi)容圖像檢索；特征；性能

中圖分類(lèi)號(hào)：E866 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）05-0922-02

基于內(nèi)容圖像檢索的關(guān)鍵環(huán)節(jié)，便是圖像特征、相似性度量方式的選擇。圖像檢索系統(tǒng)的使用者大多有一定相關(guān)知識(shí)，但從圖像特征中檢索自己所需要的往往不切實(shí)際；圖像檢索系統(tǒng)中可能擁有許多不同的圖像庫(kù)，單一特征搜索，往往無(wú)法適應(yīng)系統(tǒng)檢索功能。目前的檢索系統(tǒng)，都需要使用者對(duì)圖像特征進(jìn)行選擇，而這樣的模式，使得檢索系統(tǒng)無(wú)法滿足廣大用戶的需求。本次研究主要為解決目前檢索系統(tǒng)中所存在的問(wèn)題，對(duì)圖像多種特征性能做評(píng)價(jià)，便于對(duì)特征做指導(dǎo)融合，系統(tǒng)可服務(wù)于大眾用戶，也能同時(shí)面對(duì)不同圖像庫(kù)。

1 相關(guān)的工作

上世紀(jì)末，基于內(nèi)容圖像檢索就已經(jīng)成為多媒體技術(shù)中備受矚目的領(lǐng)域，已經(jīng)有許多不同性質(zhì)的圖像檢索系統(tǒng)被開(kāi)發(fā)使用。

QBIC為第一個(gè)用于藝術(shù)博物館、郵票、商標(biāo)等的圖像數(shù)據(jù)管理，是商業(yè)化基于內(nèi)容圖像的檢索系統(tǒng)，對(duì)以后的圖像檢索發(fā)展有著極其深遠(yuǎn)的影響。其提出了檢索供功能的三個(gè)特征，紋理特征、顏色特征、形狀特征。在顏色特征查詢中，包括對(duì)顏色分布、百分比查詢。使用百分比查詢，使用者可以找到相似顏色，而顏色分布差異不僅可以造成相似顏色，也能造成分布相似的顏色圖案。

紋理特征是對(duì)圖像線條的方向性、對(duì)比性、粗糙性做綜合考慮；以形狀查詢則是對(duì)輪廓查詢、形象查詢。目前的系統(tǒng)雖然可以特征檢索，但特征之間毫無(wú)聯(lián)系，使用者需要對(duì)圖像特征有基本認(rèn)識(shí)，將系統(tǒng)的使用便捷性大打折扣。

后來(lái)，又有了圖4中可視特征的檢索，分別為顏色布局、顏色、形狀、紋理?？稍O(shè)置0～10權(quán)值，使用者需要設(shè)定多個(gè)權(quán)值對(duì)檢索做優(yōu)化，當(dāng)然，要想達(dá)到最佳效果，還需要對(duì)實(shí)驗(yàn)反復(fù)做，此方法也存在問(wèn)題。

在CBIR領(lǐng)域里，已有許多系統(tǒng)，但對(duì)圖像特性做評(píng)價(jià)卻是很少，導(dǎo)致許多用戶盲目選擇特征的問(wèn)題。

2 實(shí)驗(yàn)框架

2.1 圖像特征

圖像檢索一般都會(huì)選擇紋理、顏色、形狀等圖像基本特征。目前，顏色特征為圖像檢索中使用最為廣泛的視覺(jué)特征。為圖像顏色控制的數(shù)值度量，顏色特征與顏色空間有密切關(guān)系，常用顏色空間有HSV顏色空間、HGB顏色空間。紋理特征為圖像檢索的另一種廣泛使用的圖像特征。

人類(lèi)視覺(jué)感知中，形狀為重要特征，形狀特征在圖像檢索中也較為常用，不同形狀表示，許多對(duì)形狀特征識(shí)別的方法已經(jīng)被推出。在實(shí)際操作中，圖像分割無(wú)法在計(jì)算機(jī)領(lǐng)域中有效使用，因此，形狀特征無(wú)法很好的將其應(yīng)用于圖像檢索中，因此實(shí)驗(yàn)主要基于紋理、顏色特征進(jìn)行。

2.2相似性度量

基于內(nèi)容圖像檢索特點(diǎn)為基于查詢樣例和數(shù)據(jù)候選圖像相似性，并非準(zhǔn)確匹配，在對(duì)圖像特征進(jìn)行選擇外，適合的相似性度量方式，能對(duì)圖像檢索性能造成影響。相似性度量可采用二階距離、一階距離。

2.3性能評(píng)價(jià)

以往信息檢索中，結(jié)果評(píng)價(jià)大多采用查準(zhǔn)率、查全率的參數(shù)，CBIR系統(tǒng)中，系統(tǒng)會(huì)以排序結(jié)果為準(zhǔn)，返給用戶相似度排列表。因此，查準(zhǔn)率、查全率并未用于CBIR中，大多使用前N個(gè)結(jié)果的正確率PN。

3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)數(shù)據(jù)主要有兩個(gè)圖庫(kù)，Corel與Brodatz。Corel圖庫(kù)有過(guò)六萬(wàn)張圖片，其中包括風(fēng)景、人物、建筑、動(dòng)物、植物等，可在此圖庫(kù)中可挑選30個(gè)語(yǔ)義類(lèi)，每類(lèi)有120張，共3600張圖片可為實(shí)驗(yàn)數(shù)據(jù)。檢索中會(huì)將樣本圖片屬同語(yǔ)義類(lèi)顯示正確，而相反則為錯(cuò)誤。

Brodatz圖庫(kù)中，可將圖像分割為15（4×4）張，而這樣可形成新測(cè)試圖庫(kù)，在檢索中，和樣本圖片所屬同張?jiān)紙D片，則顯示結(jié)果為正確，相反則為錯(cuò)誤。

3.1 圖像特征評(píng)價(jià)實(shí)驗(yàn)

圖像特征評(píng)價(jià)實(shí)驗(yàn)是對(duì)不同圖像做評(píng)價(jià)，相同相似性的度量方式下，對(duì)圖像庫(kù)的檢索效果。在本次實(shí)驗(yàn)中10種圖像特征性高，使用L1、L2的相似度度量方法下，在Corel與Brodatz分別進(jìn)行。對(duì)圖像特征結(jié)果做對(duì)比，L1、L2度量時(shí)，特征性能趨勢(shì)、結(jié)果一致，在兩個(gè)測(cè)試庫(kù)所得結(jié)果如圖1、圖2所示。

圖1 Corel圖庫(kù)特征查準(zhǔn)率對(duì)比

圖2 Brodatz圖庫(kù)特征查全率對(duì)比

3.2 相似性度量方式性能對(duì)比

對(duì)常用相似度度量方法對(duì)比，各相似性度量方式結(jié)果、趨勢(shì)一致，所有只有HSV顏色直方圖結(jié)果，在兩個(gè)測(cè)試庫(kù)所得結(jié)果如圖3、圖4所示。

圖3 Corel圖庫(kù)相似性度量方式性能對(duì)比

圖4 Brodatz圖庫(kù)相似性度量方式性能對(duì)比 （下轉(zhuǎn)第929頁(yè)）

（上接第923頁(yè)）

4 結(jié)束語(yǔ)

圖像特征檢索性能，與相似性度量方式有關(guān)，也與圖像庫(kù)相關(guān)。從檢驗(yàn)結(jié)果中顯示，HSV顏色直方圖，顏色一致性向量在Corel圖庫(kù)上性能較好。而紋理特征則在Brodatz圖庫(kù)上性能較好。為系統(tǒng)有通用性，在做設(shè)計(jì)時(shí)，不能以某一圖像特征為設(shè)計(jì)基礎(chǔ)，而需要對(duì)不同圖庫(kù)做分析，從而對(duì)其特征進(jìn)確定。在實(shí)驗(yàn)分析中，對(duì)圖像特征做指導(dǎo)融合實(shí)驗(yàn)，其效果極好，可讓系統(tǒng)有通用性。

參考文獻(xiàn)：

[1] 朱文燕.基于內(nèi)容的圖像檢索中特征性能分析[D].天津：天津大學(xué)，2009.

[2] 張國(guó)宏.基于多特征融合的外觀設(shè)計(jì)專(zhuān)利圖像檢索算法[D].廣州：廣東工業(yè)大學(xué)，2011.

[3] 齊為民.基于內(nèi)容圖像檢索系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].大連：大連理工大學(xué)，2009.

[4] 魏翩翩.基于內(nèi)容的圖像檢索技術(shù)研究及系統(tǒng)實(shí)現(xiàn)[D].廈門(mén)：廈門(mén)大學(xué)，2009.

[5] 張振華.基于內(nèi)容的圖像檢索關(guān)鍵技術(shù)研究[D].大連：大連理工大學(xué)，2011.

[6] 郜妍妍.基于內(nèi)容圖像檢索的一些關(guān)鍵技術(shù)研究[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2010.

[7] Canny.Based on the characteristics of the two layers of commodities research and implementation of image retrieval technology[D].Power system communication，2011.

[8] MapReduce.Key techniques of content-based medical image retrieval[D].Power system communication，2012.