基于邊緣檢測的多特征智能圖像檢索模型

史婷婷， 劉衛(wèi)華， 吳明珠

(1.仲愷農(nóng)業(yè)工程學(xué)院信息科學(xué)與技術(shù)學(xué)院,廣州 510225；2.廣東司法警官職業(yè)學(xué)院網(wǎng)絡(luò)中心,廣州 510520；3.華南師范大學(xué)增城學(xué)院計(jì)算機(jī)系，廣州 511363)

圖像邊緣是圖像的最基本特征之一，也是人類判別物體的重要依據(jù).近來有很多研究試圖利用邊緣提取圖像特征，而邊緣檢測的效果直接影響檢索結(jié)果.在常用的幾種用于邊緣檢測的算子中Laplacian算子常產(chǎn)生雙邊界，而其他一些算子如Sobel算子又會形成不閉合區(qū)域.相比傳統(tǒng)的微分算子，Canny算子是一種滿足最優(yōu)準(zhǔn)則的邊緣檢測方法，它具有信噪比大和檢測精度高的優(yōu)點(diǎn).文獻(xiàn)[1]選用Canny檢測算子提取原始圖像的彩色邊緣輪廓，繼而構(gòu)造內(nèi)容直方圖進(jìn)行圖像檢索.然而傳統(tǒng)的Canny算子實(shí)時性較差且計(jì)算量大，處理結(jié)果仍存在部分虛假邊緣，因此存在一定局限性.文獻(xiàn)[2]采用 RGB 顏色向量角[3]來檢測圖像邊緣.但此方法對光照不敏感，不能分辨色度級之間的差異，在具體應(yīng)用上會產(chǎn)生較大的誤差.因此，不少學(xué)者嘗試在其他顏色空間使用歐幾里得距離檢測彩色圖像邊緣信息，并取得了較好的檢測結(jié)果.

為了進(jìn)一步捕捉用戶需求，很多學(xué)者試圖將當(dāng)前較流行的粒子群優(yōu)化、遺傳算法等加入相關(guān)反饋技術(shù)，但計(jì)算繁瑣耗時，效果并不理想.一幅圖像的底層特征包括顏色、紋理、形狀等.基于圖像單一特征的檢索方法只能表達(dá)圖像的部分特征信息，不能達(dá)到較好的圖像檢索準(zhǔn)確度.因此，采用綜合多特征檢索能高效提高檢索的精準(zhǔn)度且計(jì)算量小.

在上述討論的啟發(fā)下，本文提出一種智能圖像二級檢索模型.

1 智能圖像二級檢索模型

該模型包含：(1)第一級檢索：首先改進(jìn)Canny算子和顏色向量角分別檢測圖像邊緣，再利用db2小波進(jìn)行圖像融合得到二值邊緣，并運(yùn)用“圖像位錯率”進(jìn)行邊緣信息比較，篩選出相似性高的圖像組成備選圖像集.(2)第二級檢索：提出一種新的“HSI顏色不變量模型”量化圖像，計(jì)算顏色相關(guān)矩陣并加之改進(jìn)的邊緣直方圖，在備選圖像集中進(jìn)行顏色、空間和紋理綜合特征檢索，如圖1所示.

圖1 智能圖像二級檢索模型

1.1 融合改進(jìn)的Canny算子和顏色向量角的邊緣檢測

本文利用改進(jìn)的Canny算子和顏色向量角分別對圖像進(jìn)行邊緣檢測，再通過相應(yīng)的融合算法把上述2種方法檢測出來的邊緣通過圖像融合，得到最終的圖像邊緣.具體方法如下：

(1)應(yīng)用改進(jìn)Canny算子對圖像進(jìn)行邊緣檢測．

(2)應(yīng)用改進(jìn)的顏色向量角對圖像進(jìn)行邊緣檢測.

(3)將得到的2幅邊緣圖像應(yīng)用圖像融合函數(shù)進(jìn)行圖像融合，即首先使用db2小波對2幅圖像進(jìn)行3層小波，然后取2幅圖像低頻和高頻的平均值進(jìn)行融合，再經(jīng)小波逆變換得到的重構(gòu)圖[4].由于小波變換對不同尺度檢測下進(jìn)行了平均，這樣得到原始圖像的二值邊緣.具體算法框圖如圖2所示.

圖2 融合改進(jìn)的Canny算子和顏色向量角的邊緣檢測算法框圖

Figure 2 Edge detection algorithm diagram based on improved Canny operator and color vector angle

1.1.1 傳統(tǒng)Canny算子及缺陷 Canny算子具體實(shí)現(xiàn)步驟如下：

(1)用高斯濾波器平滑圖像.

(2)用Gaussian函數(shù)的一階偏導(dǎo)數(shù)計(jì)算平滑后的圖像計(jì)算其梯度的幅值和方向并進(jìn)行非極大值抑制.

(3)用低閾值Tl得弱邊緣E1，用高閾值Th得強(qiáng)邊緣E2，顯然E1?E2.

(4)E1中僅保留與E2有連通關(guān)系的連通分量作為輸出邊緣E.

在上述過程中，傳統(tǒng)的Canny算子需要人為設(shè)定3個參數(shù)：在平滑過程中所用的Gaussian濾波器參數(shù)σ以及2個閾值Tl、Th.然而，一組固定的參數(shù)對某一幅圖像可能會有很好的效果，但當(dāng)圖像變化后，參數(shù)無法自適應(yīng)變化，從而導(dǎo)致邊緣檢測效果不理想.

1.1.2 改進(jìn)Canny算子 針對傳統(tǒng)的Canny邊緣檢測算子在這兩方面的不足，本文采用如下方法實(shí)現(xiàn)參數(shù)的自適應(yīng)變化.

(1)σ的選取.參數(shù)σ的選取應(yīng)該根據(jù)圖像的實(shí)際情況進(jìn)行自動獲取.本文采用可根據(jù)圖像的局部方差來調(diào)整濾波器輸出的自適應(yīng)濾波對圖像進(jìn)行平滑.由于在N×N窗口內(nèi)，方差可以較好反映窗口內(nèi)像素的變化特點(diǎn)，故將此值作為度量參數(shù)σ的標(biāo)準(zhǔn)之一.而圖像中方差小的像素點(diǎn)往往來源于非邊緣或被噪聲污染較小的區(qū)域，兼顧圖像的整體特性，故將最小方差也作為參數(shù)σ的恒定因子[5]，參數(shù)σ定義如下：

其中：f(i,j)、A、E、σ為圖像像素、N×N窗口內(nèi)的均值、方差和高斯濾波器參數(shù)；Emin為整個圖像中的最小方差.此時，任一窗口內(nèi)的高斯函數(shù)可定義為：

(2)雙閾值的選取.在討論Canny算子的閾值選取算法之前，采用一個半徑為1的圓形結(jié)構(gòu)元素對候選邊緣點(diǎn)進(jìn)行膨脹運(yùn)算，先解決經(jīng)過非最大值抑制后得到的候選邊緣點(diǎn)不連續(xù)的問題.實(shí)驗(yàn)表明這種方法簡單實(shí)用，只要選擇合適的雙閾值就能閉合邊緣[6].

Otsu法是一種自適應(yīng)計(jì)算單閾值的簡單高效的方法.通過搜索類間方差最大值，得到最優(yōu)閾值，將此作為Canny算子的高閾值，再利用公式Tl=0.5Th確定低閾值.這樣既有效地解決抑制噪聲和保留精細(xì)邊緣之間的矛盾，又得到理想的邊緣圖像.

1)選擇一個近似值Tn作為圖像f(x,y)的初始閾值：Tn=(fmin+fmax)/2, 其中fmin為最小灰度值，fmax為最大灰度值.

其中pi為灰度值為i的概率.

5)若sn

1.1.3 改進(jìn)的顏色向量角邊緣檢測算法 目前單一通過歐幾里得距離或顏色向量角檢測彩色圖像邊緣效果不理想，故在RGB顏色空間中，通過計(jì)算在八鄰域中像素的歐幾里得距離和顏色向量角，找到二者的最大值，以加權(quán)之和表示像素間的色差繼而得到原始圖像的二值邊緣[7].

歐幾里得距離：

D(pc,pi)=

(1)

顏色向量角：

(2)

利用加權(quán)和的形式構(gòu)建本文算法：

max=ω1sin(θ)max+ω2Dmax.

(3)

在此，pc、pi分別表示3×3模板中心像素和其八鄰域像素；ω1和ω2是非負(fù)的加權(quán)因子(ω1+ω2=1)，本文取ω1=ω2=0.5,Dmax=max(D(pc,p1),…,D(pc,p8)),sin(θ)max=max(sin(θ)pcp1,…,sin(θ)pcp8).

如果max>閾值T，則任意圖像的像素p：p=1為邊緣像素；p=0為非邊緣像素.

1.2 圖像顏色空間特征提取

圖像顏色空間的表達(dá)方式有多種，相對于RGB顏色模型而言，HSI 顏色模型是一種更符合人類視覺特征的模型，計(jì)算簡單.傳統(tǒng)的顏色相關(guān)矩陣對環(huán)境因素變化十分敏感且計(jì)算量大、效率低，故本文提出“HSI顏色不變量模型”先對圖像進(jìn)行量化，再計(jì)算量化后圖像的顏色相關(guān)矩陣以捕捉圖像的空間顏色分布信息，不僅降維，且環(huán)境魯棒性強(qiáng).

先將H、S、I三分量量化如下：

H分量區(qū)間劃分為：

[120k,120(k+1)mod 360] (k=0,1,2);

S分量區(qū)間劃分為：

I分量區(qū)間劃分為：

在HSI顏色模型中，像素各分量的大小關(guān)系不因環(huán)境因素改變而發(fā)生變化.例如：像素p各分量大小關(guān)系pS>pI>pH，則環(huán)境變化后pS′>pI′>pH′，故得到“HSI顏色不變量模型”，具體描述如下：

假設(shè)像素表示為p≡(pH,pS,pI)，則：

pmax≡max(pH,pS,pI),pmin≡min(pH,pS,pI),

其中pmax、pmin分別表示三顏色分量中的最大、最小值.在計(jì)算顏色相關(guān)矩陣時顏色量化為集合C：

C={pmax,pmin}={pHmaxpSmin,pHmaxpImin,pSmaxpHmin,

pSmaxpImin,pImaxpHmin,pImaxpSmin}.

1.3 圖像紋理特征提取

針對MPEG-7規(guī)定的邊緣直方圖EHD[8]僅描述圖像局部邊緣的空間分布這一局限性，在不影響表征圖像內(nèi)容的前提下本文采用3種塊邊緣模式無向邊緣、水平邊緣、垂直邊緣來構(gòu)造圖像的邊緣，具體過程如下：將一個圖像分割成互不重疊的4×4個子圖像，計(jì)算每個子圖像上述3個邊緣直方圖，由此構(gòu)成一個48維特征向量.

2 結(jié)果與分析

為了驗(yàn)證本模型優(yōu)劣性，以賓夕法尼亞大學(xué)Wang和Li教授領(lǐng)導(dǎo)的團(tuán)隊(duì)供研究使用的WBIIS圖像數(shù)據(jù)庫[9]為依托，利用ASP.NET和Oracle10g數(shù)據(jù)庫開發(fā)了智能圖像檢索系統(tǒng)SttImageRetrieval3.0.

2.1 相似性度量法則

第一級檢索采用位錯率BER來度量圖像邊緣信息的相似度，將相似度大的圖像組成一個新的備選圖像庫，有效縮小查找范圍.BER越小說明2幅圖像的邊緣信息越接近.

位錯率公式表達(dá)如下：

(4)

式中M、N分別表示圖像邊緣信息矩陣的行和列；R表示邊緣信息矩陣對應(yīng)位置元素值不相等的總個數(shù).

第二級檢索中先采用高斯歸一化方法對特征向量的各個特征分量進(jìn)行歸一化處理，再利用歐幾里德距離度量特征間相似性得到最終檢索結(jié)果.

2.2 邊緣檢測實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文邊緣檢測算法的有效性，選取Lena圖像，分別用傳統(tǒng)的Canny算法、顏色向量角和本文算法檢測圖像邊緣得到原始圖像的二值邊緣(圖3).傳統(tǒng)Canny算子檢測出的邊緣有比較多的間斷和虛假邊緣，對于一些高強(qiáng)度的噪聲比較敏感，對于低強(qiáng)度的邊緣又容易漏選，故精確度小，提取的邊緣信息過于瑣碎；顏色向量角邊緣檢測噪聲較多.相對上述2種算法，本文融合改進(jìn)的Canny算子和顏色向量角對圖像進(jìn)行邊緣檢測，該算法在抑制噪聲、連接邊緣方面優(yōu)于傳統(tǒng)的邊緣檢測算法，而且還能更有效地保持細(xì)節(jié)和減弱虛假邊緣現(xiàn)象.

圖3 Lena圖像實(shí)驗(yàn)對比圖

2.3 檢索結(jié)果和性能分析

本實(shí)驗(yàn)對智能圖像二級檢索模型的性能采用平均查準(zhǔn)率和查全率進(jìn)行評價，并利用時間復(fù)雜度分析本文方法是否能提升計(jì)算效率，降低計(jì)算復(fù)雜性.

從圖像庫中選取花卉、汽車、日出、蝴蝶、鳥、飛機(jī)、山河、海灘、建筑、人物共10類1 000幅圖像進(jìn)行檢索.本系統(tǒng)為用戶提供示例查詢方式，對每幅查詢圖像，按相似度大小返回前12幅檢索結(jié)果圖.圖4、圖5給出了花卉、汽車的檢索實(shí)例.

為進(jìn)一步驗(yàn)證本文算法的有效性，從每一類圖像中隨機(jī)選取10幅圖像為查詢圖像，共100幅，記錄在本系統(tǒng)中對每一個查詢圖像的查全率和查準(zhǔn)率，最后求平均值.從圖6可以看出，本文算法能夠較高效和準(zhǔn)確地查找出用戶感興趣的彩色圖像，并且具有較好的查全率和查準(zhǔn)率.

圖4 以花卉為范例的檢索結(jié)果

圖6 4種算法在10類圖像上的檢索性能比較

對于一幅N×M的圖像，顏色相關(guān)圖、顏色自相關(guān)圖和本文方法的時間復(fù)雜性分別如下：

本文采用“HSI顏色不變量模型”將顏色量化數(shù)降為6，特征向量僅為36維，彩色邊緣直方圖為一個48維特征向量，效率高，完全能夠滿足用戶對算法實(shí)時性的要求.

3 結(jié)束語

本文改進(jìn)了傳統(tǒng)的Canny算子和顏色向量角，融合2種檢測方法的優(yōu)點(diǎn)得到圖像邊緣.與傳統(tǒng)的檢測算法相比，檢測到邊緣連續(xù)性增強(qiáng)，虛假邊緣明顯減少，對圖像細(xì)節(jié)的保持與檢測性能也有所提高，更能適應(yīng)圖像處理的實(shí)時性要求.同時，運(yùn)用位錯率有效縮小查找范圍完成第一級檢索；再利用改進(jìn)的圖像顏色空間信息和紋理特征進(jìn)行第二級綜合特征檢索，避免在利用單一特征進(jìn)行檢索時所出現(xiàn)的不同圖像具有相同單一特征的問題，大大增加了查找圖像的相關(guān)性.實(shí)驗(yàn)結(jié)果表明：本文的智能圖像二級檢索模型能夠更加準(zhǔn)確和高效地查找出用戶感興趣的彩色圖像，并且具有較好的查全率和查準(zhǔn)率.

參考文獻(xiàn)：

[1] 陳景偉,王向陽,于永健.基于邊緣直方圖的彩色圖像檢索算法研究[J]. 小型微型計(jì)算機(jī)系統(tǒng),2010,31(5):976-983.

Chen J W,Wang X Y,Yu Y J. Edge-based color image retrieval by using multiple histograms[J].Journal of Chinese Computer Systems,2010,31(5):976-983.

[2] Kim N W，Kim T Y，Choi J S. Edge-based spatial descriptor using color vector angle for effective image retrieval[J].Lecture Notes in Computer Science，2005，3558:365-375.

[3] Dony R D，Wesolkowski S.Edge detection on color images using RGB vector angles[C]∥Proceedings of IEEE canadian conference on electrical and computer engineering.Edmonton,Alberta,Canada，1999：687-692.

[4] 白婷婷,鄧彩霞,耿英.基于小波變換與Canny算子融合的圖像邊緣檢測方法[J].哈爾濱理工大學(xué)學(xué)報(bào)，2010，15(1)：44-47,51.

Bai T T, Deng C X, Geng Y. Image edge detection based on wavelet transform and Canny operator[J]. Journal of Harbin University of Science and Technology, 2010, 15(1):44-47,51.

[5] 薛麗霞，李濤，王佐成.一種自適應(yīng)的Canny邊緣檢測算法[J].計(jì)算機(jī)應(yīng)用研究，2010，27 (9)：3588-3590.

Xue L X, Li T,Wang Z C. Adaptive Canny edge detection algorithm[J].Application Research of Computers，2010，27(9)：3588-3590.

[6] 印勇，劉平，劉丹平.采用改進(jìn)Canny算子分割尿沉渣圖像[J].計(jì)算機(jī)工程與應(yīng)用，2010，46(14)：196-199.

Yin Y,Liu P,Liu D P. Segmentation of urine sediment image based on improved Canny operator[J].Computer Engineering and Applications，2010，46(14)：196-199.

[7] 史婷婷，劉衛(wèi)華，伍春暉. 一種新的圖像空間特征提取方法[J]. 計(jì)算機(jī)工程,2012,38(3):218-220.

Shi T T, Liu W H, Wu Ch H. Novel approach for image spatial feature extration[J]. Computer Engineering,2012,38(3):218-220.

[8] Won C S,Park D K,Park S J. Efficient use of MPEG-7 edge histogram descriptor[J]. Etri Journal, 2002, 24(1): 35-42.

[9] Wang J Z, Li J. WBⅡS.[2012-12-25].http://wang.ist.psu.edu/docs/related.shtml.