基于Matlab的CBIR系統(tǒng)的設(shè)計與實現(xiàn)

楊焯雅

摘 要 隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡(luò)上的圖像數(shù)據(jù)呈現(xiàn)爆炸式增長，基于內(nèi)容的圖像檢索技術(shù)應(yīng)運而生。文章描述了基于內(nèi)容的圖像檢索（CBIR）系統(tǒng)的設(shè)計與實現(xiàn)。該系統(tǒng)使用顏色矩、旋轉(zhuǎn)不變局部二值模式、Harris角點檢測分別對圖像的顏色特征、紋理特征和角點分布情況進行描述，采用局部敏感哈希（LSH）實現(xiàn)相似性檢索?？梢愿鶕?jù)用戶輸入的圖像，輸出圖像庫中的相似圖像。該特征描述方法特征向量維數(shù)小，對圖像旋轉(zhuǎn)、尺寸變化具有魯棒性，且有較高的識別率和較短的識別時間。

關(guān)鍵詞 圖像識別；顏色矩；旋轉(zhuǎn)不變LBP；Harris角點檢測；局部敏感哈希

中圖分類號 TP3 文獻標(biāo)識碼 A 文章編號 1674-6708（2018）211-0137-05

圖像具有直觀、生動的特點，現(xiàn)已成為信息表達和資源共享的主要形式。Facebook平均每天新增照片3億5 000萬張，用戶累計上傳圖像達2 500億。如何高效地利用豐富的圖像資源，對圖像的內(nèi)容進行描述、組織和檢索，是未來的機遇與挑戰(zhàn)。

傳統(tǒng)的圖像檢索基于文本信息（TBIR），依賴用戶上傳圖像時設(shè)定的標(biāo)簽或標(biāo)題，或者采取人工的方式對圖像進行標(biāo)注、分類。傳統(tǒng)的TBIR存在以下問題：

1）人工標(biāo)注具有主觀性，且圖像包含的信息豐富，難以用文本全面描述。

2）圖像數(shù)量龐大，人工標(biāo)注效率低、成本高。

3）世界范圍內(nèi)語言種類龐大，同樣的圖像對應(yīng)若干種不同語言的文本信息，難以統(tǒng)一[ 1 ]。

為了跨越語義的鴻溝，實現(xiàn)圖像的自動分類，基于內(nèi)容的圖像檢索技術(shù)應(yīng)運而生并得到迅速發(fā)展。本文所述的CBIR模型用Matlab GUI搭建用戶交互界面，用顏色矩、旋轉(zhuǎn)不變局部二值模式、Harris角點檢測提取圖像特征，用局部敏感哈希實現(xiàn)相似性檢索。對圖像旋轉(zhuǎn)、尺寸變化具有魯棒性，且有較高的識別率和較短的識別時間。

1 數(shù)據(jù)集描述

數(shù)據(jù)集有1 000張圖片，19個類別，包括建筑、人物、自然、布料、食物等多個方面。圖片的長邊像素、寬邊像素在100px～3000px之間不等。部分圖片及數(shù)據(jù)集描述如圖1、表1所示。

2 圖像特征提取

2.1 顏色特征

2.1.1 顏色矩

顏色特征作為最顯著、穩(wěn)定的視覺特征，是人識別圖像的主要感知方式。與其他特征相比，顏色特征對圖像的方向、尺寸、視角，依賴性較小，具有較高的魯棒性。常見的顏色特征表示方式有顏色直方圖、顏色矩、顏色熵。其中顏色矩維數(shù)較小，簡潔高效，可以對圖像進行快速有效地初步篩選。

Stricker和Orengo提出了顏色矩的圖像特征提取方法[ 2 ]，利用圖像3個顏色分量上的一階矩、二階矩、三階矩表示圖像的顏色特征。具體計算公式如下：

2.2 紋理特征

2.2.1 旋轉(zhuǎn)不變局部二值模式

紋理特征是圖像重要的底層特征，與顏色特征相比，不容易被人感知。圖像的紋理特征通過像素及其周圍鄰域的灰度分布來表現(xiàn)，描述了圖像中反復(fù)出現(xiàn)的局部模式和他們的排列規(guī)律。常見的紋理特征表示方式有灰度共生矩陣（GLCM）、局部二值模式（LBP）、小波變換等。

局部二值模式（LBP）由Ojala等人提出[3]，較GLCM計算復(fù)雜度低，簡單高效。又可以分為灰度不變LBP（Gray Scale Invariant Pattern）、旋轉(zhuǎn)不變LBP（Rotation Invariant Pattern）、等價LBP（Uniform Invariant Pattern）。其中旋轉(zhuǎn)不變LBP采用二進制循環(huán)移位的原理，將灰度不變LBP的模式由256種減少至36種，同時增強了LBP算子對圖像旋轉(zhuǎn)變化的魯棒性，是對圖像紋理特征的有效描述。旋轉(zhuǎn)不變LBP的計算方式如下：

以中心像素gc（xc，yc）為圓心R（單位：像素）為半徑作圓。選取圓上均勻分布的P個像素點。P = 4，R =1.0，P = 8，R =1.0時，如圖2所示。

2.3 角點分布情況

2.3.1 Harris角點檢測

Harris算子是Harris于1988提出的角點檢測子[5]。算法基本思想是使用一個固定窗口在圖像上進行任意方向的微小移動，比較移動前后，窗口中像素的灰度變化程度。如果任意方向的移動，都有較大的灰度變化，那么可以認(rèn)為該窗口中存在角點。

基于內(nèi)容的圖片檢索系統(tǒng)主要分為.mat圖像特征庫和Matlab GUI兩部分。要實現(xiàn)基于內(nèi)容的圖片檢索，實際上就是將輸入圖片的特征向量與數(shù)據(jù)庫中已有圖片的特征矩陣進行相似性匹配。分為以下幾步：

1）建立已有圖像的特征庫。依據(jù)之前敘述的方法，計算每張圖片顏色矩特征向量Fcolor（9維）、LBP特征向量Flbp（36維）、Harris特征向量Fharris（25維）。對圖像庫中的1000張圖片進行預(yù)處理，得到大小為1000×70的特征矩陣。與圖像的其他信息封裝成結(jié)構(gòu)體，存儲在.mat圖像特征庫中。

2）GUI界面處理用戶的請求，與用戶交互。用戶在GUI界面選擇一張圖片輸入生成該圖片對應(yīng)的70維特征向量，作為相似性檢索的輸入。

3）進行相似性查找。根據(jù)輸入圖像的特征向量，在圖像特征庫中，利用局部敏感哈希算法進行相似性查找，得到相似性最高的前m個圖像的編號。

4）將查找到的相似圖片顯示在Matlab GUI上。

5 系統(tǒng)測試與分析

本文實驗是在Mac PC機上進行的，采用MatlabR2017b作為仿真實驗平臺。圖像特征庫包括1 000張圖片，19個類別，包括建筑、人物、自然、布料、食物等多個方面。圖片的長邊像素、寬邊像素在100px—3000px之間不等。系統(tǒng)界面與識別效果如圖6。

在系統(tǒng)的測試中，每個類別隨機選取5張圖片，依據(jù)Matlab GUI上圖像的顯示情況，計算每個類別的識別準(zhǔn)確率。5次實驗平均準(zhǔn)確率大于70%的類別如表4。表4中2-6列表示五次實驗識別準(zhǔn)確的圖片數(shù)量。

準(zhǔn)確率較低的類別如表5。

從中可以看出，當(dāng)圖像具有明顯的顏色特征時，如crayfish、Aquatics；或者具有明顯的紋理特征時，如mb，識別效果較好。ls類圖像雖然色彩各異，但角點分布規(guī)律，以碎花圖案為中心在整幅圖像均勻分布，識別效果較好。系統(tǒng)對于人物活動類圖像，Running、RidingBike，識別準(zhǔn)確率較低。人物活動類圖像，色彩、紋理和角點分布相似，系統(tǒng)對于人物動作的分析能力有限。

6 結(jié)論

本文描述了基于內(nèi)容的圖像檢索（CBIR）系統(tǒng)的設(shè)計與實現(xiàn)。該系統(tǒng)使用顏色矩、旋轉(zhuǎn)不變局部二值模式、Harris角點檢測分別對圖像的顏色特征、紋理特征和角點分布情況進行描述，采用局部敏感哈希（LSH）實現(xiàn)相似性檢索。對于具有明顯顏色特征、紋理特征、角點分布特征的圖像，識別效果較好。特征提取算法對圖像旋轉(zhuǎn)、尺寸變化具有魯棒性，特征向量維數(shù)較小，簡潔高效。系統(tǒng)具有較高的識別率和較短的識別時間。

參考文獻

[1]王愛芳.基于內(nèi)容的圖像檢索系統(tǒng)的設(shè)計與實現(xiàn)[D].馬鞍山：安徽工業(yè)大學(xué)，2017.

[2]Stricker A M A， Orengo M. Similarity of Color Images[J]. Proc Spie Storage & Retrieval for Image & Video Databases， 1995，2420：381-392.

[3]Ojala T， Pietik？inen M， M？enp？？ T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[C]// European Conference on Computer Vision. SpringerVerlag，2000：404-420.

[4]于亞風(fēng).基于局部二值模式的紋理特征研究與應(yīng)用[D].成都：西南交通大學(xué)，2017.

[5] Harris C. A combined corner and edge detector[J]. Proc Alvey Vision Conf，1988， 1988（3）：147-151.

[6]盧偉家，劉纏牢.一種基于Harris特征點檢測的改進算法[J].儀表技術(shù)與傳感器，2017（12）：98-100，104.

[7] Gionis A， Indyk P， Motwani R. Similarity Search in High Dimensions via Hashing[C]// International Conference on Very Large Data Bases. 1999：518-529.