五叉樹分解下低照度圖像特征相似度檢索仿真

張子恒

(湖北工業(yè)大學，湖北 武漢 430068)

1 引言

圖像理解以及圖像識別研究的不斷深入，使得各領(lǐng)域能夠充分利用圖像語義信息進行目標信息的檢索。因此，探尋高效快捷的圖像檢索方法成為急需解決的問題。低照度圖像[1]具有光亮強度小和圖片質(zhì)量低的缺點，會出現(xiàn)檢索特征不明顯等因素，導致相似度檢索的正確率降低。因此，很多相關(guān)領(lǐng)域研究者已在這方面開展。

在低照度圖像特征相似度檢索的過程中，受不同外在因素的影響，很大程度上會降低圖像品質(zhì)。最常使用的是文本圖像檢索技術(shù)，其主要在數(shù)據(jù)庫領(lǐng)域進行檢索研究，例如建立數(shù)據(jù)模型、多維度領(lǐng)域探索、查詢評價指標等。但是，該方法所需完成的前期準備量較大，且在相似度檢索中存在主觀性和不確定性，檢索結(jié)果會存在一定誤差。

針對上述問題，柯勝才[2]等人提出基于卷積神經(jīng)網(wǎng)絡(luò)和監(jiān)督核哈希的圖像檢索方法。首先，利用所提方法挖掘被檢索圖像內(nèi)容間的隱藏關(guān)系，通過提取到的圖像特征，用于增強視覺表達能力和區(qū)分能力；然后，將圖像深層高維特征映射到低維空間中，最終完成對圖像的有效檢索。實驗結(jié)果表明，該方法可效增強圖像特征表達能力，提高檢索效率。王春靜[3]等人為了提高基于內(nèi)容的圖像檢索(CBIR)性能，提出基于圖像k近鄰的相似度測量檢索方法。通過計算查詢圖像與檢索圖像的相似度，衡量同一語義的聯(lián)合概率，隨之分析檢索圖像間的圖像距離得到概率數(shù)值，并與其它方法進行對比實驗，結(jié)果表明，所提方法可有效提高檢索性能。

雖然上述方法在圖像檢索方面取得了一定的進展，但仍在存在特征提取單一、檢索結(jié)果有誤差、效率低等缺點。本文通過五叉樹分解下低照度圖像特征相似檢索，充分利用五叉樹分解技術(shù)完成圖像顏色特征相似度計算，實現(xiàn)低照度圖像檢索。實驗結(jié)果證明，對于分析圖像語義信息及提高檢索效率，該方法可行性強。

2 五叉樹分解的原理分析

低照度圖像分解[4]是指將一幅度低照度圖像拆分成若干塊小圖像，從而進行管理的活動。因分解方式不同，導致獲取到的子塊具有一定差異性。

五叉樹分解則是將低照度圖像分解成為5個層次，各層次中的子圖大小相等。通常，圖像主體定為0層。將圖像以從上至下、從左至右的順序，按照二分之一邊長，平均劃分四份，順時針方向編碼為1、2、3、4，以圖像中心為起點，擴展二分之一邊長至周圍，編碼為5，為第1層次的5個子塊。在第2個層次中，依據(jù)第1層分解方法將得到的1—4個子圖進行迭代分解，由于編碼為5的子圖與其它相同，所以不對其分解，共得到20個子塊。重復上述方法，逐層進行分解。選取五叉樹分解低照度圖像，可有效避免資源浪費，節(jié)約成本。

結(jié)合上述五叉樹分解理論，對子塊圖像進行檢索，子圖重疊概率[5]越高，則檢索精度越高。

以尺寸2L×2L的低照度圖像為例，可用S表示，分解后成為4個子塊，如圖1所示，S至原圖像的橫向距離為x(x

圖1 圖像重疊率

PS=(L-x)(L-y)/(L×L)×100%

(1)

如圖2所示，為五叉樹分解原理圖，分解圖像直至子塊大小均為m×m則結(jié)束分解。其中，m的數(shù)值一般定為4、8、16、32等，依此類推。若m數(shù)值偏小，會降低檢索精度，對于低照度圖像，圖像質(zhì)量低，m數(shù)值大則會造成混合物多，經(jīng)多次研究實驗，m的合理數(shù)值定為16。

圖2 五叉樹分解原理

通過五叉樹分解得到16×16子圖，作為特征提取最小單元，用于構(gòu)建檢索圖像顏色特征直方圖，以及相似度的計算基礎(chǔ)。

五叉樹分解法具有操作便捷、檢索效率高的優(yōu)勢，且面積重疊率高，分解過程一目了然，后續(xù)的檢索計算更為便捷。

3 圖像特征提取

針對低照度圖像[6]，最為明顯的特征是顏色及紋理，其中，圖像顏色特征主要概括為：顏色直方圖和主要色彩特征。為了更加直觀簡潔的表明五叉樹分解下低照度圖像特征提取，構(gòu)建如下圖3所示特征提取流程圖。

圖3 特征提取流程

根據(jù)圖3流程，低照度圖像特征提取步驟如下所示：

第一步，信息分解。設(shè)置M為檢索圖像的樣本個數(shù)，對其中分解的子圖像Ai(1≤i≤M)開始進行信息分解，得到三個灰度圖像，用ARi(1≤i≤M)，AGi(1≤i≤M)，ABi(1≤i≤M)表示。

第二步，特征預設(shè)提取。首先將低照度圖像Ai中的R個分量ARi，視為一個圖像矩陣，可得

(2)

其中，最大特征數(shù)值對應(yīng)的特征向量為UR1，UR2，…，URt，則

UR=[UR1，UR2，…，URt]

(3)

得到的結(jié)果為ARi的左側(cè)矩陣，因此，求

(4)

最大特征數(shù)值相對的向量為[VR1，VR2，…VRt]，則

VR=[VR1，VR2，…VRt]

(5)

所得結(jié)果為ARi的右側(cè)矩陣，將AGi與ABi視為二維矩陣，在得到左側(cè)矩陣和右側(cè)矩陣：UR、UG、VG、VR后，可得到特征矩陣FRi(1≤i≤M)，F(xiàn)Gi(1≤i≤M)以及FBi(1≤i≤M)，可列為

(6)

(7)

(8)

第三步，重構(gòu)二維矩陣[7]。將低照度圖像特征構(gòu)建三個矩陣，分別為FRi，F(xiàn)Gi，F(xiàn)Bi，由此構(gòu)建二維矩陣

(9)

上述公式中，vec(*)代表重構(gòu)矩陣的向量化，構(gòu)成列的長度為m×n。

第四步，特征提取。將Pi視為低照度圖像的二維矩陣，在求得左側(cè)和右側(cè)矩陣后，最終求得特征矩陣，如下

Yi=UTPiV

(10)

因此，當使用五叉樹分解對圖像大尺度構(gòu)造特征提取時，可驅(qū)除噪聲[8]對構(gòu)造特征的影響。然而低照度圖像中該方法不能對小尺度構(gòu)造特征進行劃分，這時要選擇一個合適的小函數(shù)只對細節(jié)范圍實行小范圍分解，經(jīng)過對小函數(shù)的剖析，能夠精確定位細節(jié)特征。

選用五叉樹分解提取圖像特征，在提取較少特征情況下，也能保證不影響后續(xù)檢索效果，可大幅度減少耗時并降低計算復雜程度。

4 圖像特征相似度檢索

顏色特征在低照度圖像中噪聲大、尺寸多，相較于其它種類特征較為明顯。因此，本文通過計算顏色相似度[9]來實現(xiàn)圖像檢索。

在圖像特征提取結(jié)束后，依據(jù)視覺對圖像信息的感知，得到如下概括：

第一，一幅低照度圖像被少許色彩[10]概括，人們僅重視肉眼所見的主要顏色。

第二，顏色比重占據(jù)大的色彩，有較大的圖像意義，被稱為“主色”。

第三，圖像相似部分：色彩相似、圖案相似、所占比重相似。

當待檢索圖像特征提取完成后，可得到如下圖4所示結(jié)果，根據(jù)不同顏色特征比例依次遞減排列，得到顏色相似度。

圖4 顏色相似度排列

通過圖4所示，首先，針對圖像特征相似度使用歸一化[11]方式進行處理，其中包括極值、標準差、高斯等歸一化。使用五叉樹分解的基礎(chǔ)上，將極值歸一化的個特征數(shù)值反映到[0，1]中，如下所示

(11)

式(11)中，Vnew表示歸一化后的向量數(shù)值，Vold表示原始數(shù)值，min(v)表示某種圖像特征在數(shù)據(jù)信息中的最小值，其中的最大值用max(v)代表。

由此可得，圖像的特征相似度的加權(quán)和為

S(Q，I)=Wtexture+WcolorScolo

(12)

Wtexture表示圖像紋理特征相似度部分，Wcolor表示顏色特征相似度部分，Stexture及Scolor表示相似程度大小。特征相似度計算方法繁多，常用方法如中心距、x2距離統(tǒng)計等，但檢索結(jié)果有一定誤差。采用五叉樹分解下圖像特征想地府檢索，選取分解得到的最小子圖為基礎(chǔ)，構(gòu)建低照度圖像和數(shù)據(jù)信息中與低照度圖像尺寸相對應(yīng)的特征圖。在檢索中，將大小相似的數(shù)據(jù)信息中的子圖與低照度圖像進行對比。

式(13)中，P(Q，I)代表特征相似程度，L表示特征向量數(shù)值，在使用歸極化方法后，特征數(shù)值都歸入到[0，1]中。

構(gòu)建頻數(shù)直方圖，如下

(13)

因此可將此定為級數(shù)指標。可自定義此級數(shù)，為了提高檢索效率[12]以及精確度，將分級數(shù)值定為20，從而計算紋理信息及色彩特征，進行累計，可得到兩種特征相似度大小，在進行求和，最終得出低照度圖像特征相似度數(shù)值完成檢測。

5 檢索結(jié)果評價指標

為了判定所提檢索方法的有效性，選擇查全率和查準率兩種方式，以此為基礎(chǔ)進行繪制數(shù)據(jù)曲線作為評價指標。查準率代表圖像檢索結(jié)果中的相似比例，判斷目標的準確程度。查全率表示檢索出的圖像特征相似度與總數(shù)的比值，指確定目標的能力。在圖像檢索中，查準率和查全率不會同時得到最大數(shù)值，查全率越高的情況下，查準率則越低，因此需盡量優(yōu)化這兩個數(shù)值。

對于檢索得到的結(jié)果，以相似程度由大至小的順序進行排列。在檢索時間上，五叉樹分解得到的子圖可提前進行特征相似度提取，僅比其它圖像檢索方式多了歐式距離，不會浪費太多時間。

低照度圖像檢索的結(jié)果很大程度上取決于圖像特征的提取與相似度計算方法。在使用五叉樹分解提取顏色特征后，可使提取到的圖像特征相似度更符合人類視覺感知。對于檢索結(jié)果，可得知該方法是否可被應(yīng)用于更加先進的圖像檢索中。

6 實驗分析

為了驗證五叉樹分解下低照度圖像特征相似度檢索的精準度，參照不同方法進行比較實驗，將顏色特征相似度作為檢索衡量參數(shù)，如圖5所示，將檢索率設(shè)為0.1時，用于觀測不同顏色數(shù)量下的精準度。

圖5 不同顏色數(shù)量下精準度

由圖5可知，當提取色彩的數(shù)量從3提升至8的時候，效果有了比較明顯的提升。然而，當?shù)玫降念伾珨?shù)量超出20的時候，效果不升反降。是由于所攝取的多余顏色對于五叉樹分解下，在相似度的檢索中，所起到的作用反而與非常細節(jié)的顏色更加相近，因此，產(chǎn)生出更多的噪聲性質(zhì)使效果下降，所以在經(jīng)過測試，本文選擇攝取顏色的數(shù)量為15，指低照度圖像特征相似度不必提取過多的顏色。

將五叉樹分解下圖像檢索與其CHIC方法進行比較，選擇相同數(shù)量顏色提取的比較結(jié)果如圖6所示。

圖6 相同數(shù)量下實驗結(jié)果

通過圖6可知，在檢索率較低時，五叉樹分解下檢索方法優(yōu)于其它方法，是因為五叉樹分解下將圖像中顏色的不同獻率考慮其中，計算差異小，因此結(jié)果更加全面。得到的檢索結(jié)果精確度更高。

由圖7可看出，五叉樹分解檢索在精準度上有了明顯的提升，通過提取低照度圖像顏色特征相似度，在檢索中效果更加顯著，魯棒性強，這也體現(xiàn)出五叉樹分解下顏色特征相似度檢索尤為重要。

圖7 檢索率及精準度曲線

對比其它方法的ANMRR數(shù)值如表1所示：

表1 對比ANMRR數(shù)值

ANMRR數(shù)值代表檢索方法的好壞，

數(shù)值越小證明檢索效果越好。從表1中可看出，五叉樹分解檢索。實現(xiàn)最佳效果，其一，提高了檢索的精確性；其二，將分解的子圖像返至較前位置，與檢索要求一致。

通過上述仿真結(jié)果可看出，所提五叉樹分解下低照度圖像特征相似度檢索可行性更強，得到的檢索率更佳。除此之外，五叉樹分解下圖像特征相似度的提取，相較其它方法，更有效地降低計算復雜難度及所需時間。在理解圖像表達的語義信息同時，在視覺特征相近基礎(chǔ)上實現(xiàn)低照度圖像檢索，檢索方法的智能化程度和檢索精度有了明顯提高。

7 結(jié)論

本文針對五叉樹分解下低照度圖像特征相似度檢索進行仿真研究，通過實驗結(jié)果表明，所提方法與其它方法對相同圖像檢索結(jié)果進行對比時，所提方法獲得到的檢索結(jié)果最佳，不僅在檢測精度上有所提高，同時具備了良好的評定指標，提高了檢索結(jié)果的智能化程度與精準度，在低照度圖像檢索中可被廣泛應(yīng)用。