基于内容的南通蓝印花布图像检索系统的设计与实现

基于内容的南通蓝印花布图像检索系统的设计与实现作者：沈美于翔来源：《科技视界》2014年第35期【摘要】本文针对国家非物质文化遗产——南通蓝印花布在信息化方面的空白，综合分析南通蓝印花布在数字图像处理、图像数据库设计以及JAVA EE架构中存在的难点，利用OpenCV、JAVA EE 对蓝印花布图案进行对比研究，基于内容的图像检索系统研究、开发与实现。

【关键词】OpenCV；JAVA EE；图像相似度0 引言基于内容的图像检索CBIR（Content-Based Image Retrieval）是当前多媒体检索中研究最为广泛的一种[1]。

其主要是将图像自身的视觉特征（如颜色、形状、纹理等）作为图像的内容加以表示，从而进行查找、匹配，最终将与样例图像相似的图像返回给用户。

CRIR涉及到多个领域的研究内容：如计算机视觉、图像处理、图像理解、模式识别、人工智能、数据库技术、支持向量机学习、贝叶斯学习、决策树学习及相关反馈交互式学习等[2]；并在多个领域得到了广泛的应用。

本文主要利用图像的颜色特征对南通蓝印花布图像进行相似度的计算并加以分析研究，为在JAVA EE环境下利用OpenCV设计、开发与实现一个基于内容的图像检索原型系统打下坚实的基础。

1 应用背景本文在借鉴和吸收国内外的先进经验及方法的同时，对“南通蓝印花布”图像数据进行分析、研究，并在JAVA EE架构基础上利用先进的机器视觉库OpenCV对南通蓝印花布图像相似度进行计算、分析与研究，为开发实现一个基于内容的南通蓝印花布图像检索原型系统及“南通蓝印花布”信息化工作打好基础。

2 基于内容的图像检索及相关技术2.1 基于内容的图像检索基于内容的图像检索CBIR（Content-Based Image Retrieval）是使用图像的可视特征对图像进行检索。

本质上是一种近似匹配技术，融合了计算机视觉、图像处理、图像理解、人工智能、数据库等多领域的技术成果。

其特点是直接从媒体内容中提取信息线索，由计算机自动实现图像的分析、特征提取和索引，采取某种相似性度量方法对图像库中的图像进行匹配获得查询结果，从而避免了人工描述的主观性，减少了工作量[3]。

CBIR的的实现主要依赖两个关键技术的解决：图像特征的有效提取和图像特征的有效匹配[4]。

2.2 图像特征提取图像特征的提取与表达是CBIR技术的基础和核心技术。

基于内容的图像视觉信息主要有两层含义：1）图像信息的低级特征，如颜色、形状、纹理与空间关系等，这是客观的、最低层的图像信息模型，也是图像固有的物理属性，能被人的感官直接觉察出来；2）图像内容的语义描述，即与人类认知领域相关的图像内容，也称为图像高层信息。

然而，鉴于目前技术条件所限，基于图像的高层特征即语义方面进行检索的技术研究较少，更多的是利用图像的低层特征（如颜色、纹理及形状等）作为检索条件进行研究开发[2]。

2.2.1 颜色颜色是图像最底层、最直观的物理特征。

与图像的空间位置信息无关。

颜色具有拥有旋转、平移及尺度不变等特性，因而鲁棒性极好[5]。

在基于内容的图像检索中，颜色特征是应用的最为广泛的视觉特征。

目前主要有以下的一些颜色特征描述：（1）颜色直方图[6]；（2）颜色矩；（3）颜色关联图（Color Correlogram）[8-9]。

2.2.2 形状形状特征是人类识别物体的主要特征之一。

同一类物体，可能具有不同的颜色，但其形状总是相似的。

另外，图像的形状特征具有不随图像颜色等特征的变化而变化的特点，是物体稳定的特征。

目前对形状的描述主要分为两类：基于边缘的和基于形状的，主要的描述子有傅里叶算子、Hu不变矩、Zemike矩、边缘方向直方图等。

2.2.3 纹理纹理是图像的重要特征之一，通常定义为图像的某种局部性质，或是对局部区域中像素间关系的一种度量，其本质是刻画像素的邻域灰度空间分布规律。

纹理特征描述方法大致可以分为四类：统计法、结构法、模型法、频谱法。

2.2.4 三种特征提取的比较众多资料及大量经验表明：颜色特征适用于色彩较为丰富的图像，如风景类图像，使用颜色特征的检索常可以得到颜色相似的图像。

纹理特征则较适合于物体和背景不易分割的图像，单纯使用纹理特征的检索并不总能得到纹理明显相同的图像，除非数据库中包含许多含有主要纹理的图像。

形状特征由于不易提取，一般只对物体形状易于识别的图像较为适合，基于形状的检索常可能检索到意外的结果，用得相对较少。

因此，绝大多数的检索系统都使用颜色和纹理特征，形状特征使用得相对较少。

2.3 图像特征的匹配与常规的基于文本的图像检索精确匹配技术不同，CBIR采用的是一种特征间的近似匹配技术，经特征提取后图像的内容将由所提取的特征向量来表示，因此衡量两幅图像的相似性将转换为特征空间中的相似性问题，即将视觉特征看作是向量空间中的点，通过计算两点之间的接近程度来衡量图像特征之间的相似度。

由于人类视觉系统非常复杂，目前缺乏对感知相似度的深刻认识。

在关于图像相似性度量的理论研究中，使用最多的是计算图像特征之间的相似距离，距离越小就越相似。

3 JAVA EE框架下用OpenCV对南通蓝印花布图像相似度研究本文主要以南通蓝印花布实物照片及其纹样为实验对象，利用尼康数码相机作为数据采集设备，采集的数码相片分辨率较高且噪声低，完全能满足实验要求。

3.1 JAVA EE框架下OpenCV环境的搭建在UBUNTU LINUX操作系统下，使用Easy Eclipse软件搭建JAVA EE环境。

随后在系统中按OpenCV 2.4.5说明进行安装并在JAVA环境中调用相关语句，完成JAVA EE框架下OpenCV环境的搭建。

最终效果图如图1所示。

3.2 图像预处理本实验中图像预处理包括两大部分：去噪和颜色数字化。

首先，尽管在实验中采用尼康数码相机作为数据采集设备，采集的数码相片不但分辨率高，而且内容清晰，但这一结果也带来了两种不同的后果：一方面为实验的顺利进行提供了保障，另一方面也产生了不可忽视的噪声：如在对南通蓝印花布实物进行拍摄时，不但蓝印花布的花色纹样清晰可见，而且布匹本身的经纬线也清晰的表现出来，形成难以消除的噪声。

因此，必须对原始图像进行平滑处理以去除噪声。

通过大量的实验，采用中值虑波及高斯模糊对原始照片中的噪声进行处理，效果较为理想。

其次，虽然南通蓝印花布只有两种颜色：蓝色和白色；但是在实际应用过程中，这两种颜色却没有统一的标准，尤其是没有一个统一的数字化标准；蓝色与白色深浅不一，给蓝印花布的数字化进程造成极大的困难。

鉴于此，通过与吴远新老师及多位专家的交流沟通，在对数字化照片进行数字化预处理前，约定南通蓝印花布数字化照片的蓝色RGB值{29，33，70}为：白色RGB值为：{251，255，255}；3.3 利用OpenCV对蓝印花布图像进行HSV分量化大量的实例表明，南通蓝印花布图像的颜色特征不但明显，而且提取相对容易。

因此，研究基于颜色特征的蓝印花布检索方法就显得尤其重要。

然而，对于基于颜色特征的检索方法来讲，一方面，选择一个合适的颜色特征表达方式很重要，另一方面，对颜色特征的表达依赖于所使用的颜色模型，并不是所有的颜色空间都与人的感觉相一致。

HSV 空间即色度（Hue）、饱和度（Saturation）和亮度（Value）空间，是比较接近人对颜色视觉感知的彩色空间，其中 H 表示不同颜色；S 表示颜色的深浅；V 表示明暗程度。

利用OpenCV的cvtColor方法可以较方便地将图像从RGB转换到HSV。

实验中随机选取两张蓝印花布照片，在Eclipse里通过JAVA调用OpenCV的cvColor（）方法，将其从RGB空间转换到HSV空间，效果如图2所示：（a）原始RGB图像（b）转换到HSV的图像图2 调用cvColor方法将RGB图像转换到HSV3.4 蓝印花布图像对比相似性分析与研究根据2.4所述可知，衡量两幅图像的相似性实际上是衡量两幅图像特征空间中的相似性问题。

因此，进行蓝印花布图像对比相似性研究，则首先要提取蓝印花布的图像特征。

通过对大量蓝印花布图像的分析，发现其虽然只有两种颜色，即蓝色和白色，但是其纹样繁多。

在纹理及形状的特征提取方面，难度较大，且不易实现；因此，在蓝印花布图像特征的提取方面，选择颜色特征进行提取。

颜色直方图是优先选择的图像特征向量。

利用OpenCV的计算直方图方法calcHist（）可以方便地计算出目标图像的颜色直方图。

随机选取蓝印花布照片，在Eclipse里通过JAVA调用OpenCV的calcHist（）方法，计算该图的颜色直方图如图3所示。

正如2.4节所述：在关于图像相似性度量的理论研究中，使用最多的是计算图像特征之间的相似距离，距离越小就越相似。

要比较两幅图像的直方图，必须要选择一个衡量直方图相似度的相似距离。

OpenCV的compareHIst（）方法负责计算两幅直方图的相似度，该方法有四种相似距离可以选择，分别是：1）correlation，相似距离为：d（H■，H■）=■2）Chi-Square，相似距离为d（H■，H■）=■■3）Intersection，相似距离为d（H■，H■）=■min（H■（I），H■（I））4）Bhattacharyya，相似距离为：d（H■，H■）=■在经过对直方图的归一化后，选取相似距离参数为correlation，调用compareHIst（）方法对多幅相似图像进行直方图对比相似度的实验，随机选取三幅蓝印花布图像。

1 2 3图4 随机选取两幅蓝印花布图像其中1号图像与2号图像非常相似：其内容完全一致；2号图像与3号图像相比，内容不但不同，但图像的明暗度类似；通过利用上述四种相似距离对其进行相似度的判断，得出结论如表1。

肉眼观察发现，2号图像与3号图像表面上更为相似；但若仔细观察，则会发现1号图像与2号图像内容一致，只是表面特征的差异要比2号与3号的大；correlation与Intersection相似距离下的相似度数据也体现了此现象：1号图像与2号、2号与3号图像在相似距离correlation下的相似度数据分别为0.835与0.840，Intersection下的相似度数据分别为6.052与6.575，都有力地支持了肉眼观察的结果。

但在Intersection相似距离下相似度数据相差较correlation更大。

2号图像与3号图像虽然内容不同，但明暗度等表面特征较1号图像与3号图像更相近。

肉眼观察下也较容易区分1号图像与3号图像，而对2号与3号图像则需仔细观察。

四种相似距离下的相似度数据也明显支持这种现象：1号图像与3号图像在四种相似距离下相似度数据分别是0.7368、7.3285、5.680和0.290；与四种相似距离下的2号图像与3号图像相似度数据0.840、4.822、6.575及0.2226相比可以看出其数据差别很大。