一种基于主色调纹理的图像检索方法

一种基于主色调纹理的图像检索方法
王润鸿;刘燕
【摘要】基于主色调和共生矩阵的概念,提出并实现一种基于主色调纹理的图像检索方法.该方法根据用户所给目标图像的多种主色调,基于三种颜色分量和灰度分量的矩阵信息,提取图像的主色调共生矩阵纹理特征,并利用适用该特征的相似性度量函数实现基于内容的图像检索.
【期刊名称】《重庆科技学院学报（自然科学版）》
【年(卷),期】2012(014)002
【总页数】5页(P159-163)
【关键词】图像检索;主色调;共生矩阵;纹理特征
【作者】王润鸿;刘燕
【作者单位】闽江学院,福州350018;闽江学院,福州350018
【正文语种】中文
【中图分类】TP391
颜色是彩色图像最显著的特征，体现了图像的概貌，也是最容易给人留下深刻印象的图像特征。

基于颜色的检索是基于内容的图像检索中最常用的方法。

图像纹理特征是图像像素点间灰度或者颜色的渐进变化，是图像局部结构化特征的反应，具有统计相关性。

图像具有多种底层特征，但只选择其中某一种特征进行图像检索，检索的效果差，应用范围不广，通用性差。

要提高检索精度，需要综合考虑图像的多种底层特征，提取图像更通用的检索特征，有效地将图像的颜色、纹理、形状、空
间等视觉信息结合起来。

在此，针对上述问题提出并实现一种主色调纹理检索方法，该方法有效地结合了图像主色调颜色信息和纹理特征。

纹理通常定义为图像的某种局部性质，或是对局部区域中像素之间关系的一种度量。

Haralick等人从纯数学的角度构造一个共生矩阵［1］，是一个灰度级的空间相关矩阵。

共生矩阵是纹理特征提取的一种有效方法，充分利用了纹理中灰度分布的性质。

更适用于描述具有粗糙纹理和没有明显方向的的图像纹理特性［2］。

若将图像f(x，y)的灰度级定为为L，那么共生矩阵为L×L矩阵。

则共生矩阵可定
义为：
其中：R为图像中某一目标区域；S为R中具有特定空间联系的像素对的集合；card(S)表示集合S中像素对个数；i∈［0,L-1］，j∈［0,L-1］，x2=x1+δcosθ，y2=y1+δsinθ，f(x,y)∈［0，L-1］。

图像主色调能够代表一幅图像的基本概貌，反应图像主体特征和语义特征，如蓝天白云、红花绿叶、绿色森林、蓝色的海洋等。

对于图像主色信息可以给出如下定义：主色：图像内在视觉上起支配作用的颜色称为主色。

主色在图像中起到主体作用，用主色表示原图像，视觉效果、主体特征和原图像基本一致，用最少的颜色来描述图像的主体视觉效果，可大大减少颜色特征数。

主色集：一幅图像内所有主色的集合，它基本反映了图像的颜色特征信息。

用主色调描述图像，保持了图像的主体视觉效果，抽象了图像的主体颜色特征，但却仅仅反映了图像的大致情况。

人的肉眼不能精确分辨颜色，只是对颜色的大概判断。

如用户认知的红色，通常有很多种，量化到具体的颜色空间不是某个具体的值，而是相关的若干值的集合。

只靠用户肉眼判断来作为图像检索的主色调误差比较大。

肉眼对图像颜色的认知并不精确，无法精确表达其颜色信息。

无法用一个量化的RGB值来精确表达肉眼认知的颜色，因为主色调往往具有个人的主观因素和判断，在颜色分布中选择某个具体的值来表达肉眼对图像主色调的认识，往往是不精确的。

例如，用户通过调色板选择了一种颜色(R=0，G=255，B=77)，那么这个颜色单
纯指R=0，G=255，B=77的值。

而实际上，人类肉眼看似绿色的颜色分布在RGB一个很广的范围内，但由于用户选择颜色时的随机决定性和模糊性，使得用
户真正想要检索的颜色的值和选中的颜色值具有偏差。

将这样选择的主色调应用于颜色检索中，通常会错过用户真实需要的颜色，而这种颜色往往近似于用户所选择的颜色，因此检索误差大，效果并不理想。

基于主色调的检索算法很好地应用了图像的主色信息，体现了图像的概貌，因此应用主色调的图像检索能够在一定程度上提高检索精度，但基于不经过扩展的主色调检索有时会加大检索误差。

基于颜色特征的图像检索中，由于一幅图像的颜色一般较多，直方图矢量的维数也会非常多。

因此通常对HSV空间进行适当的量化后再计算直方图，以简化计算量。

如公式（2），量化后的色调、饱和度和亮度值分别为H，S，V。

由上述量化公式可见，如果用户选择了一个特殊的颜色值，经过空间转换计算得到的H值为40，量化的色调值H为1，而用户实际需要的颜色的H值为41,则量化以后其色调值H为2。

两种几乎相同的颜色被量化到不同的范围内。

而在实际检
索中，由于肉眼对颜色认知的主观性和随机性，常常会出现主色调选择引起误差的情况。

因此，对主色调进行适当的扩展后再应用于检索中势必强化检索的效果。

文献［3］提出一种主色调扩展方法，该方法不是单纯应用用户提供的某个值，而是将用户选定的值适当扩展到一定范围，使得经过颜色量化后实际颜色和所选择的颜色尽量能够落到同一个范围，提高主色调选择的准确性。

通过实验验证，选定主色调的合理扩展能够提高图像检索精度。

以用户选择的颜色作为主色调进行检索，由于肉眼选择的模糊性和随机性使得主色的选择并不精确，往往和实际需要的颜色相近，量化值不同但同属于某个范围的颜色。

这种分布是不均匀的，可能性最大的情况是正态分布。

因此利用正态分布的特
点，应用正态分布拟合法来扩展用户指定的主色调颜色值。

该方法不是单纯使用用户的某个指定值，而是把这个指定值扩展到一个正态分布的范围内来使用，把这个范围内的颜色值都作为查询的主色调，而这些值往往都和实际需要的颜色具有相关性。

该扩展方法使用用户给出的模糊度σ,将主色l扩展到l-3σ至l+3σ范围内，
这个范围基本上包含所有分布。

取(l-3σ，l+3σ)范围内的离散值int(l+3σ)+1-
int(l-3σ)作为扩展结果［3］。

其中模糊度σ反映的是用户对指定主色调的把握性，根据把握性的大小确定正态分布的方差值。

用户对所指定的主色把握越大，那么需要扩展的颜色范围就越小，模糊度σ的值越小；相反，如果用户相对粗略的选择
主色，就越应该扩大其扩展范围，正态分布的方差越大，给出的模糊度σ的值越大。

因此，我们可以用用户自己给出的模糊度通过正态分布函数拟合成某一范围内的值，作为检索的主色调。

一般图像都包含不止一种主色调，而且主色调的比例往往不同，不同的主色调通常反映着不同的语义特征，多种主色调在图像中的重要程度经常不一样。

因此如何将图像的多种主色调有效地组合起来应用，对基于主色调的检索起到重要的作用。

多种主色调的有效结合，应该能够体现图像的基本概貌特征。

结合上述正态分布拟合法扩展主色调，文献［3］中提出基于不同模糊度和比例的方法来实现。

由用户给出每种主色调在图像中所占的百分比，和每种颜色的模糊度，然后进行多种主色调的扩展后应用于图像的检索中，能够有效地利用图像的多种主色信息，提高检索精度。

检索中可由用户指定多种主色l1，l2，l3，同时给出每种主色模糊度（体现用户对该颜色选择的把握大小）σ1，σ2，σ3，并指出多种主色在图像中所占的比例分别为应用多种主色调前，要先将主色l1，l2，l3进行正态拟合扩展，得到基于模糊
度扩展的颜色值其中int(l3+3σ3)。

接着根据用户指定的百分比，提取多种主色调特征。

经过实验证明，上述多主色调扩展方法适用于基于主色调的图像检索，更好
地使用了图像丰富的色彩信息。

基于以上提出的主色调及其扩展方法，取 (l-3σ，l+3σ)范围内的离散值，应用扩展后的int(l+3σ)+1-int(l-3σ)种颜色值，结合共生矩阵纹理特征，形成主色调共生矩阵特征。

提取特征时，计算灰度和颜色分量的共生矩阵，更好地体现图像的颜色信息。

有效地结合图像的主色调颜色和纹理特性，主色调共生矩阵特征结合了图像的多种主色信息，检索效果更加符合视觉感知。

在基于内容的图像检索中RGB 和HSV是最常用的两种颜色空间，对每个颜色连通区域，计算红、绿、色调、灰度多种颜色分量的主色调共生矩阵。

由于RGB颜色空间模型中R、G、B分量间是线性相关，只考虑其中的红、绿两个分量。

HSV颜色空间模型中的色调分量(Hue)，用以表示不同的颜色种类，能够较好地区分颜色。

灰度共生矩阵用图像灰度分量I来计算，体现图像像素的灰度空间变化。

对于图像的每种主色调，分别提取图像对应的δ=1；H=0°、45°、90°、135°范围的红（R）、绿（G）、色调（H）、灰度（I）颜色共生矩阵特征，共同组成该图像的主色调颜色共生矩阵纹理特征。

下面描述主色调颜色共生矩阵纹理特征的提取算法。

步骤一：用户指定的主色调为li，每种主色模糊度（体现用户对该颜色选择的把握大小）分别为σi，每种主色在图像中所占的比例分别为由给定的颜色，应用正态分布拟合函数扩展颜色li，得到基于模糊度扩展的颜色值(i=1，2，…n）。

步骤二：确定图像T的颜色分量R、G、H和I量化级数均为D=int(li+3σi)+1-int(li-3σi)。

步骤三：按公式（1）计算基于每种颜色li的R、G、H和I颜色分量的归一化共生矩阵,并对每个共生矩阵各自提取如下统计特征量：
由上述特征量组成li的16维纹理特征向量:
步骤四：根据每种主色在图像中所占的比例Bi，按公式(4)计算图像T的归一化的
16维纹理特征向量 F=［FR，FG，FH，FI］={f1，f2，…，f16}：
步骤五：特征提取结束。

主色调共生矩阵结合了图像的多种主色信息，根据上述算法提取出的特征，包括了4个颜色分量的特征向量，各分量代表不同的含义，反应了图像不同的方面。

因此相似性度量函数要能够反应其特点，符合不同向量含义。

这里选用合适的权值把四个分量特征结合起来，组成适用的相似性度量函数。

在实际的检索算法中也可以由用户根据需要设定权值。

下面给出主色调共生矩阵的相似性度量函数。

如两幅图像A和B，图像A的主色调共生矩阵特征为FA=［FRA，FGA，FHA，FIA］={fA1，fA2，…，fA16}，图像 B 的共生矩阵特征为 FB=［FRB，FGB，FHB，FIB］
={fB1，fB2，…，fB16}，分别代表了R、G、H和I这4种颜色分量的共生矩阵
特征分量。

则相应的相似性度量函数由其对应的4项组成，如公式（5）所示：
其中：DE为用于进行图像间特征匹配的欧几里距离函数，用于R、G和H分量的相似性度量；|FIA-FIB|表示向量的绝对值距离函数，用于灰度分量I的相似性匹配；两个欧几度量函数都反映了图像特征之间的差异程度，但它们的取值范围不同。

绝对值距离的取值范围是［0,2］，欧几里距离的取值范围是需要对其进行归一化。

适用于主色调共生矩阵特征的归一化相似性度量函数如下：
式中：wi为不同颜色分量纹理特征的权值，满足0＜
这样得到的相似性度量函数S(A，B)能够有效地反映两幅图像基于主色调纹理的相似程度。

S(A，B)的值越大，表示两幅图像在主色调纹理的差异越小，其取值范围为［0,1］。

在Windows平台上基于Visual C++基本实现了基于主色调纹理特征的图像检索
算法。

按图像的分类选取了十几个语义类(花、鸟、山、汽车、工具、建筑物、风
景等)，共2 000多幅图像作为实验的图像库。

图像库中的图像未进行任何预处理。

根据目标图，基于本文算法对图像库进行相似图像检索，并按相似度由大到小的顺
序显示前14幅图像。

为了更好地体现图像的主色作用，充分利用其颜色构成与分布信息，相似性度量函数四个向量的权值设置为：w1=0.3，w2=0.3，w3=0.3，w4=0.1。

实验结果表明本文对主色调明显、语义明显的图像检索效果较好。

由于综合考虑了图像的颜色和纹理特征，检索出的结果图像与原图像在主色调和纹理上都具有明显相近的视觉效果，而对于色彩繁杂、语义、纹理不明显的图像，还需要综合形状、纹理等多种特征。

虽然本文方法提取的主色调纹理特征包含了颜色和纹理信息，但只能在相对精度上体现图像的概貌，检索改善不大。

根据具体的检索需要综合利用多种底层视觉特征,能够相对提高检索效果，优于基于单一图像特征的检索。

基于内容的图像检索技术是信息时代必须认真解决的一个关键性问题。

这项技术直接影响到海量信息的处理速度，影响到各种信息的采集和利用。

行之有效的图像综合特征提取算法对提高图像检索的效率有着重要而积极的作用。

文中提出基于主色调的纹理特征检索方法，该方法将颜色信息与纹理特征有效地结合在一起，提高了检索质量。

目前还没有充分体现图像内容的通用方法，要想不断完善对图像的特征描述，还需要从以下等多角度加深研究：
（1）提取能够更好表达图像空间信息的有效特征，研究具有良好鲁棒性的图像特征。

不受或少受旋转、平移、尺度变化和畸变等因素及环境的干扰。

（2）充分利用用户的宏观联想和反馈操作，构建人机协同检索系统。

（3）为了提高检索智能，需对图像高层次的语义描述进行研究。

Key words：image retrieval；dominant color；co-occurrence matrix；texture feature
【相关文献】
[1]Haralick R M,Shanmugam K,DinsteinI.Texture Features for Image Classification [J].IEEE Transactions on System Management and Cybertics,1973,3(6):768-780.
[2]MariP,BogdanC,MoncefG,et al.Rock Texture Retrieval Using Gray Level Cooccurrence Matrix[EB/OL].http://www.norsig.no/nor-sig2002/Proceedings/papers/cr1071.pdf,2002-10-04.
[3]曹莉华,柳伟,李国辉.基于多种主色调的图像检索算法研究与实现[J].计算机研究与发
展,1999,36(1):96-100.
[4]杨育彬,陈世福,林珲.一种基于颜色连通的图像纹理检索新方法[J].电子学报，2005,33(1):57-62. Abstract：Using the concept of dominant color and co-occurrence matrix,this paper proposes and implements a content-based image retrieval(CBIR)method.For a target image,according to the dominant colors given by users,the method uses the matrixes of three color components and a gray component to extract the co-occurrence matrix texture features of dominant colors.We use image similarity functions for the features to implement a CBIR system,which indicates that the method combines the texture and dominant color effectively.。