基于显著区域纹理谱特征的图像检索方法_王润鸿

2． 2
显著区域提取
4］ 采用上述方法得到图像的显著图后 ， 就要进行图像显著区域的提取 ． 文献［ 中给出了一种提取显著区 域的方法． 首先进行图像分割， 因为分割的目的是通过区域的平均显著度来判定是否为显著区域 ， 而不是为 4］ 了分割出具体图像中的某个对象 ． 因此本文采用文献［ 的方法将图像分割成较多的区域． 该方法首先通过 ［6 ］ K 均值定理将图像进行过分割 ， 在 CIELab 颜色空间中， 统计其三维直方图， 选取 K 个初始点使用爬山算法 在直方图中自动选取， 选取三维直方图中的最大值 ． 使用爬山算法获取了 K 个初始点后就可以通过聚类得到
第5 期
王润鸿： 基于显著区域纹理谱特征的图像检索方法
79
2， …， K ） ． 将分割区域与前面得到的显著图对应起来 ， 若干分割区域 r k （ k = 1 ， 计算每个分割区域的显著度均 值 Pk ， 如公式（ 7 ） 所示： 1 pk = （ 7） ∑m ij ， | rk | ∑ ij∈r k ij∈r k 其中 | r k | 表示第 k 个分割区域内的像素个数 ． 然后设定一个显著度阈值 T， 令 T = max （ m ij ） × 10 % ， 由 如公式（ 8 ） 所示： 此阈值来确定显著区域 ． M 即为图像最终得到所有显著区域 ， rk ∈ M pk ≥ T ． （ 8） rk M pk ＜ T
78
I
闽江学院学报
I
第 33 卷
（ 1）
W（ x， y） =
∑∑I' （ x
i = －1 j = －1
－ i， x － j） G（ i， j） ，
1 的二值模式构成． 描述了图像中像素点 （ x ， I' （ x － i ， y － j） 由公式（ 2 ） 计算得出， y ） 和其 其中， 结果仅由 0 、 邻域内的 8 个像素点灰度上的变化 ． I' （ x － i， x － j） = 0 {1 if if I（ x， y） － I（ x － i， y － j） ≤ 0 ． I（ x， y） － I（ x － i， y － j） ＞ 0 （ 2）
第 33 卷 第 5 期 2012 年 9 月
闽江学院学报
JOURNAL OF MINJIANG UNIVERSITY
Vol． 33 No． 5 Sep． 2012
基于显著区域纹理谱特征的图像检索方法
王润鸿
（ 闽江学院计算机科学系 ，福建 福州 350121 ） 摘要： 提出一种基于显著区域纹理谱特征的图像检索方法 ． 首先计算像素点显著度 ， 生成显著图； 然后对图像的各 个分割区域， 按照显著图确定显著区域 ； 再提取各个显著区域的纹理谱直方图特征 ； 最后给出显著区域纹理谱特征 该方法能将视觉敏感度与纹理特征有效地结合起来 ， 在不增加太多计算时间的条件下 ， 的加权函数． 实验结果表明， 提高检索质量． 关键词： 图像检索； 显著度加权； 纹理谱； 显著区域 中图分类号： TP391． 41 文献标识码： A 文章编号： 1009 － 7821 （ 2012 ） 05 － 0077 － 04
∑c ．
ij 3
（ 6）
这样就得到了不同尺度邻域下的显著度图 ， 邻域宽度要选择合适的尺度， 尺度要设置在合理的范围内， 尺度过大过小都会影响显著区域的提取 ． 过大时会将非显著区域误判为显著区域 ， 过小得到的往往是区域的 min （ w ， h） / 8 ， 边缘部分． 如果图像 的 宽 为 w 个 像 素， 那么合理的邻域尺度变化范围为 ［ 高 为 h 个 像 素， ， min （ w ， h ） / 2］ ． 通过对邻域的缩放来增加尺度从而提高精度 ， 因为原图像大小没有改变 因而统计得到的显 著图与原图像大小一致 ， 这样由显著图对应原图像进行显著区域提取时计算方便 ．
将图像中像素点的显著度定义为像素点与其不同尺度的周围区域的对比度 ． 计算像素点的显著度要在 一定的颜色空间下， 统计像素点特征向量与其不同尺度邻域特征向量的距离得到 ． 本文选取 CIELab 颜色空 使用能够很好的反应人的视觉感知的欧式距离来度量其差异 ． 首先选择像素点的一个邻域， 计算出显著 间， 度值， 然后在合理范围内改变邻域的大小 ， 计算出其他尺度下的显著度值， 并对不同尺度下的显著度求和得 到最终显著图中各个像素点的显著度 ． 具体计算方法如下： j） 为图像中的一个像素点 ， j） 的大小可变的区域． 在选定特定的邻近区域 Ω 尺度后， 设 （ i， Ω 为包含（ i， 设 N 为该区域中的像素个数 ， V 为像素点在 CIELab 颜色空间中的特征向量 ［ L， a， b］ ， D 是欧式距离， 则像素点 （ i， j） 的显著度如公式（ 5 ） 所示： c ij = D V ij ，
1
纹理谱特征
纹理特征反应了图像的局部特性 ， 纹理模式反应的是图像的局部变化 ， 因此首先将图像转换为灰度图 y ） 和其 3 × 3 邻域内像素点的灰度变化， 像， 然后将图像像素点的纹理模式表示为像素点 （ x ， 具体表示如公 式（ 1 ） 所示： 收稿日期： 2012 － 07 － 13 基金项目： 福建省省属高校科研专项 （ JK2011040 ） 作者简介： 王润鸿（ 1977 － ） ，女，河北唐山人，闽江学院计算机科学系讲师 ．
公式（ 1 ） 中 G 是纹理模式的变换系数矩阵 ， 将 3 × 3 领域中的 8 个位置分别用 0 或 1 进行表示， 然后通过系数 0， 255］ 得到的纹理谱值在［ 中取值． 这样方便表示和计算 ． 矩阵转换为 8 位二进制的纹理基元形式 ，源自2 G = 24 23
5
26 0 2
2
[
1 (N ∑V )]
xy （ x， y） ∈ Ω
．
（ 5）
j） 和 Ω 的特征距离来表示（ i， j） 的显著度， 通过计算像素点 （ i， 然后统计整幅图像中的每个像素点的显 著度并将其转化到 0 ～ 255 范围内， 得到图像的灰度显著图 ． 然后改变 Ω 的尺度， 对其进行缩放． 本文选择了 5 × 5、 7 × 7、 9 × 9 这 3 个不同的尺度， 在每一特定尺度下， 分别计算图像中每个像素点和其邻域的特征距离 作为显著度， 构造出一幅显著图， 从而得到 3 幅不同尺度下的灰度显著图 ． 然后对 3 幅显著图对应像素点 （ i， j） 的灰度值求和作为最终的显著度图中各个点的显著度 m ij ． 如公式（ 6 ） 所示： m ij =
{
2． 3
显著区域的纹理谱特征提取
纹理谱表示图像纹理特征 ， 具有计算量小、 提取速度快、 对称不变性等优点． 显著区域的纹理谱特征以显 著图为基础， 进行显著区域的划分后 ， 分别提取出各个显著区域的纹理谱特征． 该特征在计算像素点的显著 将纹理特征和颜色信息有效的融合起来 ， 并充分体现了像素点间的颜色及纹理视觉差异． 其特征 度基础上， 提取算法如下： 算法 1 基于图像显著区域的纹理谱直方图提取算法 ． Step1 ： 计算图像中像素点的显著度 m ij ， 0． 255 ］ ， 取值范围为［ 以显著度值作为图像像素值生成图像显 著图； Step2 ： 将图像在 CIELab 颜色空间下划分为 K 个分割区域， 并对应显著图计算每个分割区域的平均显著 度值 P k ， 设置显著度阈值 T = max（ mij ） × 10 % ， 并初始化分割区域的计数变量 k = 1 ， 显著区域个数变量 n = 0 ； Step3 ： 如果 k ≤ K ， 转 step3 ； 则如果 P k 大于 T， 则 n = n + 1， 该区域就为显著区域 S n ； k = k + 1 ， Step4 ： 对应显著图中的显著区域提取灰度图像中各个显著区域的纹理谱直方图特征 F = ［ F1 ， F2 ， …， F n］ ．
An image retrieval method based on texture spectrum feature of salient regions
WANG Runhong
（ Department of Computer Science，Minjiang University，Fuzhou，Fujian 350121 ，China） Abstract ： This paper proposes an image retrieval method based on texture spectrum feature of salient regions． At first，the method calculates the salience value of every pixel and constructs the salience map． Secondly ，it determines the salient regions according to the salience map for the segmented regions． Then ，it extracts the texture spectrum feature of image for each salient region． Finally ，the weighting function of texture spectrum feature of salient regions is obtained． Experiment results show that this approach can efficiently combine the visual sensitivity with the texture feature ，and improve retrieval quality without increasing computational time． Key words： image retrieval； salience weighted ； texture spectrum； salient region 近年来， 基于内容的图像检索得到更为广泛的研究 ． 研究者针对图像的各种底层特征， 提出了很多结合 多种特征的检索方法 ， 将颜色、 纹理、 形状、 空间关系等进行有效的融合． 图像纹理反映了图像的局部灰度或 Haral者颜色变化， 并且这种变化具有空间相关性 ． 纹理特征表示形式的研究经历了一个较长的过程． 早期， ick 等人提出一种图像纹理特征的描述方法 － 共生矩阵［1］ ， 共生矩阵方法直接对向量进行统计 ， 计算量大， 且 ［2 ］ 缺乏视觉相似性． 20 世纪 90 年代，Manjunath 和 Ma 将纹理用小波变换来表示 ，Gabor 小波变换比共生矩 阵要更满足人类视觉特征 ． 但仍然没有克服计算量大的缺点， 特征提取的效率不高， 不能满足海量图像检索 3］ 的需要． 文献［ 中给出了图像特征谱的概念 ， 并验证了使用图像特征谱表示图像纹理特征的优越性 ． 但是， 4］ 单纯的纹理特征缺乏颜色等视觉信息 ， 与人类感知还存在比较大的差异 ， 不能充分表达图像的内容 ． 文献［ 借鉴 Itti 方法的思想， 考虑图像中局部邻域内的特征差异 ， 提出一种结合多尺度分析提取图像显著区域的方 法． 针对上述问题， 本文基于像素点多邻域尺度计算显著度的方法 ， 提出一种基于显著区域的纹理谱特征的 该方法将图像中一些区域引起视觉注意的强弱程度与纹理特征相结合 ， 既利用了图像的纹理 图像检索方法， 特性， 又充分考虑了人类的视觉感知 ．