第2期 陈阳，等：基于仿生形象思维方法的图像检索算法的改进 ·211· 又有， 像素点与周围相邻像素点色度与亮度的复杂度，仅 an a12 提取了图像在微观上的特征，没有分析图像子块各 a21 122 …a2 颜色分量的统计信息，即宏观上的特征。本文在文 B:= 献[1]的基础上，对图像子块的颜色矩进行统计来 提取图像宏观的颜色特征，对文献[1]基于仿生形 ah dk2 ..ahk 即每一图像子块在高维仿生信息技术中即为 象思维方法的图像检索算法做进一步研究与改进。 h×k维空间中的一个点，故原图像转化为h×k维 颜色特征是最常用的底层特征，它给人以最直 空间中的M×N个点，表示为B,(h×k)(i=1,2,…, 观的视觉感受，是能最直接地描述物体或图像内容 M×N)。 的视觉特征。颜色特征通常对噪声、尺寸的缩放、旋 2)子块的特征提取 转等具有很强的鲁棒性。因此基于颜色特征的图像 对h×k维空间中的点B(h×k)(i=1,2,…, 检索技术也是目前为止较成熟、应用最广泛的一种 M×V),用形象思维方法和高维空间几何分析方 CBR技术[20)。颜色特征的描述方法主要有颜色直 法[20]进行几何映射即特征提取，找到一个维数为u 方图、累加直方图、其他各种变形的颜色直方图、颜 的特征空间记为R”=P1,P2,…,PMxN,使得u维特征 色矩和颜色聚合向量等。颜色直方图是图像检索系 空间中的P1P2,…PwxN能与原图像信息融合，u< 统应用最为广泛的颜色特征，然而理论分析和实验 (h×k)o 结果表明，其存在丢失颜色空间分布信息，特征维数 3)特征空间点排序 过高等问题[2)。本文首先选取颜色矩作为颜色 把u维特征空间中的P1P2,…Pwxw各点在水 特征的描述方法。 平方向，每一维特征按照特定规则排序。得到了 颜色矩是Stricker和Orengo提出的一种简单而 维特征空间中新的点序列91,92，…，9xN。 有效的颜色特征，这种方法的数学基础是图像中任 4)将此序列按照水平到垂直的顺序合成：字节 何的颜色分布均可以用它的矩来表示1。同时，由 的特征数据，至此完成了对一幅图像的特征提取。 于颜色分布信息主要集中在低阶矩中，因此仅采用 5)图像匹配 颜色的一阶矩（均值，Mean)和二阶矩（方差，Vari- 每幅图像都转化成高维空间中维数为：的一个 ance)就可以表达图像的颜色分布。与颜色直方图 点。那么利用高维形象几何方法，判别样本图像和 相比，该方法的一大显著优点就是无须对提取出来 图像库中图像之间距离就是分析，维特征空间中的 的特征进行量化，是一种简单有效的颜色特征提取 点与点的关系。本文并不是简单的计算)维特征空 方法。 间中点与点之间的欧式距离来作为判别的依据，而 颜色的2个低阶矩在数学上的表达如下： 是用函数日来计算样本图像与图像库中每一幅图像 的相似距离。因而图像类似判别函数为 ∑P T=[0(01,02),S] (1) 式中：1)Q,、Q2为样本图像和要判别的图像的v维 (p-4,)2) 2 特征向量。 式中：P,表示的是图像中第j像素的第i个颜色分量。 2)S为阈值，可根据实验设定： 本文选择最简单的RGB颜色空间，对于RGB 1,9(01,22)<S 颜色空间一共就6个值。相对于其他颜色特征而 T= (0,其他 言，采用颜色矩表示颜色特征是一个非常紧凑的表 T=1时样本图像和要判别的图像为类似图像， 示方法。 反之则不是。 和文献[1]一样，分析各子块像素点与其周围 3)函数0的计算公式为 相邻8个像素点之间的颜色差异复杂度，这样从宏 0=∑lg max(01i,02.i） 观到微观都提取出图像的颜色特征，然后按照一定 =1 in(Q1.i,02i） 的顺序排序得到图像最后的颜色特征。 2 一种新的图像子块特征提取方法 3试验结果与分析 文献[1]中对图像子块特征提取主要分析的是 本文实验同样使用COREL图像数据库约900又有， Ｂｉ ＝ ａ１１ ａ１２ … ａ１ｋ ａ２１ ａ２２ … ａ２ｋ ︙ ︙ ︙ ａｈ１ ａｈ２ … ａｈｋ é ë ê ê ê ê ê ê ù û ú ú ú ú ú ú 即每一图像子块在高维仿生信息技术中即为 ｈ ×ｋ 维空间中的一个点，故原图像转化为 ｈ × ｋ 维 空间中的 Ｍ × Ｎ 个点，表示为 Ｂｉ（ｈ × ｋ）（ｉ ＝ １，２，…， Ｍ × Ｎ） 。 ２）子块的特征提取 对 ｈ × ｋ 维空间中的点 Ｂｉ（ｈ × ｋ）（ｉ ＝ １，２，…， Ｍ ×Ｎ）， 用形象思维方法和高维空间几何分析方 法［２０］进行几何映射即特征提取，找到一个维数为 ｕ 的特征空间记为 Ｒ ｕ ＝ ｐ１ ，ｐ２ ，…，ｐＭ×Ｎ， 使得 ｕ 维特征 空间中的 ｐ１ ，ｐ２ ，…，ｐＭ×Ｎ 能与原图像信息融合， ｕ ＜ （ｈ × ｋ） 。 ３）特征空间点排序 把 ｕ 维特征空间中的 ｐ１ ，ｐ２ ，…，ｐＭ×Ｎ 各点在水 平方向，每一维特征按照特定规则排序。 得到了 ｕ 维特征空间中新的点序列 ｑ１ ，ｑ２ ，…，ｑＭ×Ｎ 。 ４）将此序列按照水平到垂直的顺序合成 ｖ 字节 的特征数据，至此完成了对一幅图像的特征提取。 ５）图像匹配 每幅图像都转化成高维空间中维数为 ｖ 的一个 点。 那么利用高维形象几何方法，判别样本图像和 图像库中图像之间距离就是分析 ｖ 维特征空间中的 点与点的关系。 本文并不是简单的计算 ｖ 维特征空 间中点与点之间的欧式距离来作为判别的依据，而 是用函数 θ 来计算样本图像与图像库中每一幅图像 的相似距离。 因而图像类似判别函数为 Ｔ ＝ ξ θ Ｑ１ ，Ｑ２ [ ( ) ，Ｓ] （１） 式中：１） Ｑ１ 、Ｑ２ 为样本图像和要判别的图像的 ｖ 维 特征向量。 ２） Ｓ 为阈值，可根据实验设定： Ｔ ＝ １，θ（Ｑ１ ，Ｑ２ ） ＜ Ｓ ０，其他 { Ｔ ＝ １ 时样本图像和要判别的图像为类似图像， 反之则不是。 ３）函数 θ 的计算公式为 θ ＝ ∑ ν ｉ ＝ １ ｌｇ ｍａｘ（Ｑ１，ｉ，Ｑ２，ｉ） ｍｉｎ（Ｑ１，ｉ，Ｑ２，ｉ） ２ 一种新的图像子块特征提取方法 文献［１］中对图像子块特征提取主要分析的是 像素点与周围相邻像素点色度与亮度的复杂度，仅 提取了图像在微观上的特征，没有分析图像子块各 颜色分量的统计信息，即宏观上的特征。 本文在文 献［１］的基础上，对图像子块的颜色矩进行统计来 提取图像宏观的颜色特征，对文献［１］基于仿生形 象思维方法的图像检索算法做进一步研究与改进。 颜色特征是最常用的底层特征，它给人以最直 观的视觉感受，是能最直接地描述物体或图像内容 的视觉特征。 颜色特征通常对噪声、尺寸的缩放、旋 转等具有很强的鲁棒性。 因此基于颜色特征的图像 检索技术也是目前为止较成熟、应用最广泛的一种 ＣＢＩＲ 技术［２０］ 。 颜色特征的描述方法主要有颜色直 方图、累加直方图、其他各种变形的颜色直方图、颜 色矩和颜色聚合向量等。 颜色直方图是图像检索系 统应用最为广泛的颜色特征，然而理论分析和实验 结果表明，其存在丢失颜色空间分布信息，特征维数 过高等问题［２１⁃２２］ 。 本文首先选取颜色矩作为颜色 特征的描述方法。 颜色矩是 Ｓｔｒｉｃｋｅｒ 和 Ｏｒｅｎｇｏ 提出的一种简单而 有效的颜色特征，这种方法的数学基础是图像中任 何的颜色分布均可以用它的矩来表示［２３］ 。 同时，由 于颜色分布信息主要集中在低阶矩中，因此仅采用 颜色的一阶矩（均值，Ｍｅａｎ） 和二阶矩（方差，Ｖａｒｉ⁃ ａｎｃｅ）就可以表达图像的颜色分布。 与颜色直方图 相比，该方法的一大显著优点就是无须对提取出来 的特征进行量化，是一种简单有效的颜色特征提取 方法。 颜色的 ２ 个低阶矩在数学上的表达如下： μｉ ＝ １ Ｎ∑ Ｎ ｊ ｐｉ，ｊ σｉ ＝ （ １ Ｎ∑ Ｎ ｊ ｐｉ，ｊ － μｉ ( ) ２ ） １ ２ 式中： ｐｉ，ｊ 表示的是图像中第 ｊ 像素的第 ｉ 个颜色分量。 本文选择最简单的 ＲＧＢ 颜色空间，对于 ＲＧＢ 颜色空间一共就 ６ 个值。 相对于其他颜色特征而 言，采用颜色矩表示颜色特征是一个非常紧凑的表 示方法。 和文献［１］一样，分析各子块像素点与其周围 相邻 ８ 个像素点之间的颜色差异复杂度，这样从宏 观到微观都提取出图像的颜色特征，然后按照一定 的顺序排序得到图像最后的颜色特征。 ３ 试验结果与分析 本文实验同样使用 ＣＯＲＥＬ 图像数据库约 ９００ 第 ２ 期 陈阳，等：基于仿生形象思维方法的图像检索算法的改进 ·２１１·