基于MATLAB内容的图像检索系统

基于MATLAB内容的图像检索系统

摘要

关键词：图像检索，颜色矩，不变矩，傅立叶描述子

1 课题意义

基于内容的图像检索（CBIR）是一个非常热门的研究领域。本文在对颜色特征、形状特征和纹理特征的研究基础上，将三种特征结合在一起，实现了可以自定义权重的综合特征的图像检索系统，并在

平台上实现了这一系统。

图像特征的提取和相似性度量是CBIR的两个关键技术。对于颜色特征，本文采用HSV空间中的颜色矩表示颜色特征；对于形状特征，本文采用图像的

不变矩作为形状特征；对于纹理特征，为减少计算量，本文首先对图像进行预分割，提取分割后区域基于傅立叶描述子的纹理特征作为整个图像的纹理特征。在相似性度量方面，采用曼哈顿距离作为度量标准，得到各个特征的相似度向量。

本文在

平台上实现了这一图像检索系统，实现自定义权重以及综合特征下的图像检索，并在655副图像的大数据库中随机抽取24副图像进行检索实验，得到了较好的效果。

2 基于内容的图像检索

2.1 基于内容的图像检索的概念

基于内容的图像检索根据图像、图像的内容语义以及上下文联系进行查找，以图像语义特征为线索从图像数据库中检出具有相似特性的其它图像。因为图像的规模一般要大于纯粹的文本信息，因此，基于内容的图像检索在检索的速度和效率上要求更高。　

2.2 CBIR的研究现状

在上世纪90年代，随着计算机和网络技术得到广泛应用之后，基于内容的图像检索技术取才得了较大的突破，人们也逐渐地将对基于内容的图像检索技术的研究成果应用到实际的工作和生活中，而对这种技术的需求的日益增长也驱动人们对基于内容的图像检索的技术向更高的层次进行研究。

从当前的CBIR的研究的热点和未来的发展趋势的来看，可大致将其研究分为三层[3]：

1． 最低层次的检索，在这个层次主要是利用全局特征（例如：颜色、纹理、形状等底层特征）去描述图像的内容，进行检索，这也是最直接的层面；

2．较高层次的检索，该层次主要是利用图像对象语义来描述图像的内容，进行检索，这种技术是底层特征的基础上加入了图像语义特征（例如：对象与对象之间的空间关系等）；

3．最高层次的检索，该层次是利用图像概念级语义来描述图像的内容，进行检索，该技术是建立在图像对象语义特征提取的基础上加入了图像的概念级语义（例如：用户对图像的理解、情感等高层语义）。

尽管对CBIR技术的研究已经经过了很长时间，但目前较为常用的CBIR技术基本上都是基于底层特征的检索。现有的CBIR底层特征的检索系统主要包括基于颜色的图像检索系统、基于纹理的图像检索系统和基于形状的图像检索系统，下面就对上述三种检索系统进行一下简单的概述。

2.2.1 基于颜色特征的图像检索

颜色是描述图像内容最直接的视觉特性。颜色特征是一种定义比较明确和简单的特征，人的视觉对它的敏感度最大，人眼可以很直观地利用颜色特征区分出两幅图像的不同之处，因此颜色特征成为在CBIR研究中最早被用到的图像特征。

颜色特征的表示方法主要包括颜色索引、颜色矩等。颜色索引是一种以颜色直方图和直方图相交算法为基础的颜色特征表示方法，该方法在上述基础上，首先，将颜色空间划分为多个固定的子空间；其次，统计每个固定的子空间中像素的数目；最后，用直方图相交算法计算图像之间的相似度，按照相似度的大小对检索结果进行输出。

该方法除了具有颜色特征通用的优点外，还有个突出优点是计算简单。但也存在两个不足之处：一是它没有办法反映出颜色的空间分布信息，例如两幅图像中对象空间分布的位置不同时，这两幅图像可能具有几乎完全一致的颜色直方图。二是量化方法的不一样也可能对检索结果也可能产生很大的影响，比如原来两幅图像的颜色直方图很相似，但是由于量化过大，使得某些颜色消失，最终得到的两幅图像的颜色直方图大相径庭，这样造成了图像检索的准确度大大折扣。

由于颜色直方图在空间信息方面的缺失，后来又出现了颜色矩的概念来表示颜色特征，该方法先将图像按照一定的规则进行分块，然后对每一块提取颜色直方图。随后，出现了按物体对象的空间分割法，将图像按照图像中对象的分布进行分割，然后提取每个对象的颜色特征和对象之间的空间信息。上述两种方法都是在颜色整体特征的信息中加入了图像的空间分布信息，但是这两种方法存在的共同的缺陷是对于任意图像，如何对图像进行合适的分割。

除了上述颜色特征的表示方法外，还有颜色相关向量法和颜色聚类法，这两种方法也在颜色的特征中添加了空间信息，在实际的应用中不常见，还处于研究阶段。

2.2.2 基于纹理特征的图像检索

和颜色一样，纹理是也是图像中一种不可或缺的视觉特性。纹理没有统一的定义，一般可以用图像的某种局部性质来对纹理下定义，纹理描述了局部区域中像素之间的关系，同时也描述了图像中的空间分布信息。对纹理可以通过粗糙度、方向性、对比度和规则性四个方面来描述。应用较为广泛的基于纹理特征的图像检索技术包括采用共生矩阵，和基于数学模型如小波变换的纹理特征检索。

2.2.3 基于形状特征的图像检索

形状描述的是图像中各种物体的外在特征，所以基于形状的检索系统中最关键的技术是如何表示图像中物体的特有的外在特征和如何对提取出的形状特征进行特征匹配，目前常用的描述形状特征的方法主要包括：矩描述法、边界描述法和几何参数法。

以前表示形状特征的常用方法有链码、曲线、傅里叶描述子和B样条曲线等[6]。后来又出现了小波描述逼近法和超二次曲线法。

形状特征的提取需要人工对图像进行分割、提取目标，就目前的发展状况，还没有实现对形状特征的自动提取。而人眼对颜色和纹理特征比较敏感，提取方法也相对比较简单，所以在目前的检索系统中使用最多的底层特征是颜色和纹理特征。

3.基于综合特征的CBIR

为了结合各个底层特征的优点，本文同时提取图像的颜色、形状和纹理三种特征结合为一个综合特征，并实现结合权重的自定义。

3.1 颜色特征

在颜色特征方面，为减小运算量，采用颜色矩作为检索的特征，分别提取被检测图像和数据库中图像的一、二、三阶矩。由于HSV颜色空间的色调、饱和度、明度与人眼对颜色的主观认识相对比较符合，与其他颜色空间相比HSV空间能更好的反映人类对颜色的感知，所以本文采用HSV颜色空间下的颜色矩作为颜色特征。使用曼哈顿距离进行颜色矩相似度度量。

颜色信息集中在图像颜色的低阶矩中，主要是每种颜色分量的一阶矩(均值)、二阶矩(方差)、三阶矩(斜度)，可以有效地表示图像中的颜色分布。三个颜色矩的数学定义如下：