基于特征描述的图像检索方法与实现毕业论文

 2020-04-09 15:35:18

摘要

随着目前社会网络和计算机技术的飞速发展，图像数据正呈现出飞速膨胀的趋势，图像数据的增多使得用户从中选择自己需要的数据变得复杂。因此，如何从庞大的图像数据中得到用户所需要的图像成为目前数字图像领域的研究热点。从图像检索方法产生至今，主要形成了三种分支方法，分别是基于文本的图像检索方法,基于语义的图像检索，基于内容的图像检索。

本论文首要介绍了基于特征描述的图像检索方式与实现。我们在图像检索中最的最多的三种图像特征为颜色特征，形状特征和纹理特征。本文选用了此中两种：颜色特征和纹理特征，以此来实现图像检索功能。图像检索主要包含了两个重要步骤，图像特征提取和图像特征匹配(即相似度匹配），颜色特征采用基于HSV空间的颜色直方图法，纹理特征采用LBP算法，然后采用欧氏距离测量方法将样本图片的特征与样本图库特征集合进行特征匹配，找出与样本图片最相似的图片，并按特征向量距离大小（即反映出图像特征相似度大小）进行排序展示给用户，从而达到图像特征检索的目标。

关键词：图像检索；颜色特征；颜色直方图；纹理特征；LBP算法

Abstract

With the rapid development of social network and computer technology, image data is showing a trend of rapid expansion. The increase of image data makes users choose the data they need from them to become complex. Therefore, how to get the user's image from huge image data has become a research hotspot in the field of digital image. From the image retrieval method, three kinds of branch methods are mainly formed, which are text based image retrieval, semantic based image retrieval, and content based image retrieval.

This paper mainly studies the method and implementation of image retrieval based on feature description. The three commonly used image features are color, texture and shape features. In this paper, two kinds of color features and texture features are used to achieve image retrieval. It mainly includes two important steps, image feature extraction and image feature matching (similarity matching), color features using color histogram method based on HSV space, texture feature using LBP algorithm, and then using Euclidean distance measurement method to match the feature of sample picture with the feature set of sample library to find out. The image is the most similar to the sample picture, and is sorted to the user by the size of the feature vector distance (that is, the size of the image feature similarity), so as to achieve the purpose of image feature retrieval.

Key Words：Image retrieval; color feature; color histogram; texture feature;

LBP algorithm

第1章绪论 2

1.1 研究目的及意义 2

1.2 国内外研究现状 3

1.3 论文思路架构安排 4

第2章颜色特征检索方法 6

2.1 颜色空间模型 6

2.1.1 RGB颜色空间模型 6

2.1.2 HSV颜色空间模型 6

2.2 颜色模型转化 7

2.3 颜色量化 8

2.4 颜色特征提取方法 9

第3章纹理特征检索方法 13

3.1 纹理特征分析 13

3.2纹理特征提取方法 14

3.2.1LBP算法简介 14

3.2.2 LBP特征提取过程 15

3.3 特征匹配方法 17

3.3.1 特征匹配计量定理 17

3.3.2 欧式距离法 18

第4章基于颜色直方图和LBP算法的检索系统 19

5.1 开发工具的选取 19

5.2 系统框架与实现 19

5.3性能评价 30

第5章总结与展望 32

参考文献 33

致谢 34

第1章绪论

随着目前科技的高速发展，网络，计算机技术蓬勃向上的进程，图像数据的总量正在飞速增大，比如我们每天都要从各种媒体端，电视，网络等接收到各种图像数据，图像数据的增多使得用户从中选择自己需要的数据变得复杂。因此，如何从巨大的图像数据库中找到用户所需求的图像变得尤为关键。从图像检索方法产生至今，主要形成了三种分支方法，分别是用自由文本或用户提供关键字的文本检索方法,具有主观性的语义检索方法，基于内容的图像检索。

1.1 研究目的及意义

有关图像检索的研究从上世纪70年代就开始了，在图像检索方法的早期阶段，图像数据库内的图像数量较少，基于文本的图像检索方法（Text-based Image Retrieval，简称TBIR）^[1]成为主流。当时的主流图像检索技术先将用户准备好的图像储存到图像库中作为备用对象，然后由用户输入一些关键字词来进行描述自己所需要的图像，从而通过一些特定的匹配方法来选出跟用户需求相似度最大的图像,是一种采用成熟的文本检测技术来进行对图像检索的技术^[2]。这种检索技术当时被众多搜索引擎采用，如谷歌，百度，搜狐等。但是这种技术存在一些问题亟待解决：

（1）每一幅图都需要人工注释，当图像资源数量过大时，处理速度过慢，检索会难以达到需求；

（2）人工注释与注释工作者的主观想法有关，每个人对同一幅图像的理解不一样会给出不同的注释，甚至有时候还会产生歧义，所以很多时候文本标注难以达到实际需求。

为了实现更方便，准确，快速的查找，到了90年代初期，由于文本检索方法具有一些局限性，满足不了用户需求，所以一种更先进的基于内容的图像检索方法应运而生^[3]，该方法通过分析某幅图像的内容，分解提取出该图像的颜色，纹理，形状和图像局部不变关键点等可视特征^[4]，以此来建立特征引索，并存储于特征数据库中。检索过程可分为三个过程，首先图像搜索引擎根据用户输入的检索样例提取出相应的特征，然后将该特征与图像库中的图像特征进行特征匹配，最后进行按照相似度大小进行排序，得到最接近用户所需要的图像^[5]。

图1.1 CBIR框架图

1.2 国内外研究现状

基于内容的图像检索技术开始于上世纪90年代，由于该技术对于图像检索领域具有至关重要的作用，因此世界各地都纷纷开始在此技术上展开深入研究^[6]。国外各大研究机构，高校，公司，如IBM,哥伦比亚大学，斯坦福大学等都对该项技术都在此技术上进行了研究工作，并开发出了他们自己独立设计的检索系统^[7]。此外，如IEEE Tran.on PAMI,IEEE Tran.on CEVT等各大著名杂志，IEEE Conference on CVPR，SPIE Conference on Electronic Imaging等一些国际知名的研究机构也开始在此领域投入大量的研究资金，并取得了显著的成就^[8]。

与此同时，在国内，各大重点高校和研究机构展开了关于图像检索技术方面的研究^[9]。清华大学此前开展了一个基于web的信息检索研究项目。中科院研究所与北京图书馆一起合作开发了名为“MIRES”的一种以多媒体特征为基础的信息检索系统，浙大开发了以Photo Navigato为首的一系列图像检索系统^[10]。总之，目前国内各大高校和研究机构都在如火如荼开展有关内容的图像检索方面的技术研究。

目前，CBIR是一个竞争激烈，各大研究机构争相进军的研究领域，开发力度大，自然成果也了，几乎每天在该领域都有新的成果问世。随着该技术的发展，研究者的研究方向也发生了一些变化，因为研究人员发现全自动的特征提取方法几乎是难以达到的，于是研究方向从如何从一个大图像中导出图像特征来实现图像检索，转变为半自动特征提取和用户交互查询方式。然而，目前的CBIR技术还是无法满足人们的需求，因此，该领域的发展前景还是十分光明的。

目前国内外在图像检索领域的主要研究热点有如下几个：

（1）低级图像特征提取和描述技术：一开始，大家都主要在研究如何利用图像的全局特征来实现对图像的描述工作以及采用何种特征匹配方法来进行图像的相似度匹配。尽管目前通过图像的低层特征去获取图像的高层特征是很难实现的，但是，能从图像中提取出一些特征描述子是非常有研究价值的，如MPEG-7中的视觉特征描述方法就是该研究中一种比较有效的针对图像低层特征提取的方法，并引起了许多研究机构的注意。

（2）基于区域的图像检索技术：该方法主要采用图像分割技术实现将图像分割成不同区域的工作。首先提取出图像的局部特征，然后将图像分散的局部特征进行整合，从而得到全局特征^[11]。但由于自动图像分割技术目前实现比较困难，因此将图像分割技术用于图像检索所得到的检索准确率并不理想。不过随着图像分割技术的逐步发展，基于区域的图像检索技术以后的发展前景还是被广大研究者看好的^[12]。

（3）基于语义的特征提取方法：以图像内容为基础的特征提取方法主要包括颜色，纹理，形状等特征^[13]。而相对的语义特征提取技术具有相对的主观性，比较适合用户的需求，能够达到用户的主观要求。

1.3 论文思路架构安排

本文的主要思路架构如下：

第一章主要介绍了该课题研究在国内外的发展现状以及该领域的重点研究方向，从而阐述了本文的主要研究内容和目的。

第二章主要介绍颜色特征检索方法。首先介绍了RGB和HSV两种颜色空间模型，然后介绍了两种颜色空间模型互相转换的方法和颜色量化的过程。常用的颜色特征提取方法有很多，由于本文的检索系统采用的是直方图法，因此主要介绍该方法。

第三章主要介绍了纹理特征分析的相关内容，纹理特征分析中应用较多的主要有三种方法：灰度共生矩阵，Tamura纹理特征法，LBP算法。此章重点介绍本文采用的LBP算法。

后面介绍了特征匹配技术，常用的特征匹配技术较多，这里简要介绍了直方图相交法，二次式距离法以及本文检索系统采用的欧式距离法。

第四章主要介绍了综合采用颜色直方图法和LBP算法实现的图像检索系统，并通过实验结果结合性能评价准则来进行比较和性能分析。

图1.2论文结构流程图

第2章颜色特征检索方法

2.1 颜色空间模型

从数字图像中提取我们所需要的颜色特征，一个重要的组成部分是采用颜色空间表示数字形式的颜色特征。特征提取方法的决定因素是不同颜色空之间的相互转换以及颜色量化过程。实际应用中常用的颜色空间有RGB色彩空间，HSV色彩空间，YCrCb色彩空间等。

2.1.1 RGB颜色空间模型

RGB是我们在图像处理中用的最频繁的一种颜色空间，现在的很多图像采集设备，如摄影机，彩色电视机，采用的都是RGB值。根据RGB颜色模型的内容，通常我们看到的每幅彩色图片都由三个相互独立的基色平面构成。色觉首先由光源照射到物体，再通过物体反射到眼睛，再刺激视网膜从而产生视觉信号，然后大脑接收到从视网膜传送过来的信号，设某颜色C由三个刺激量X，Y，Z构成，与三维基色值R，G，B有如下关系：

（2.1）

当光源为白光时，X=1,Y=1,Z=1,设刺激量系数为x，y，z，，比例系数的定义为：

（2.2）

由公式（2.2）可以看出x y z=1。

RGB颜色空间的不足之处是不均匀，并且不够直观。

2.1.2 HSV颜色空间模型

HSV是面向视觉的一种颜色模型，弥补了RGB颜色空间不能与人的视觉特征实现较好匹配的不足之处。色彩的视觉特征主要包含三个要素，颜色的亮度，色调，以及我们常说的饱和度。

我们在图像显示设备上常接触到饱和度这一说法，饱和度反应的是颜色的深浅程度，颜色深则称作饱和度较高，反之则称作饱和度较低，如深红色与浅红色的对比。此外，还与色光中白光成分含量的高低有关，白光含量高，则认为饱和度高，反之则认为饱和度较低。HSV具有两个特点：1.它的亮度分量对图像的彩色信息没有任何影响；2.色调和饱和度只由人的感觉程度决定。因此十分适用于我们的感官判断。