基于顏色特征的藏毯圖像檢索研究與實現(xiàn)

基于顏色特征的藏毯圖像檢索研究與實現(xiàn)

　　摘要：針對國內(nèi)外還沒有可供研究人員和公眾使用的藏毯類非物質(zhì)文化遺產(chǎn)數(shù)字化資源平臺這一狀況，分析了在藏毯圖像中運(yùn)用基于內(nèi)容的圖像檢索系統(tǒng)技術(shù)的可行性。通過對藏毯圖像的顏色特征分析，針對傳統(tǒng)HSV顏色空間量化的缺陷，使量化更為有效，把HSV顏色空間量化成188維，實現(xiàn)了在基于JAVA的框架中計算顏色直方圖的方法，采用相似距離衡量直方圖的相似度。考慮時間消耗并通過查準(zhǔn)率的比較，藏毯圖像檢索的查準(zhǔn)率明顯提高。

　　關(guān)鍵詞：藏毯;量化;特征;圖像

　　引言

　　藏毯在藏族傳統(tǒng)藝術(shù)的基礎(chǔ)上，吸收、融合了漢族、國外宗教藝人的精華，并且形成了具有自己獨(dú)特的藏族藝術(shù)風(fēng)格的工藝美術(shù)品，其圖案設(shè)計和色彩源于藏傳佛教文化，藝術(shù)價值極高，是珍貴的非物質(zhì)文化遺產(chǎn)。隨著近年來非物質(zhì)文化遺產(chǎn)保護(hù)工作的不斷深入，以及非物質(zhì)文化遺產(chǎn)數(shù)字化、信息化的科技進(jìn)步，全國各地非物質(zhì)文化遺產(chǎn)數(shù)據(jù)庫建設(shè)步伐不斷加快，在分析藏毯的紋理特征、色彩分布和形狀特征的基礎(chǔ)上，即可以支持基于文字以及圖像屬性的查詢，又可以提取藏毯圖像的關(guān)鍵特征值來實現(xiàn)基于內(nèi)容的圖像檢索。本文在研究基于內(nèi)容的圖像檢索方法的基礎(chǔ)上，經(jīng)過改進(jìn)，提出了一種針對藏毯圖像基于HSV顏色空間量化的圖像檢索實現(xiàn)方法，為藏毯這一非物質(zhì)文化遺產(chǎn)的保護(hù)和繼承提供了技術(shù)支撐平臺。

　　一、基于內(nèi)容的圖像檢索方法

　　傳統(tǒng)的基于文本的圖像檢索技術(shù)，主要利用數(shù)據(jù)庫管理系統(tǒng)對圖像采用人工描述并進(jìn)行管理和檢索，通過圖像的描述文字和用戶輸入的關(guān)鍵字進(jìn)行比較，但由于人工標(biāo)注效率低和自身的主觀偏差性，比較的結(jié)果不僅效果差，而且不能對圖像中所包含的顏色、紋理等不能用文本信息標(biāo)注的特征進(jìn)行檢索。基于內(nèi)容的圖像檢索(Content-Based ImageRetrieval，CBIR)近年來已成為提高圖像檢索的有效手段。基于CBIR技術(shù)的圖像檢索系統(tǒng)，采用相似性匹配算法計算關(guān)鍵圖像特征與特征庫中圖像特征的相似度，然后按照相似度從大到小的順序?qū)⑵ヅ鋱D像反饋給用戶。用戶可根據(jù)自己的滿意程度，選擇是否修改查詢條件，繼續(xù)查詢，以達(dá)到令人滿意的查詢。CBIR的實現(xiàn)依賴于兩個關(guān)鍵技術(shù)：圖像特征提取和匹配，圖像特征提取分為低層視覺和語義內(nèi)容，比較成熟的檢索算法大部分是基于圖像的低層特征，即利用圖像的顏色、紋理、形狀、空間關(guān)系特征來檢索。在基于內(nèi)容的圖像檢索中，顏色作為圖像的重要視覺信息已成為圖像內(nèi)容組成的基本要素，顏色特征成為在基于內(nèi)容的圖像檢索中最早、最廣泛使用的視覺特征，目前常用的顏色特征包括顏色直方圖、顏色距、顏色聚合向量、顏色協(xié)方差矩陣等。紋理是物體表面的結(jié)構(gòu)模式，反映了圖像中同質(zhì)現(xiàn)象的視覺特征，它體現(xiàn)了物體表面的具有緩慢變化或者周期性變化的表面結(jié)構(gòu)組織排列屬性，其本質(zhì)是刻畫像素的鄰域灰度空間分布規(guī)律，典型的分析方法有：空間域紋理分析、頻率域紋理分析、空間/頻率域聯(lián)合紋理分析和基于分形模型的紋理分析方法。對于某些紋理和顏色信息不夠豐富的圖像來說，基于顏色和紋理的方法就無法滿足檢索需要，這是可借助于形狀特征來描述，形狀是最難描述的圖像特征，它不隨周圍環(huán)境，如顏色的變化而變化，是物體的穩(wěn)定特征。基于形狀特征的圖像檢索主要是檢測或分割出目標(biāo)輪廓，并針對其進(jìn)行形狀特征的提取或直接針對圖像尋找適當(dāng)?shù)氖噶刻卣鳎�目前基于形狀特征的圖像檢索主要有基于輪廓和基于區(qū)域的方法。空間關(guān)系指圖像中分割出來的多個目標(biāo)之間相互的空間位置或相對方向關(guān)系，通常分為兩類：相對空間位置信息和絕對空間位置信息。提取圖像空間關(guān)系特征有兩種方法：一種方法是對圖像進(jìn)行自動分割，根據(jù)劃分出的對象或顏色區(qū)域提取圖像特征，并建立索引;另一種方法是簡單將圖像均勻地劃分為若干規(guī)則區(qū)域后分別提取特征，并建立索引。

　　二、顏色特征

　　顏色是彩色圖像最底層、最直觀的物理特征，是一種全局特征，它描述了圖像或圖像區(qū)域所對應(yīng)的景物的表面性質(zhì)。作為圖像最直觀而明顯的特征，顏色特征是基于像素點(diǎn)的特征，所有屬于圖像或圖像區(qū)域的像素都有各自的貢獻(xiàn)。相對于其它的圖像特征如紋理和形狀來講，顏色特征非常穩(wěn)定，不局限于圖像的大小和方向，并且對于旋轉(zhuǎn)、平移、尺度變化，甚至各種變形都不敏感，表現(xiàn)出相當(dāng)強(qiáng)的魯棒性，因此在基于內(nèi)容的圖像檢索中發(fā)揮著重要的作用，這也使得顏色特征成為圖像檢索中應(yīng)用最為廣泛的底層視覺特征。

　　2.1 顏色模型

　　顏色空間也稱彩色模型， 它的用途是在某些標(biāo)準(zhǔn)下用通常可接受的方式對彩色加以說明。本質(zhì)上，彩色模型是坐標(biāo)系統(tǒng)和子空間的闡述。RGB色彩模式是工業(yè)界的一種顏色標(biāo)準(zhǔn)，在RGB模型中，RGB即是代表紅、綠、藍(lán)三個通道的顏色，通過對紅(R)、綠(G)、藍(lán)(B)三個顏色通道的變化以及它們相互之間的疊加來構(gòu)成了所有顏色，是目前運(yùn)用最廣的顏色系統(tǒng)之一。將這三種顏色劃分成256(0-255)個等級，這三原色光以不同的比例復(fù)合后，對人的眼睛可以形成與各種頻率的可見光等效的色覺。目前大部分的數(shù)字圖像都是用這種顏色空間表達(dá)的，然而，RGB空間結(jié)構(gòu)并不符合人們對顏色相似性的主觀判斷，故而采用符合人們對顏色主觀認(rèn)識的HSV模型。HSV(hue，saturation，value)模型對用戶來說是一種直觀的顏色模型，直接對應(yīng)于人眼的視覺特征，H表示色度、S表示飽和度、V表示亮度。HSV模型對應(yīng)于一個圓錐形子集，包含RGB模型中的R、G、B三個面。色度H定義為繞圓錐中心軸的角度，取值范圍為0°～ 360°，從紅色開始按逆時針方向計算，紅色為0°，綠色為120°，藍(lán)色為240°。飽和度S定義為橫截面圓心到橫截面圓周點(diǎn)的距離，取值范圍為0～1，S取值越大，表示色彩越純，取值越小，表示色彩越灰。亮度V定義為圓錐橫截面的圓心到圓錐頂點(diǎn)的距離，表示色彩的明亮程度，取值范圍為0～1。HSV對用戶來說是一種直觀的顏色模型。我們可以從一種純色彩開始，即指定色彩角H，并讓V=S=l，然后我們可以通過向其中加入黑色和白色來得到我們需要的顏色。

　　2.2 顏色特征提取

　　常用的顏色特征提取方法都建立在顏色直方圖的基礎(chǔ)上，計算顏色直方圖需要將顏色空間劃分成若干個小的顏色區(qū)間，每個小區(qū)間成為直方圖的一個bin。然后統(tǒng)計圖像中各種顏色出現(xiàn)的頻數(shù)，在統(tǒng)計的過程中不關(guān)心顏色所處的空間位置，每一種顏色出現(xiàn)的頻數(shù)對應(yīng)在相應(yīng)的bin中，最終得到顏色直方圖。在顏色直方圖坐標(biāo)中，橫坐標(biāo)表示顏色柄的劃分值，縱坐標(biāo)表示每個bin區(qū)間中包含的圖像像素總和。一般來說，bin的數(shù)目越多，直方圖對顏色的分辨能力就越強(qiáng)，檢索效果也會越強(qiáng)。但有時bin數(shù)目越多的顏色空間劃分方法不一定能夠提高檢索效果，那是因為在有的實際應(yīng)用中，表示主要顏色的bin能夠表達(dá)圖像中大部分像素的顏色，所以，過多的顏色空間對主體顏色的貢獻(xiàn)較少，反而加大了計算負(fù)擔(dān)。除此之外，bin的數(shù)目增加后的顏色直方圖即增加了計算負(fù)擔(dān)，又不利于在大型圖像庫中建立索引，同時也帶來了數(shù)據(jù)庫中存儲空間的容量問題。直方圖均衡主要用于處理圖像由于過度曝光或者曝光不足造成的前景背景過量或過暗的情況，可以增強(qiáng)圖像的對比度，擴(kuò)展圖像灰度范圍。本文結(jié)合藏毯圖像的顏色特點(diǎn)，在劃分合適數(shù)量的顏色空間基礎(chǔ)上實現(xiàn)顏色特征的提取，最終提高圖像的檢索效果。

　　三、傳統(tǒng)的HSV顏色空間非均勻量化

　　HSV的顏色空間包含三個分量：H、S、V，對H、S、V三個分量進(jìn)行非均勻分割。將色調(diào)H分成8份，飽和度S的范圍由圓心向圓周過渡，將其分為三份，亮度V劃分為Black，Gray，White三份，各自量化區(qū)間為：

　　HSV顏色空間被劃分為72個不同的空間區(qū)域，再將三個簡化后的顏色分量合成一維特征向量值，就將整個HSV顏色空間量化為72種顏色，減少了HSV顏色空間的有效顏色數(shù)量，簡化了顏色特征提取的復(fù)雜度。通過量化公式I=9H+3S+V計算，最終得到72柄的一維顏色直方圖，I的取值范圍為[0，71]。

　　四、一種改進(jìn)的HSV顏色空間量化方法

　　4.1 HSV顏色空間188維量化

　　通常而言，在圖像的生成、傳輸、變換過程中，由于受到噪聲的干擾，會導(dǎo)致圖像輸出質(zhì)量失真，影響對于圖像的識別，因此在圖像識別之前要對其進(jìn)行預(yù)處理。藏毯圖案較鮮艷且復(fù)雜，考慮到藏毯圖像顏色特征在整個空間中的分布狀況，采用顏色量化中的聚類方法，用少量的代表色代表整個藏毯圖像。雖然采用比較大維的量化可以提高檢索效果，但考慮到計算量和存儲容量的限制問題，所以使用量化降維方法。為了避免出現(xiàn)某些空間中像素數(shù)量非常稀疏的情況，使量化更為有效，把HSV顏色空間量化成188維，根據(jù)圖像顏色在HSV空間188維中的相同或不同的分布特點(diǎn)，均勻地選取若干個量化點(diǎn)，然后將其他量化點(diǎn)按顏色相似距離最短的原則組合為一個聚類，從而達(dá)到既能聚類出代表圖像的顏色又能減少顏色數(shù)目的目的。具體處理方法為：

　　在實驗中提取圖像中每一個像素點(diǎn)的RGB值并轉(zhuǎn)化為HSV顏色空間后，簡單聚類如下：

　　H：H空間分為45類，取值為0～44，h均勻間隔為8，即h=(0，8，16，……，360)，

　　S：S空間分為4類，S取值為0～3，S均勻間隔步距0.3(0.07，0.37， 0.67， 0.97)，

　　V：V空間分為4類，V取值為0～3，V均勻間隔步距0.3(0，0.3，0.6，0.9)，

　　然后按照以上的量化級構(gòu)造一維特征矢量，把3個顏色分量合成一維特征矢量：L=4H+3S+V，這樣，H、S、V3個分量在一維矢量上分布開來.根據(jù)上述公式，計算L的取

　　值范圍為[0， 187]，最終獲得188柄的一維直方圖。

　　4.2 在Java EE框架下利用OpenCV對藏毯圖像實現(xiàn)相似度的檢索

　　對188柄的一維直方圖的計算過程，通過Opencv的calcHist()方法計算出圖像的顏色直方圖。

　　h_bins=45，s_bins=4;

　　hist_size[]={h_bins，s_bins};

　　h_ranges[]={0， 180};

　　s_ranges[]={0， 255};

　　Ipllmage* src=cvLoadlmage ("image");

　　Ipllmage* hsv=cvCreateImage(cvGetSize(src)，8，3); ;

　　Ipllmage* h_plane=cvCreateImage(cvGetSize(src)，8，1);

　　Ipllmage* s_plane=cvCreateImage(cvGetSize(src)，8，1);

　　Ipllmage* v_plane=cvCreateImage(cvGetSize(src)，8，1);

　　pllmage* planes[]={h_plane， s_plane};

　　float* ranges[]={h_ranges， s_ranges};

　　float* ranges[]={h_ranges， s_ranges， v_ranges};

　　cvCvtColor(src， hsv， CV_BGR2HSV);

　　cvCvtPixToPlane(hsv， h_plane， s_plane， v_plane， 0);

　　CvHistogram * hist=cvCreateHist(2， hist_size， CV_HIST_ARRAY， ranges，2)

　　cvCalcHist(planes， hist，0，0);

　　cvGetMinMaxHistValue(hist，0，&max_value，0，0);

　　int height=120;

　　int width=(h_bins*s_bins*v_bins*5);

　　IplImage*hist_img=cvCreateImage(cvSize(width， height)，8，3);

　　cvZero(hist_img);

　　在OpenCV庫中調(diào)用cvcompareHIst()方法計算顏色特征向量相似度，經(jīng)過試驗，發(fā)現(xiàn)用此方法使用直方圖模型比對兩張藏毯圖像圖片，比對的結(jié)果越接近于1，兩張圖片的相似性就越高。具體方法如下：

　　Double compareHist(const CvHistoram* histl， const CvHistoram* hist2， CV_COMP_CORREL Correlation)

　　4.3 實驗結(jié)果

　　綜合以上查準(zhǔn)結(jié)果并結(jié)合時間消耗、存儲空間和計算量的大小，說明采用188維量化方法的檢索查準(zhǔn)率較高，并且時間消耗也不大，故本文提出改進(jìn)的方法較為可行。

　　五、結(jié)語

　　通過對藏毯圖像的顏色特征分析，各種典型的基于顏色特征的提取技術(shù)，分析了在藏毯圖像中運(yùn)用基于內(nèi)容的圖像檢索系統(tǒng)技術(shù)的可行性。針對傳統(tǒng)HSV顏色空間量化的缺陷，使量化更為有效，把HSV顏色空間量化成188維，實現(xiàn)了在基于JAVA的框架中計算顏色直方圖的方法，采用Correlation相似距離衡量直方圖的相似度，根據(jù)相似度大小匹配待查詢的圖像，最終返回與待查詢藏毯圖像相同或相似的圖像結(jié)果集，藏毯圖像檢索的查全率與查準(zhǔn)率明顯提高，為非物質(zhì)文化遺產(chǎn)的保護(hù)和繼承提供了技術(shù)支撐平臺。

【基于顏色特征的藏毯圖像檢索研究與實現(xiàn)】相關(guān)文章：

基于內(nèi)容的圖像檢索研究11-20

基于內(nèi)容的模糊圖像檢索技術(shù)研究03-18

基于視覺注意力模型的圖像檢索的研究11-22

基于圖像的OMR技術(shù)的實現(xiàn)03-07

圖像紋理特征的分析方法研究03-07

基于GPRS網(wǎng)絡(luò)的圖像傳輸自適應(yīng)算法及實現(xiàn)03-07

彩色圖像特征提取研究(一)03-07

基于個性化的檔案檢索方式研究12-02

基于分形維數(shù)的圖像分類研究03-07