[发明专利]基于共生稀疏直方图的图像检索方法

摘要

本发明提出了一种基于共生稀疏直方图的图像检索方法，该方法基于初级视觉特征以及视觉显著性区域的图像特征表达以及图像检索，提出共生稀疏直方图的新型图像特征表达方法。共生稀疏直方图可专门用于自然图像分析，并且能够比MPEG-7的边缘直方图描述子和MTH方法获得更高的检索精确度。它整合了共生矩阵，稀疏性和直方图的优点，利用直方图来表达稀疏特征，能够表达初级视觉特征以及它们之间的空间属性，在一定程度上符合人类视觉注意选择性机制。

主权项

1.基于共生稀疏直方图的图像检索方法，其特征是包括如下步骤：（1）将彩色图像从RGB颜色空间转换到HSV彩色空间和Lab颜色空间；（2）在HSV彩色空间中，将H，S和V通道分别均匀量化为8柄，3柄和3柄，得到72种颜色组合C₁(x,y)；在Lab彩色空间中，将L，a和b通道分别均匀量化为10柄，3柄和3柄，得到90种颜色组合C₂(x,y)；其中(x,y)代表图像坐标点，C₁(x,y)的取值变化范围是0～71，C₂(x,y)的取值变化范围是0～89；（3）计算C₁(x,y)和C₂(x,y)的颜色直方图，其中C₁(x,y)的颜色直方图表示为H₁(i)=w,w∈{0,1,..,71}，C₂(x,y)的颜色直方图表示为H₂(i)=v,v∈{0,1,..,89}；（4）在HSV颜色空间中，用Sobel边缘检测算子对彩色图像中的每个像素f(x,y)的H，S和V三个分量进行操作，即将像素f(x,y)沿着x和y方向的梯度表示为两个向量a(H_x,S_x,V_x)和b(H_y,S_y,V_y)，它们的点积定义为:|a|=(Hx)2+(Sx)2+(Vx)2---(1)]]>|b|=(Hy)2+(Sy)2+(Vy)2---(2)]]>a·b=H_x·H_y+S_x·S_y+V_x·V_y（3）式中，a表示像素f(x,y)沿着x方向的梯度向量，b表示像素f(x,y)沿着y方向的梯度向量，H_x表示H分量中的垂直分量，S_x表示S分量中的垂直分量，V_x表示V分量中的垂直分量；H_y表示H分量中的水平分量，S_y表示S分量中的水平分量，V_y表示V分量中的水平分量；则边缘方向定义为：θhsv(x,y)=arccos[a·b|a|·|b|]---(4)]]>式中，θ_hsv(x,y)表示边缘方向，θ_hsv(x,y)∈[0°,180°]，a表示像素f(x,y)沿着x方向的梯度向量，b表示像素f(x,y)沿着y方向的梯度向量；对每个像素f(x,y)都计算其纹理方向θ_hsv(x,y)后，将所有的纹理方向以10°为步长进行均匀量化，量化方法为w=Round(θ_hsv(x,y)/10),其中Round(.)表示取整数，这样就可以将纹理方向均匀量化为18个方向，则在HSV颜色空间中，量化后的边缘方向映射定义为θ₁(x,y)，并且θ₁(x,y)=w',w'∈{0,1,..,17}；在Lab颜色空间中，同样采用上述办法，对每个像素f(x,y)都计算其纹理方向θ_lab(x,y)后，将所有的纹理方向以10°为步长，同样可以将纹理方向均匀量化为18个方向，则在Lab颜色空间中，量化后的边缘方向映射定义为θ₂(x,y)，并且θ₂(x,y)=v',v'∈{0,1,..,17}；（5）计算θ₁(x,y)和θ₂(x,y)的直方图，其中θ₁(x,y)的直方图表示为Hθ₁(i)=w'',w''∈{0,1,...,17}，θ₂(x,y)的直方图表示为Hθ₂(i)=v'',v''∈{0,1,...,17}；（6）在HSV颜色空间中，将H,S和V三个分量用于构建高斯金字塔H(σ),S(σ)和V(σ)，其中σ∈[0...5]表示尺度，然后通过跨尺度抽样并产生所谓的特征映射：F（c,s,H）=|H（c）  口  H（s）|  （5）F（c,s,S）=|S（c）  口  S（s）|  （6）F（c,s,V）=|V（c）  口  V（s）|  （7）式中，F（c,s,H）表示H分量的特征映射，F（c,s,S）表示S分量的特征映射，F（c,s,V）表示V分量的特征映射，H（c）表示H分量细尺度c的高斯金字塔，H（s）表示H分量粗尺度s的高斯金字塔，S（c）表示S分量细尺度c的高斯金字塔，S（s）表示S分量粗尺度s的高斯金字塔，V（c）表示V分量细尺度c的高斯金字塔，V（s）表示V分量粗尺度s的高斯金字塔，口表示中心-周边差操作，它是在“中心”细尺度c和“周边”粗尺度s之间进行，并产生特征映射图；将每个特征映射图缩小到尺度5，然后进行逐点相加，最后得到3个独立显著性图像映射和H‾=45⊕⊕c=0s=5N(F(c,s,H))---(8)]]>S‾=45⊕⊕c=0s=5N(F(c,s,S))---(9)]]>V‾=45⊕⊕c=0s=5N(F(c,s,V))---(10)]]>式中，表示H分量的显著性图像映射，表示S分量的显著性图像映射，表示V分量的显著性图像映射，c表示细尺度，s表示粗尺度，表示映射图的跨尺度相加,N(.)表示标准化；三个3个独立显著性图像映射和整合为一个显著图S_hsv；Shsv=13(N(H‾)+N(S‾)+N(V‾))---(11)]]>式中，S_hsv表示显著图，N(.)表示标准化；在Lab颜色空间中，同样采用上述方法，则可以得到在Lab颜色空间的显著图S_lab；（7）将HSV颜色空间的显著图S_hsv和Lab颜色空间的显著图S_lab进行整合可以得到一个总体显著图S，S=12(Shsv+Slab)---(12)]]>式中，S_hsv表示HSV颜色空间的显著图，S_lab表示Lab颜色空间的显著图，S表示整合后的总体显著图；（8）在总体显著图像S中，从左到右，从上倒下，以2个像素作为步长，不断地移动2×2方格，历遍整幅图像；如果检测出一个基元，则该2×2方格中的原始像素保持不变，否则将其全部设置为零值，将最终得到一个基元图像T(x,y)，该基元图像T(x,y)的取值变化范围是0～255；（9）假设基元图像T(x,y)的值表示为l∈{0,1,..,L-1}；(x,y)和(x',y')为两个相邻像素，并且它们的值为T(x,y)=l₁和T(x',y')=l₂；此时在(x,y)处，θ₁(x,y)=m₁，θ₂(x,y)=m₂,C₁(x,y)=v₁，C₂(x,y)=v₂；设(x,y)和(x',y')两个像素之间的距离为1，即是max(|x-x'|,|y-y'|)=1，共生稀疏直方图定义如下:H=concac{H(C₁(x,y)),H(C₂(x,y)),H(θ₁(x,y)),H(θ₂(x,y))}   （17）式中，H(C₁(x,y))表示C₁(x,y)的共生稀疏直方图，H(C₂(x,y))表示(C₂(x,y))的共生稀疏直方图，H(θ₁(x,y))表示(θ₁(x,y))的共生稀疏直方图，H(θ₂(x,y))表示(θ₂(x,y))的共生稀疏直方图，concac{.}表示将上述四个直方图串联起来形成一个最终的共生稀疏直方图，其具有72+90+18+18=198维向量；H₁(.)<H₂(.)或者Hθ₁(.)<Hθ₂(.)均表示在相同坐标点位置，在寻找不同颜色空间中的那种颜色或者那种方向出现次数最少，并且以出现最少次数的颜色或者方向作为共生稀疏直方图的下标，即需找那个颜色空间的颜色和方向具有更强稀少性；（10）将共生稀疏直方图中的198维特征向量作为最终特征应用于图像检索，在检索过程中采用L1距离进行图像匹配。