嚴(yán)傳波， 木拉提·哈米提， 李 莉， 員偉康， 楊 芳

(新疆醫(yī)科大學(xué)醫(yī)學(xué)工程技術(shù)學(xué)院， 烏魯木齊 830011)

基于內(nèi)容的圖像檢索是從圖像的顏色、紋理、形狀等信息中提取圖像特征進(jìn)行圖像匹配的過程，其中形狀特征是圖像重要的視覺特征。同類物體可能有不同的顏色或紋理，但其形狀特征卻可能相近，不會(huì)隨圖像的顏色或紋理改變而發(fā)生變化。在基于維吾爾草藥圖像的檢索匹配中，草藥形狀特征相對(duì)顏色、紋理特征更有其獨(dú)特的檢索優(yōu)勢(shì)。

形狀特征描述方法可分為兩類，一類是基于圖像區(qū)域的描述如幾何不變矩、Zernike矩等描述方法；一類是基于圖像邊緣信息的描述包括鏈碼、傅里葉描述、小波描述等。Hu不變矩是一種經(jīng)典的形狀特征描述方法，它通過應(yīng)用圖像區(qū)域的普通矩和中心矩構(gòu)造圖像區(qū)域的二階、三階中心矩，從而形成7個(gè)描述圖像形狀的不變矩特征，具有圖像旋轉(zhuǎn)、平移和尺度變化的不變性，已成為圖像識(shí)別的主要判別方法之一。目前，Hu不變矩已有許多應(yīng)用，如應(yīng)用Hu不變矩和Affine不變矩對(duì)高速公路上行駛的車輛進(jìn)行檢測(cè)和車型識(shí)別[1]；應(yīng)用商標(biāo)圖像的Hu不變矩特征結(jié)合SIFT特征進(jìn)行圖像檢索, 減少精確匹配需要的計(jì)算次數(shù)，降低計(jì)算復(fù)雜度[2]。Hu不變矩是基于圖像區(qū)域的形狀描述，應(yīng)用范圍有限制，針對(duì)這一問題，研究人員同時(shí)結(jié)合圖像的區(qū)域不變矩和邊界不變矩信息構(gòu)造改進(jìn)的統(tǒng)一不變矩形狀特征，針對(duì)圖像旋轉(zhuǎn)特點(diǎn)引入權(quán)向量進(jìn)行圖像檢索，提高了圖像旋轉(zhuǎn)變換后的識(shí)別命中率[3-4]。Hu不變矩運(yùn)算量較大，人們提出了采用正交矩如Zernike矩等方法計(jì)算圖像形狀特征用于圖像檢索,采用基于Zernike矩形狀特征的水果形狀分類方法，在水果分類應(yīng)用中取得較好效果[5]。

在基于維吾爾草藥圖像檢索中，本研究首先對(duì)維吾爾草藥圖像做圖像分割、尺度歸一化等預(yù)處理，通過Matlab編程，使用Canny算子、輪廓跟蹤等方法獲取草藥圖像的形狀，然后根據(jù)Hu不變矩理論提取草藥圖像的形狀特征，并對(duì)其進(jìn)行草藥圖像的檢索匹配和有效性實(shí)驗(yàn)驗(yàn)證。

1 草藥圖像形狀提取

1.1用Canny算子提取維吾爾草藥圖像邊界草藥圖像邊界的提取是準(zhǔn)確提取形狀特征的前提。圖像邊界是圖像中2個(gè)具有不同灰度的均勻區(qū)域的邊界，即圖像中灰度的急劇變化區(qū)。由于邊緣是圖像的信息豐富區(qū)域，具有圖像的幾何變換和旋轉(zhuǎn)不變性特性，可通過邊界檢測(cè)算子提取圖像的邊界。Matlab常用的邊界檢測(cè)算子較多，如Roberts算子、Canny算子等，經(jīng)比較，本研究在提取草藥圖像邊界時(shí)采用Canny算子。以草藥石蠟紅為例，對(duì)草藥圖像(圖1a)，采用Canny算子進(jìn)行圖像邊緣提取，得到圖像邊緣圖像(圖1b)。繼續(xù)對(duì)圖像邊緣進(jìn)行輪廓跟蹤，得到草藥石蠟紅圖像外輪廓，然后使用種子填充，對(duì)圖像外輪廓進(jìn)行開閉運(yùn)算等優(yōu)化操作后得到圖像的最后形狀(圖1c)。

1.2草藥圖像Hu不變矩特征提取Hu不變矩是由Hu在1962年提出的用于形狀識(shí)別的圖像矩描述。在圖像像素?cái)?shù)目一定時(shí)，Hu不變矩具有對(duì)圖像的旋轉(zhuǎn)、平移和尺度變化的不變性特性，已被廣泛用于圖像形狀識(shí)別。

Hu不變矩定義-幅大小為M×N的圖像f(x,y)的p+q階矩為：

(1)

(2)

(3)

根據(jù)以上定義，Hu不變矩的7個(gè)不變矩定義為：

φ1=η20+η02

(4)

(5)

φ3=(η30-3η12)2+(3η21-η03)2

(6)

φ4=(η30-η12)2+(η21+η03)2

(7)

φ5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+

(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]

(8)

φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)

(9)

φ7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+

(3η12-η30)(η21+η03)[3(η30+η12)2-(η21+η03)2]

(10)

已經(jīng)證明Hu不變矩具有平移、旋轉(zhuǎn)、比例尺度變化不變性，這些矩的幅值反映了物體的形狀，因而可用于形狀檢索和模式識(shí)別[6-7]。以玉蘭花為例，其原圖及其形狀如圖2。

表1 玉蘭花圖像在圖像平移、旋轉(zhuǎn)、縮放后的Hu不變矩特征值

從表1中的測(cè)試數(shù)據(jù)可以看出，在原始圖像進(jìn)行平移、旋轉(zhuǎn)、縮放后，Hu不變矩特征值在數(shù)值上變化不大，符合形狀特征的特點(diǎn)，能夠較準(zhǔn)確地表達(dá)圖像的形狀信息。

本研究根據(jù)圖像Hu不變矩理論，應(yīng)用Matlab進(jìn)行草藥圖像形狀特征的提取。由于計(jì)算所得草藥圖像形狀特征數(shù)據(jù)分量數(shù)值變化范圍較大，部分?jǐn)?shù)據(jù)出現(xiàn)溢出現(xiàn)象，為此對(duì)Hu不變矩做了變換，在計(jì)算形狀特征向量時(shí)做了歸一化處理，得到7個(gè)Hu不變矩特征分量T1～T7。另外，草藥圖像形狀的寬高比也是圖像的基本形狀特性，可作為圖像形狀的另一特征分量。本研究對(duì)Hu不變矩特征做了一定改進(jìn)，除了Hu不變矩的7個(gè)分量外，引入了草藥圖像形狀的寬高比T8作為圖像形狀的第8個(gè)特征分量。提取的部分草藥圖像形狀特征如表2所示。

表2 部分草藥圖像的Hu不變矩形狀特征

2 基于形狀特征的草藥圖像檢索

本研究根據(jù)改進(jìn)的圖像形狀特征，構(gòu)建了基于內(nèi)容的草藥圖像檢索系統(tǒng)，將草藥分為花、葉、皮、根、種子等類別，采集了300多種草藥的基本信息、草藥圖像及其改進(jìn)Hu不變矩形狀特征。系統(tǒng)根據(jù)用戶輸入的草藥圖像，計(jì)算和提取其形狀特征，按照選定的圖像相似度匹配算法如(歐氏距離、馬氏距離、余弦距離等算法)在維吾爾草藥數(shù)據(jù)庫中檢索與之形狀相似的草藥圖像，按照相似度高低從大到小排列順序?qū)⑵ヅ鋱D像反饋給用戶，實(shí)現(xiàn)基于內(nèi)容的圖像檢索匹配。圖3、圖4是根據(jù)歐氏距離、余弦距離算法進(jìn)行基于圖像形狀特征內(nèi)容檢索的圖像匹配結(jié)果圖。

圖3 歐氏距離算法圖像檢索結(jié)果 圖4 余弦距離算法圖像檢索結(jié)果

圖像檢索系統(tǒng)的性能評(píng)價(jià)主要考查檢索速度和準(zhǔn)確度2個(gè)因素。檢索速度主要取決于選取的圖像內(nèi)容特征相似性匹配算法的復(fù)雜度；檢索準(zhǔn)確度主要取決于選取的圖像內(nèi)容特征的實(shí)用性和相似性度量方法的有效性，目前常用的圖像檢索系統(tǒng)的性能評(píng)價(jià)方法有查準(zhǔn)率(Precision Rate)、查全率(Recall Rate)和檢索速度等。

查準(zhǔn)率是在一次查詢過程中，系統(tǒng)返回的相關(guān)圖像數(shù)目占所有返回圖像數(shù)目的比例；查全率則指系統(tǒng)返回的查詢結(jié)果中相關(guān)圖像數(shù)目占圖像庫中所有相關(guān)圖像數(shù)目的比例[8]。在本研究草藥圖像檢索系統(tǒng)中，收錄了318幅各類草藥圖像，每幅圖像將尺度歸一化為最長(zhǎng)邊300像素點(diǎn)，定義檢索結(jié)果的圖像返回?cái)?shù)目為10。經(jīng)過實(shí)驗(yàn)驗(yàn)證，草藥圖像對(duì)花類、葉類草藥圖像的平均查準(zhǔn)率達(dá)到70%，平均查全率達(dá)到80%，檢索效果較好；對(duì)根類與皮類草藥圖像檢索效果不夠理想，平均查準(zhǔn)率不到70%,平均查全率僅為50%(表3)，這可能是由于根類、皮類草藥圖像形狀較復(fù)雜，圖像分割不精細(xì)造成的。系統(tǒng)需要進(jìn)一步研究圖像的分割算法，以提高系統(tǒng)的檢索效率。

表3 各類草藥圖像的平均查全率和平均查準(zhǔn)率/%

3 結(jié)論

基于圖像形狀的檢索是基于內(nèi)容檢索中一個(gè)最具挑戰(zhàn)性的問題之一。本研究以草藥圖像為研究對(duì)象，從圖像整體入手，提取圖像的形狀特征，構(gòu)建了基于草藥圖像形狀特征的草藥圖像檢索系統(tǒng)，并進(jìn)行了檢索效率驗(yàn)證。結(jié)果表明，以本實(shí)驗(yàn)方法提取草藥圖像的Hu不變矩形狀特征對(duì)基于內(nèi)容的維吾爾草藥圖像的檢索有較好的檢索效果，對(duì)葉類、花類草藥圖像的平均查準(zhǔn)率達(dá)到70%，平均查全率達(dá)到80%。對(duì)根類、皮類圖像的檢索效果不夠理想，圖像分割算法不夠精細(xì)，系統(tǒng)需要進(jìn)一步研究較好的圖像分割算法，以提高系統(tǒng)的檢索效率。

參考文獻(xiàn):

[1] 張明恒，王華瑩，郭烈. 基于改進(jìn)K-Means算法的車輛識(shí)別方法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2012, 22(5):53-56.

[2] 王振海. 融合HU不變矩和SIFT特征的商標(biāo)檢索[J]. 計(jì)算機(jī)工程與應(yīng)用, 2012, 48(1):187-190.

[3] 張琪，屈嚴(yán)，董志芳. 改進(jìn)的統(tǒng)一Hu矩在圖像目標(biāo)識(shí)別中的應(yīng)用[J]. 電子器件, 2012, 35(6):679-682.

[4] Chaur-Chin C. Improved moment invariants for shape discrimination[J]. Patten Recognition, 1993, 26(5):683-686.

[5] 應(yīng)義斌，桂江生，饒秀勤. 基于Zernike矩的水果形狀分類[J]. 江蘇大學(xué)學(xué)報(bào):自然科學(xué)版, 2007, 28(1):1-3,67.

[6] 劉威，孔英蕾，肖宏濤. 基于形狀特征的圖像檢索技術(shù)[J]. 蘭州理工大學(xué)學(xué)報(bào), 2011, 37(1):100-105.

[7] 吳建. 基于顏色和形狀特征的彩色圖像檢索技術(shù)研究[J]. 蘇州大學(xué)學(xué)報(bào):自然科學(xué)版, 2012, 28(1):47-52.

[8] 李莉，木拉提·哈米提，艾克熱木·阿西木，等. 基于灰度共生矩陣的新疆地方性肝包蟲CT圖像特征提取方法[J]. 科技導(dǎo)報(bào), 2010, 28(16):31-35.