【正文】 3）盡量避免動態(tài)網(wǎng)頁，因為動態(tài)網(wǎng)頁的內(nèi)容是在瀏覽網(wǎng)頁時生成的，爬蟲程序獲取網(wǎng)頁信息比較困難。 數(shù)據(jù)采集模塊 通過對采集的網(wǎng)頁 分析，進(jìn)行 正則表達(dá)式匹配，解析出 Deep Web 中網(wǎng)頁中商品圖像 的實際 URL，有效地實現(xiàn)視 商品圖像 的自動批量下載。 本系統(tǒng) 主要 支持 JPG 格式圖像的檢索。系統(tǒng) 開發(fā) 環(huán)境 采用Microsoft Windows XP，開發(fā)工具 采用 MyEclipse ，以及 Microsoft Visual C++ 。 本系統(tǒng) 采用歐式距離作為特征相似度量的尺度。一一映射法測距公式可以 用下式表示 ： D(H,K)=i?DISTANCE(hi,ki) （ 14） 其中 H和 K分別代表兩幅圖像的直方圖或顏色句柄，并且兩幅圖像直方圖簇數(shù)或顏色句柄的長度一定相等，對應(yīng)簇 hi和 ki之間的距離稱為基本距離。距離有 Minkowski距離、 χ2統(tǒng)計距離 ,二次距離等。距離越大 ,圖像之間的差別越大。直方圖同顏色句柄有相同的表示形式 ,但對所有的圖像而言 ,直方 圖對顏色空間的劃分是一致的。設(shè)描述圖像特征的顏色句柄， {(pi,wi)|p=1,… ,N}表示顏色 ,p=(Ri,Gi,Bi)在圖像中包含 wi個像素點。它是建立在 圖像內(nèi)容的基礎(chǔ)上， 由圖像內(nèi)容的相似度得到圖像相似度的一種比較方法 。例如 M 可以取為 2n = 64，這就可以采用快速傅立葉變換來提高算法效率。因此，第一個非零的頻率分量被用來對其它變換參數(shù)進(jìn)行標(biāo)準(zhǔn)化。類似的，由質(zhì)心距離 所導(dǎo)出的形狀描述符為 ?????????020201 ,..., FFFFFFf MR (12) 對于復(fù)坐標(biāo)函數(shù)，正頻率分量和負(fù)頻率分量被同時采用。 對于曲率函數(shù)和質(zhì)心距離函數(shù)，我們只考慮正頻率的坐標(biāo)軸，因為這時函數(shù)的傅立葉變換是對稱的，即有 |Fi| = |Fi|?？s放的無關(guān)性是通過將參數(shù)的大小除以 DC 分量（或第一個非零參數(shù)）的大小來保證的。形狀描述符可以從這 些變換參數(shù)中得出。質(zhì)心距離定義為從物體邊界點到物體中心（ xc, yc）的距離，如下所示： 22 )()()( cscs yyxxsR ???? (9) 復(fù)坐標(biāo)函數(shù)是用復(fù)數(shù)所表示的像素坐標(biāo)： )()()( cscs yyjxxsZ ???? (10) 對這種復(fù)坐標(biāo)函數(shù)的傅立葉變換會產(chǎn)生一系列復(fù)數(shù)系數(shù)。 第六屆浙江省大學(xué)生電子商務(wù)競賽參賽作品 22 輪廓線上某點的曲率定義為輪廓切向角度相對于弧長的變化率。假設(shè)一個二維物體的輪廓是由一系列坐標(biāo)為（ xs, ys）的像素組成，其中 0 ? s ? N1，而 N 是輪廓上像素的總數(shù)。本項目采用傅立葉描述符。 通常來說，形狀特征有兩種表示方法，一種是輪廓特征的，一種是區(qū)域特征的。由于當(dāng)前的技術(shù)無法做到準(zhǔn)確而魯棒的自動圖像分割，圖像檢索中的形狀特征只能用于某些特殊應(yīng)用，在這些應(yīng)用中圖像包含的物體或區(qū)域可以直接獲得。 (3)形狀特征 物體 和區(qū)域的形狀是圖像表達(dá)和圖像檢索中的另一重要的特征。最后，圖像總體方向性可以通過計算直方圖中峰值的尖銳程度獲得，表示如下 : ? ?? ?? ??ppnp Dw pdi r HF )(2 ???? (7) 上式中的 p 代表直方圖中的峰值， np 為直方圖中所有的峰值。該直方圖首先對 ? 的值域范圍進(jìn)行離散化，然后統(tǒng)計了每個 bin 中相應(yīng)的|?G|大于給定閾值的像素數(shù)量。該向量的模和方向分別定義為： ? ?? ?2ta n 21 ?? ???? ????? ? HV VHG (6) 第六屆浙江省大學(xué)生電子商務(wù)競賽參賽作品 21 其中 ?H 和 ?V 分別是通過將圖像和下列兩個 3x3 操作符進(jìn)行卷積操作所得的水平和垂直方向上的變化量。對比度是通過如下公式衡量的 : 4/14???conF （ 5） 該值給出了整個圖像或區(qū)域中對比度的全局度量。 ② 對比度：對比度是通過對像素強(qiáng)度分布情況的統(tǒng)計得到的。最后，粗糙度可以通過計算整幅圖像中 Sbest 的平均值來得到，表達(dá)為 ? ?? ??? mi nj be stcrs jiSnmF 1 1 ),(1 （ 4） 粗糙度特征的另一種該進(jìn)形式是采用直方圖來描述 Sbest 的分布，而不是像上述方法一樣簡單地計算 Sbest 的平均值。然后，對于每個像素，分別計算它在水平和垂直方向上互不重疊的窗口之間的平均強(qiáng)度差。 ① 粗糙度：粗糙度的計算可以分為以下幾個步驟進(jìn)行。 Tamura紋理特征的六個分量對應(yīng)于心理學(xué)角度上紋理特征的六種屬性，分別是粗糙度（ coarseness）、對比度（ contrast）、方向度（ directionality）、 線第六屆浙江省大學(xué)生電子商務(wù)競賽參賽作品 20 像度（ linelikeness）、規(guī)整度（ regularity）和粗略度（ roughness）。在本節(jié)中，我們將著重介紹在基于內(nèi)容的圖像檢索中采用的 Tamura 紋理特征。紋理特征包含了物體表面結(jié)構(gòu)組織排列的重要信息以及它們與周圍環(huán)境的聯(lián)系，在基于內(nèi)容的圖像檢索中得到了廣泛的應(yīng)用。 （ 2） 紋理特征 紋理特征是一種不依賴于顏色或亮度的反映圖像中同質(zhì)現(xiàn)象的視覺特征。相比之下，聚類算法則會考慮到圖像顏色特征在整個空間中的分布情況，從而避免出現(xiàn)某些 bin 中的像素數(shù)量非常稀疏的情況，使量化更為有效。顏色量化有許多方法，例如向量量化、聚類方法或者神經(jīng)網(wǎng)絡(luò)方法。這個過程稱為顏色量化（ color quantization）。從 RGB 空間到 HSV 空間的轉(zhuǎn)化公式如下所示： 第六屆浙江省大學(xué)生電子商務(wù)競賽參賽作品 19 ? ? ? ?? ? ? ?? ? ? ? ??????????????????????????????????????????????????????????????????),m i n ( ),m i n ( ),m i n ( o t h e r w i s e5),m i n ( a n d ),m a x ( if3),m i n ( a n d ),m a x ( if3),m i n ( a n d ),m a x ( if1),m i n ( a n d ),m a x ( if1),m i n ( a n d ),m a x ( if5)],m i n ([),m a x (bgrvbvbbgrvgvgbgrvrvrrbgrrbgrbgbgrbbgrgbbgrbbgrgrbgrgbgrrgbgrgbgrrbhvbgrvsbgrv (1) 其中 r, g, b ? [0 … 1], h ? [0 … 6],且 s, v ? [0 … 1]。其中 HSV 空間是直方圖最常用的顏色空間。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。 顏色直方圖可以是基于不同的顏色空間和坐標(biāo)系。 顏色直方圖是在許多圖像檢索系統(tǒng)中被廣泛采用的顏色特征。在提取顏色特征時，我們首先需要選擇合適的顏色空間來描述顏色特征，然 后采用一定的量化方法將顏色特征表達(dá)為向量的形式，最后定義一種相似度（距離）標(biāo)準(zhǔn)用來衡量圖像之間在顏色上的相似性。 （ 1） 顏色特征 顏色特征是在圖像檢索中應(yīng)用最為廣泛的視覺特征，主要原因在于顏色與圖像中所包含的物體或場景緊密相關(guān)。事實上，圖像特征的不同表達(dá)方式從各個不同的角度刻畫了此特征的某些性質(zhì)。 對于某個 特定的圖像特征，通常又有多種不同的表達(dá)方法。前者用于描述所有圖像共有的特征，與圖像的具體內(nèi)容無關(guān)，主要包括色彩、紋理和形狀；后第六屆浙江省大學(xué)生電子商務(wù)競賽參賽作品 18 者則建立在對所描述圖像內(nèi)容的某些先驗知識（或假設(shè)）的基礎(chǔ)上，與具體的應(yīng)用緊密有關(guān)，例如人的面部特征或指紋特征等。在本項目中，主要針對圖像視覺特征進(jìn)行提取和表達(dá)。 圖像特征提取 圖像特征的提取是基于內(nèi)容的圖像檢索技術(shù)的基礎(chǔ)。圖像檢索所用到的基本特征大多屬于第二層特征，即顏色、紋理、形狀、輪廓空間關(guān)系等等。譬如，圖像的顏色可用 R、 G、 B 三種數(shù)值表示， 圖像中對象之間的位置關(guān)系就要用到關(guān)系表示，而語義表示方法需要對物體進(jìn)行識別和解釋，往往要借助人類的知識推理。 對特征提取技術(shù)的基本要求是準(zhǔn)確和 快速，特征選取時要考慮下列四個原則： (1)圖像的區(qū)分能力：應(yīng)能很好的區(qū)分視覺上差異較大的圖像 (2)圖像的描述能力：一次查詢中能檢索到的最大圖像數(shù) (無關(guān)圖像排除能力 (3)特征計算復(fù)雜度 (4)特征的存儲空間需求 圖像內(nèi)容可以理解為一個簡化了的層次模型，第一層為原始數(shù)據(jù)層，即圖像的原始像素點；第二層為物理特征層，反映了圖像內(nèi)容的低層物理特征，如顏色、紋理、形狀、輪廓、圖像內(nèi)容的空間關(guān)系和時間關(guān)系 (對視頻來說 )等；第三層為語義特征層，是人們 對圖像內(nèi)容概念性的反映，一般是對圖像內(nèi)容的文字性描述。視覺特征又可分為一般特征和領(lǐng)域特征，前者包括顏色、紋理、形狀和物體間方位關(guān)系等，而后者根據(jù)不同的應(yīng)用有所不同，如人臉識別、指紋識別的專有特征等。 表 Matching 表 列名 數(shù)據(jù)類型 是否允許空 是否主鍵 備注 id int 否 是 表 id userid nvarchar(40) 是 否 用戶 id imageFeatureid nvarchar(1000) 是 否 圖像 特征 表中的 id time nvarchar(20) 是 否 搜索 時間 第六屆浙江省大學(xué)生電子商務(wù)競賽參賽作品 17 算法 設(shè)計 圖像特征包括視覺特征和語義特征，如何實現(xiàn)這些特征的提取和表達(dá)是CBlR 的基礎(chǔ) 和核心技術(shù)，特征選取的好壞對整個 CBlR 系統(tǒng)有著重要的影響。 表 ImageFeature 表 列名 數(shù)據(jù)類型 是否允許空 是否主鍵 備注 id int 否 是 表 id imageInfoid nvarchar(40) 是 否 圖 像特征對應(yīng)的圖像 信息表中的 id featureContent nvarchar(1000) 是 否 特征內(nèi)容 kind nvarchar(20) 是 否 圖像 類別 time nvarchar(20) 是 否 提取特征時 間 Matching 數(shù)據(jù)表 用來記錄注冊用戶的歷史搜索記錄，為系統(tǒng)對用戶個性化設(shè)置提供數(shù)據(jù)基礎(chǔ)。 第六屆浙江省大學(xué)生電子商務(wù)競賽參賽作品 16 表 User 表 列名 數(shù)據(jù)類型 是否允許空 是否主鍵 備注 id int 否 是 表 id userName nvarchar(20) 是 否 用戶 名 passWd nvarchar(20) 是 否 登錄密碼 regTime nvarchar(20) 是 否 注冊時間 ImageFeature 數(shù)據(jù)表 用來記錄各張 商品圖像 的特征的信息 ， 包括 商品圖像特征對應(yīng)的 商品圖像 信息表中的 id，特征內(nèi)容， 商品圖像 類別等。 表 Admin 表 列名 數(shù)據(jù)類型 是否允許空 是否主鍵 備注 id int 否 是 表 id adminName nvarchar(20) 是 否 管理員名 passWd nvarchar(20) 是 否 登錄密碼 regTime nvarchar(20) 是 否 注冊時間 User 數(shù)據(jù)表 用來記錄注冊用戶信息。 第六屆浙江省大學(xué)生電子商務(wù)競賽參賽作品 15 表 ImageInfo 表 列名 數(shù)據(jù)類型 是否允許空 是否主鍵 備注 id int 否 是 表 id imageId int 否 否 圖 像 編號，對應(yīng)存儲的圖 像名稱 name nvarchar(80) 是 否 圖 像 網(wǎng)站介紹 url nvarchar(100) 是 否 圖 像 出處 url kind nvarchar(10) 是 否 類別 price nvarchar(20) 是 否 價格 production nvarchar(20) 是 否 貨物產(chǎn)地 sex char(2) 是 否 物品男 /女用 grade nvarchar(8) 是 否 商家等級 fullUrl nvarchar(210) 是 否 點擊圖像放大時顯示圖像 的url describe char(1) 是 否 該商品是否是如實描述， 0為不是， 1 為是 retire char(1) 是 否 該商品是否是7 天退換， 0為不是， 1