【正文】 征對象所在子塊坐標位置； （ ① ）計算兩幅圖像的各對應子塊的相似度； ，其他塊降低權重為 ， 。 j = 1, 2, ?, n) 的顏色對表就是該子塊與周圍子塊歐氏距離的顏色對 。193。161。 +(xn yn)2 （ ①） （ ②） 設 G和 S 表示要進行比較的兩幅圖像 , N 表示圖片中出現(xiàn)的顏色級數(shù) , gk 和 sk 分別表示圖 G和 S中 k級 色出現(xiàn)的頻數(shù) ,則兩幅圖像的相似度可用如下公式表示 : （③） . Sim 值越接近 1,兩幅圖像越相似 。 ,yk ) 為兩個圖像 , 則它們之間的距離定義為 : d2hist(x,y)=(x1 y1)2+(x2y2)2+ 161。 ,xk) , y= (y1,y2, 161。 距離度量 圖像檢索的性能不僅依賴于所抽取的圖像特征 , 而且也與所采用的距離度量或相似度量函數(shù)密切相關 . 所謂相似度量函數(shù) , 就是根據(jù)某些預先設定的準則來計算并返回兩個圖像之間的相似度 . 為了確定合適的相似度量函數(shù) , 我們對不同的距離度量進行了實驗 , 例如 , L p 距離、余弦距離等 . 我們在實驗中發(fā)現(xiàn) , 使用不同的 L p 距 離度量均能得到較滿意的檢索結果 , 并且不同的 L p 距離度量幾乎均給出相同的檢索結果 . 因此 , 我們就選取最簡單的歐氏距離作為距離度量 [7]. 設 x= (x1,x2,161。我們知道分塊太大則失去分塊的意義 ,若分塊太小則會增加檢索過程的計算量 [3]。事實上 ,顏色的不同空間分布極大地影響了人們對圖像的相似性判斷。兩幅顏色直方圖非常相似的圖像其內容可能絲毫無相似之處。全局顏色直方圖雖然具有計算 簡單 ,對平移和旋轉不敏感的優(yōu)點 ,但無法捕捉顏色組成之間的空間關系 ,丟失了圖像的空間信息。因此 ,對于一幅場景復雜的圖像 ,可以從結構分布的角度 ,用特征組合的方式描述。因為光照強度不影響圖像的內容表示 ,所以 V分量可以忽略不計。用具有視覺一致性的 HSV 顏色空間模型分析圖像顏色信息。為了避免圖像分割的困難 ,文中采用幾何劃分的方法對圖像進行局部特征提取 ,并用特征組合描述整幅圖像。一般情況下 ,圖像的目標形狀可以通過圖像分割獲得。 特征提取與圖像子塊的劃分 特征提取是圖像分析和識別的基礎。 對于基于顏色特征的圖像檢索，科學工作者們提出了多種方案。人們對于一幅圖像的印象，往往從圖像中顏色的空間分布開始。相對于幾何特征而言，顏色對圖像中子對象的大小和方向的變化都不敏感，具有相當強的魯棒性。本文主要是針對顏色特征的提取進行研究。低層次的圖像特征是形狀、紋理、顏色、輪廓等圖像某一方面的特征。這在很大程度上依賴于圖像處理技術的發(fā)展。 圖像特征的提取的方法 圖像特征提取的好壞，將 直接影響著圖像檢索系統(tǒng)的性能，特征提取是基于內容的圖像檢索的基礎。 (3).結果輸出，將滿足一定相似性條件的一組候選結果按相似度大小排列后返回給用戶。 (2).圖像匹配 在選取了特征之后，需要選擇或尋找適當?shù)呐袆e準則，從而判斷出待識別的圖像的特征與數(shù)據(jù)庫中的哪些圖像的特征最接近。 基于內容的圖像檢索是一個逐步求精的過程，大致可以經(jīng)過以下幾個步驟 : (1).特征提取 對圖像數(shù)據(jù)進行自動或半自動的特征提取，提取用戶感興趣的、適合檢索要求的特征。目前這種較成熟的檢索技術主要應用于圖像數(shù)據(jù)庫的檢索。將該圖像的特征向量和特征庫中的特征向量進行匹配，根據(jù)匹配的結果到圖像庫中搜索就可以提取出所需要的檢索圖。基于內容的圖像檢索 (CBIR) 所謂基于內容圖像的檢索是指由圖像分析軟件對輸入的圖像先進行圖像分析，根據(jù)圖像中物體或區(qū)域的顏色 (color)、形狀(shape)或紋理 (texture)等特征以及這些特征的組合，自動抽取特征，在將輸入圖像存入圖像庫的同時將其相應的特征向量也存入與圖像庫相連的特征庫。在進行檢索圖像時，對每一幅給定的查詢圖，進行圖像分析，并提取圖像特征向量。這是一種基于圖像固有屬性的機械匹 配，特別適用于檢索目標明確的查詢要求(例如對商標的檢索 )，產生的結果也比較準確。在基于 Web的圖像搜索引擎中應用這種檢索技術雖還具有一定的困難，但已有部分圖像搜索引擎進行了嘗試，如、 yahoo, WebSEEK就提供了基于圖像的形狀或顏色直方圖的粗陋的可視檢索功能。特征提取可 以是全局性的，如整幅圖像，也可能是針對某個目標，如圖像中的子區(qū)域等。常用的度量準則是距離度量法。 (4).特征調整，對系統(tǒng)返回的結果可通過瀏覽來挑選，直至找到滿意的結果，或從候選結果中選擇一個示例，經(jīng)過特征調整，形成一個新的查詢。特征的提取可以分為手工提取、半自動提取和自動提取。 從圖像中提取出來的圖像特征，主要分為三個層次 :低層次、中層次和高層次。高層次的圖像特征是在圖像中層次特征基礎上的再一次抽象，它賦予圖像一定的語義信息，是圖像所包含內容的一種抽象概括，也是基于內容的圖像檢索所要達到的最終目標。 基于顏色特征的圖像檢 索 在圖像的形狀、顏色、紋理等特征中，顏色特征是最顯著、最可靠、最穩(wěn)定的視覺特征，是人識別圖像的主要感知特征。同時，在許多情況下，顏色又是描述一幅圖像最簡便而有效的特征。所有這些都促使顏色成為基于內容的圖像檢索所采取的主要手段之一。譬如顏色直方圖、主色調、顏色矩 (Color Moments)，顏色集 (Color sets)、聚類、掃描線投影等檢索算法，顏色直方圖是目前較常使用的檢索方法。特征提取的方法是決定圖像檢索系統(tǒng)效率的關鍵。但是 ,圖像分割是圖像分析中公開的難題 ,尤其對于場景復雜的圖像 ,通過分割直接提取有意義的形狀特征幾乎是不可能的。本文將圖像劃分成大小相等的柵格狀區(qū)域 ,提取每塊的顏 色直方圖作為特征矢量。為了減少計算復雜性 ,將 HSV 空間的每一維分量都均勻量化為 10 份。這樣計算顏色直方圖時 ,通過劃分后 ,每一個塊的特征包含了顏色的局部分布信息 ,而所有塊的空間分布 ,又反映了圖像內容的顏色模式結構。 在基于劃分的特征表示方法中 ,劃分尺度的選擇直接影響圖像內容描述的有效性 [6] 。這無疑是不夠準確的。因此 ,在基于顏色的圖像檢索中引入空域的信息對于確保檢索精度是十分重要的。鑒于此 ,解決方法之一就是基于圖像空間的固定劃分 ,即人為地將圖像劃分成適當?shù)姆謮K ,然后為每個分塊提取相應的局部顏色特征。圖３ .１ 顯示了分別劃分成 4 塊和 16 塊的情形 ,當然我們可以劃分更多的子塊 ,劃分的子塊越多 ,圖像的距離矩陣攜帶的空間信息越完備 ,檢索精度也越高 ,計算復雜度也越高。 161。 161。 161。 161。 設圖像 G分割成 (m 161。n) 個子塊 ,用顏色對來表示圖像 G的特征 ,如果顏色對的值用兩個子塊顏色直方圖的歐氏距離表示 ,則圖 G中子塊 Gij ( i = 1, 2, ?, m。 為了消除顏色噪聲 , 若圖像 G中子塊 Gij 的顏色對表中任意兩個顏色對值之差小于某一閾值 ,則刪除其中一個顏色對 。 相似度結果記錄放入數(shù)組中。 改進的顏色直方圖實現(xiàn)算法描述 結合前面顏色直方圖的實現(xiàn)思路，提出了些改進，其具體實現(xiàn)過程如下： 關鍵圖； ，并計算子塊直方圖，即用戶選定包含查詢圖像的子塊； (x,y)的顏色對表，采取“八方向鄰接技術”計算這些子塊與周圍相鄰子塊的顏色對表，用 calcuatecolorpair()函數(shù)實現(xiàn)； ，以消除顏色澡聲； ，并對其從大到小排列，給定一個域值，選取顏色對表中最大的幾個顏色對做為圖像的代表特征； ，讀取待比較的Ｎ幅圖像，計算當前被比較的圖像的顏色直方圖，搜索目 標圖像的每一子塊的顏色對表 ,匹配時不能使用精確匹配，因此顏色對誤差小于 2%也屬于該匹配值； ，按順序計算目標圖像中一子塊與其同周圍子塊的顏色對，然后在用戶輸入的圖像顏色對表中查詢計算出來的顏色對，差值小于某域值，則匹配到，并置顏色匹配對標志； 60%以上的特征顏色匹配到，就說明該圖像被檢索到； 。 C++是 最流行的面向對象語言之一，支持對象、類、方法、消息等概念，同時也支持面向對象方法的封裝機制和繼承、多態(tài)性機制。 Visual C++ 是 Microsoft 公司推出的基于 Windows 的可視化集成開發(fā)環(huán)境，將編輯、編譯、鏈接和執(zhí)行集成為一體，能用它來開發(fā) 32 位程序。 系統(tǒng)結構 系統(tǒng)結構圖 圖像查詢流程 圖 主要類方法和數(shù)據(jù)結構 位圖類 該系統(tǒng)的實現(xiàn)，沒有采用數(shù)據(jù)庫的形式，直接以文件夾的形式調用圖像庫。 virtual ~CPicture()。 HGLOBAL hGlobal。 HBITMAP LoadPicture(char * FileName, HDC hdc)。 HDC _GetDC ( VOID )。 DWORD _GetWidth ( VOID )。 BOOL DrawPicture(HDC hdc,long x,long y,long cx,long cy)。 CImageRetrievalDlg類 class CImageRetrievalDlg { public: void ShowPic(CString pathfile,int idc)。 strfile1)。 strfile2)。 //計算顏色直方圖 void HistogramShow(int idc)。 //計算子塊的顏色對表 void SortColorPair()。 //部分方法略 protected: //部分變量定義略 struct pairs { int x1。 double o_dis1。 struct obj_sets { int x。 }obj_set[4]。 主要程序界面 打開關鍵圖： 指定關鍵圖子塊位置 顯示關鍵圖直方圖 選擇圖像庫 實驗結果 以藍天白云為例 關鍵圖：路徑為 \2020519\樣本 \ 圖像庫：路徑為 \2020519\圖像庫 \clouds 檢索結果： 用戶指定一個檢索圖像 , 系統(tǒng)從圖像庫中自動檢索與檢索圖像最相似的圖像 ,檢索結果按距離的降序排列 。 附錄 主要函數(shù)： // picture中顯示圖片 void CImageRetrievalDlg::ShowPic(CString pathfile,int idc) { CBitmap hbmp。 //將 pStatic指向要顯示的地方 CStatic *pStaic。 //裝載資源 hbitmap=(HBITMAP)::LoadImage (::AfxGetInstanceHandle(),pathfile, IMAGE_BITMAP,0,0,LR_LOADFROMFILE|LR_CREATEDIBSECTION)。 //獲取圖片格式 BITMAP bm。bm)。 (GetDC())。 CRect lRect。lRect)。 //顯示位圖 pStaicGetDC()StretchBlt( , ,(),(), amp。 (amp。 pStaicReleaseDC(amp。 } //打開關鍵圖 void CImageRetrievalDlg::OnOpenImage() { CFileOpen fileOpenDlg(TRUE)。