融合多特征的圖像檢索算法*

，謝 備，向旭宇，于文濤，易積政

(中南林業(yè)科技大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，長沙 410004)

融合多特征的圖像檢索算法*

秦姣華**，謝 備，向旭宇，于文濤，易積政

(中南林業(yè)科技大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，長沙 410004)

針對單一特征不能很好地表述圖像的問題，提出了一種融合多特征的圖像檢索算法。首先，提取查詢圖像和圖像庫中樣本圖像的GIST(Generalized Search Tree)特征，用歐氏距離衡量圖像間的GIST相似度值，根據(jù)查詢圖像的GIST特征在圖像庫中進(jìn)行檢索，將結(jié)果按相似度進(jìn)行排序；然后，提取查詢圖像和返回結(jié)果中前k幅圖像的尺度不變特征變換(SIFT)特征，使用BBF(Best Bin First)算法進(jìn)行特征匹配；最后，通過特征點(diǎn)匹配點(diǎn)對數(shù)排序并返回檢索結(jié)果。實(shí)驗(yàn)在改進(jìn)的Corel1000數(shù)據(jù)集上進(jìn)行，與傳統(tǒng)的單特征圖像檢索算法對比，提出的圖像檢索算法不僅提高了檢索準(zhǔn)確率，而且獲得了較好的檢索效率。

圖像檢索;圖像匹配；GIST特征；SIFT特征；特征提取

1 引 言

隨著成像傳感器和互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，圖像數(shù)據(jù)的種類和數(shù)量與日俱增，如何從海量的圖片庫中快速、準(zhǔn)確地找到滿足用戶需求的圖像成為當(dāng)前研究的熱點(diǎn)。早期的圖像檢索主要依靠關(guān)鍵字或文本描述圖像，然后利用文本匹配進(jìn)行查詢。基于文本的圖像檢索方法事先需要對圖像進(jìn)行人工標(biāo)注，人為的注釋具有不充分、主觀、費(fèi)時(shí)費(fèi)力等缺點(diǎn)，無法滿足需求。

基于內(nèi)容的圖像檢索(Content-Based Image Retrieval，CBIR)根據(jù)圖像的顏色、紋理、形狀、位置等底層特征提取內(nèi)容特征向量并從圖像庫中找出與查詢圖像的特征向量最接近的圖像集作為檢索結(jié)果。隨著圖像數(shù)據(jù)庫的爆炸式增長以及支持向量機(jī)[1](Support Vector Machine，SVM)、AdaBoost[2-3]等方法的興起，機(jī)器學(xué)習(xí)已廣泛用于圖像檢索問題。隨著人們隱私保護(hù)意識的提高，加密圖像檢索[4]以及圖像取證技術(shù)[5-6]也是一個(gè)新的研究熱點(diǎn)與方向。但是，無論是圖像檢索還是加密圖像檢索，提取能有效表征圖像內(nèi)容的特征是實(shí)現(xiàn)圖像檢索的關(guān)鍵。

隨著對CBIR研究工作的不斷深入，基于不同內(nèi)容特征的圖像檢索算法層出不窮。Oliva 和Torralba將整幅圖像看成一個(gè)整體，通過事先設(shè)計(jì)好的特征算子對其進(jìn)行特征檢測，用計(jì)算得出的多維特征記錄相關(guān)類別信息，提出GIST(Generalized Search Tree) 特征[7]，對場景圖像的分類與檢索十分有效。GIST特征雖然擁有很多優(yōu)勢但相應(yīng)的也存在一些缺點(diǎn)，如稀疏網(wǎng)格計(jì)算會(huì)造成信息丟失等。Vedran和Ljubovic等[8]在顏色特征提取過程中結(jié)合模糊數(shù)學(xué)方法，提出了一種模糊顏色直方圖(Fuzzy Color Histogram，F(xiàn)CH)算法,相對于傳統(tǒng)的基于顏色特征算法，結(jié)合模糊數(shù)學(xué)的FCH檢索效果明顯提升。文獻(xiàn)[9]針對視覺詞袋(Bag of Visual Word，BOVW)模型放棄圖像空間結(jié)構(gòu)的缺點(diǎn),提出了一種基于Hesse稀疏編碼的圖像檢索算法。Lowe[10]提出的尺度不變特征轉(zhuǎn)換(Scale-Invariant Feature Transform，SIFT)方法，采用高斯差(Difference of Gaussian，DoG)算子尋找感興趣點(diǎn)，并用主方向和方向直方圖描述特征點(diǎn)。SIFT 特征對圖像的旋轉(zhuǎn)、尺度縮放、亮度變化保持不變，對視角變化、仿射變換和噪聲也比較穩(wěn)定，而且特征的獨(dú)特性好、信息量豐富、易于產(chǎn)生，但仍然存在實(shí)時(shí)性不高、特征點(diǎn)較少時(shí)對邊緣光滑的目標(biāo)無法準(zhǔn)確提取特征點(diǎn)等缺點(diǎn)。文獻(xiàn)[11]針對SIFT特征點(diǎn)匹配存在準(zhǔn)確率和耗時(shí)等問題，提出了一種新的基于SIFT的圖像檢索特征改進(jìn)方法。Bay等[12]用大小不同的方框與圖像做卷積以近似SIFT中的高斯卷積，提出SIFT的加速版本即加速穩(wěn)健特征(Speeded Up Robust Features，SURF)。Chen和Hsieh等[13]將SIFT特征表征為二進(jìn)制數(shù)，大大提高了SIFT特征之間的相似性計(jì)算時(shí)間，并根據(jù)二進(jìn)制化的特征用哈希方法去檢索圖像提高了檢索效率。

然而,單純用單個(gè)特征要想從圖像庫中提取具有相同構(gòu)造或特征的圖像的細(xì)節(jié)有一定難度。有些局部特征雖然能夠較好地處理局部特征點(diǎn)，得到較為滿意的匹配結(jié)果，但是也存在運(yùn)算速度慢、特征點(diǎn)數(shù)量和感興趣區(qū)域存在較大相關(guān)性、不同圖像特征點(diǎn)數(shù)量出入較大的問題。因此,用單個(gè)底層特征做檢索都會(huì)得到不盡人意的結(jié)果。本文在單底層特征提取的基礎(chǔ)上，提出一種融合多底層特征的圖像檢索算法，獲得了較好的檢索性能。

2 單底層特征提取算法

2.1GIST特征提取

利用GIST特征可以較好地表征圖像的場景信息[14]。假設(shè)待處理的原始灰度圖像為I(x,y)，其尺寸為M×N，首先將其劃分為nb×nb的塊，用ng=nb×nb記錄塊總數(shù)。對圖像劃分后的不同的塊進(jìn)行標(biāo)記，用Bi表示，其中i=1,2,…,ng。為便于計(jì)算和處理，每一塊區(qū)域都是等大的，其尺寸為M′×N′。

Gabor濾波器母小波表式如下：

(1)

式中：x和y表示像素點(diǎn)的位置信息，σx和σy表示x軸與y軸的Gaussian標(biāo)準(zhǔn)差，f0表示中心頻率，φ表示相位偏移。

對母小波進(jìn)行數(shù)學(xué)變換，即可得到一組不同尺度、不同方向的Gabor 濾波器，具體計(jì)算公式如下：

(2)

式中：a-m表示尺度因子，θ表示旋轉(zhuǎn)角度，m表示尺度數(shù)，n表示方向數(shù)。

計(jì)算獲得的Gabor濾波器共有m×n個(gè)，先對原圖像中劃分出來的不同區(qū)域都實(shí)現(xiàn)同樣的處理，再采用級聯(lián)運(yùn)算，所得即為圖像的塊GIST特征，表示如下：

(3)

式中：GB表示塊GIST特征，維數(shù)為m×n×M′×N′;cat()表示級聯(lián)運(yùn)算;* 表示卷積運(yùn)算。

對于每一個(gè)不同的濾波器，將所得的塊GIST特征進(jìn)行平均運(yùn)算，再把計(jì)算結(jié)果按行整合，即得到圖像的全局GIST特征，表示如下：

(4)

2.2SIFT特征提取

SIFT算子是一種基于尺度空間的對圖像縮放旋轉(zhuǎn)甚至仿射變換保持不變性的圖像局部特征描述算子，SIFT算法的本質(zhì)是在尺度空間下，通過尋找極值點(diǎn)來提取極值點(diǎn)的方向、尺寸和位置不變量。其具體的提取過程如下：

Step1 尺度空間的建立。首先對一副尺寸為M×N的圖像I(x,y)進(jìn)行高斯平滑建立高斯金字塔，在第1階尺度空間建立s+3層高斯圖像。高斯卷積核定義如下：

G(x,y,σ)=1/2πσ2e-(x2+y2)/2σ2。

(5)

其中:x和y表示像素點(diǎn)的位置信息，σ表示尺度因子。

最底層的Gaussian圖像為

L(x,y,σ)=G(x,y,σ)*I(x,y) 。

(6)

D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]*I(x,y) 。

(7)

金字塔的階數(shù)根據(jù)原圖像和塔頂圖像的大小共同決定,計(jì)算公式如下：

n=lb{min(M,N)}-t，t∈lb{min(M,N)} 。

(8)

式中：t為塔頂圖像最小維數(shù)的對數(shù)值。

Step2 關(guān)鍵點(diǎn)的確定。對于DoG尺度空間圖像中的每個(gè)像素比較與它鄰近的26個(gè)像素的值(上一層9個(gè)像素點(diǎn)+同層8個(gè)像素點(diǎn)+下一層9個(gè)像素點(diǎn))，如果一個(gè)像素(x,y)的值是局部極值，則將該點(diǎn)為加入SIFT候選關(guān)鍵點(diǎn)集合。

通過擬合三維二次方程,可以找到低對比度的點(diǎn)予以剔除。對D(x,y,σ)在局部極值點(diǎn)(x0,y0,σ0)進(jìn)行泰勒展開至二次項(xiàng)得到

(9)

式中：X=(x,y,σ)T表示樣本點(diǎn)的偏移。對上式求導(dǎo)即可得到極值點(diǎn)

(10)

將式(10)代回到式(9)，得到

(11)

通過計(jì)算Hessian 矩陣找到邊緣處的點(diǎn)予以剔除。Hessian 矩陣如下：

(12)

式中：Dxx、Dxy等可由采樣點(diǎn)相鄰差估計(jì)得到。

設(shè)α和β表示H特征值，分別記錄x和y方向的梯度，計(jì)算 Hessian 矩陣的跡和行列式如下：

Tr(H)=Dxx+Dyy=α+β,

(13)

Det(H)=DxxDyy-(Dxy)2=αβ。

(14)

假設(shè)α為H較大的特征值，β為H較小的特征值，令α=rβ，則

(15)

Step3 關(guān)鍵點(diǎn)方向參數(shù)的確定。計(jì)算每個(gè)關(guān)鍵點(diǎn)一個(gè)鄰近窗口所有采樣點(diǎn)的梯度大小和方向，公式如下：

(16)

(17)

式中：m(x,y)表示梯度大小，θ(x,y)表示梯度方向。

統(tǒng)計(jì)36個(gè)方向的梯度直方圖，直方圖峰值所在的方向就代表了該關(guān)鍵點(diǎn)的主方向。采樣點(diǎn)相對于中心的關(guān)鍵點(diǎn)梯度方向信息貢獻(xiàn)的權(quán)重，就是該采樣點(diǎn)的梯度的大小乘上一個(gè)高斯分布函數(shù)。將直方圖中為峰值80%以上的方向作為關(guān)鍵像素的輔方向，這種情況只需復(fù)制關(guān)鍵像素使它們朝不同的方向即可。至此，已經(jīng)找到了關(guān)鍵像素的所在尺度和具體方位。

Step4 關(guān)鍵點(diǎn)特征描述。將坐標(biāo)軸旋轉(zhuǎn)到關(guān)鍵像素的方向，然后以關(guān)鍵像素為中心，取16×16的窗口，將這個(gè)窗口分成4×4的子窗口，同時(shí)采用高斯模糊的方法，增加與關(guān)鍵點(diǎn)較近鄰域的權(quán)重值,并降低與關(guān)鍵點(diǎn)較遠(yuǎn)鄰域的權(quán)重值。計(jì)算每個(gè)子區(qū)域中8個(gè)方向的梯度累加值,得到4×4×8=128維的特征描述子。

3 基于多底層特征融合算法

3.1多特征融合思路

本文采取一種對圖像進(jìn)行初分類的方法以提高檢索效率。人們通過人眼感知去識別圖像時(shí)，是一個(gè)先整體后局部的過程，在考慮圖像整體感官上是否相似后，再考慮局部是否更加相似。融合算法構(gòu)思流程如圖1所示。GIST對場景圖像的分類和檢索十分有效，但是GIST作為一個(gè)全局特征也具有全局特征的通病——細(xì)節(jié)分辨能力不足,而SIFT作為一種局部特征剛好能彌補(bǔ)GIST特征的缺點(diǎn)。

圖1 融合算法構(gòu)思流程Fig.1 Conception process of fusion algorithm

根據(jù)初分類以及先整體后局部的思想融合GIST和SIFT特征，融合流程圖如圖2所示。首先，對原始圖像進(jìn)行預(yù)處理并存儲為圖像庫，提取圖像庫中圖像的GIST特征存儲為特征庫，根據(jù)查詢圖像的GIST特征在特征庫中進(jìn)行匹配，返回初分類結(jié)果;然后,提取查詢圖像與初分類結(jié)果的SIFT特征，并根據(jù)點(diǎn)對匹配算法進(jìn)行匹配;最后,返回檢索結(jié)果。

圖2 融合算法流程圖Fig.2 Flow chart of fusion algorithm

3.2基于BBF的特征匹配算法

每種特征描述算法對圖像的表達(dá)形式都不盡相同，因此它們的相似性度量也不盡相同。GIST特征向量是單個(gè)向量，因此其相似性度量相比SIFT特征而言更簡單，可以直接采用相似性距離公式計(jì)算相似度。本文采用歐氏距離[15]作為相似性度量函數(shù)，公式如下：

(18)

SIFT特征點(diǎn)的匹配即是找出兩幅圖像中最相似的點(diǎn)對，取圖像中某個(gè)關(guān)鍵點(diǎn)，找出另一幅圖像中與其相似性距離最近的前兩個(gè)關(guān)鍵點(diǎn)。如果關(guān)鍵點(diǎn)最近鄰距離與次近鄰距離之比小于某個(gè)閾值，則接受這一對匹配點(diǎn)。

令ratio=d1/d2，d1為最近鄰距離，d2為次近鄰距離。

定義匹配函數(shù)M(ratio)如下：

(19)

對于查詢圖中的每一個(gè)特征點(diǎn)特征向量,需要比較它與其他圖中所有特征向量的相似性距離。本文采用歐氏距離作為描述向量的距離函數(shù)。明顯地，窮舉搜索可以實(shí)現(xiàn)精確定位，但實(shí)際應(yīng)用中卻十分低效。在準(zhǔn)確性與效率之間權(quán)衡，本文選擇BBF[16]搜索算法。具體特征點(diǎn)匹配算法如下：

輸入：特征向量集DES1、DES2，DES1、DES2特征向量個(gè)數(shù)為m、n。

輸出：有效匹配的特征向量對矩陣des1、des2，成功匹配對數(shù)pair。

Step1 初始化des1←φ，des2←φ，pair=0。

Step2 用 KD-Tree 為DES2的全部元素建立索引。

Step3 fori=1,…,mdo

DES1=[U1；U2；…；Um],

DES2=[V1；V2；…；Vn]。

Step4 根據(jù)BBF搜索算法取DES1中Ui在KD-Tree中的近似2近鄰得Vj、Vk。

Step6 else剔除Ui(Ui不存在有效匹配點(diǎn))。

Step7 end for。

3.3融合GIST與SIFT的檢索系統(tǒng)與算法設(shè)計(jì)

每種單一特征描述算法對圖像內(nèi)容的表達(dá)側(cè)重點(diǎn)都不盡相同，因此使用單一特征描述圖像并檢索時(shí)，得出的結(jié)果總是會(huì)顧此失彼。GIST是從全局的角度出發(fā)提取圖像的全局特征，是一種宏觀的描述方法，忽略了圖像的局部特點(diǎn)。SIFT則是對圖像局部的描述。對于“大街上有一些行人”這個(gè)場景，我們開始無需知道圖像中在哪些位置有多少人，人長得什么樣或者有其他什么對象，所以可通過GIST特征確定圖像是否為同樣或者相似的場景，然后再通過局部特征辨認(rèn)圖像是否有相似的行人等對象。GIST特征與SIFT特征在某種程度上存在一定的優(yōu)劣互補(bǔ)的關(guān)系,因此,本文設(shè)計(jì)了一種融合GIST與SIFT的圖像檢索算法,步驟如下:

Step1 根據(jù)GIST提取算法提取圖像庫所有圖像的GIST特征保存為矩陣G。

Step2 提取查詢圖像的GIST特征向量g。

Step3 根據(jù)歐氏距離公式(18)計(jì)算向量g與矩陣G每一行向量的距離R。

Step4 升序排列R并返回前k個(gè)結(jié)果。

Step5 提取前k個(gè)結(jié)果對應(yīng)圖像庫圖像的SIFT特征形成特征集S。

Step6 提取查詢圖像的SIFT特征，并根據(jù)特征匹配算法計(jì)算查詢圖像SIFT特征與特征向量集S的有效匹配向量對數(shù)T。

Step7 降序排列T，返回前m個(gè)結(jié)果所對應(yīng)的圖像集。

3.4圖像檢索的評價(jià)準(zhǔn)則

在本文中我們使用查全率(R)、查準(zhǔn)率(P)、綜合評價(jià)指標(biāo)F1-measure[17]以及平均準(zhǔn)確率(MAP)來衡量檢索算法的性能。

(20)

(21)

式中：N表示檢索相關(guān)圖像個(gè)數(shù)，M表示檢索結(jié)果總數(shù)，S表示相關(guān)圖像總數(shù)。

F1-measure定義為

(22)

平均準(zhǔn)確率的計(jì)算如下：

(23)

4 實(shí)驗(yàn)結(jié)果與分析

4.1測試圖像庫

Corel1000 數(shù)據(jù)集[18]包含人物、沙灘、建筑、公汽、恐龍、大象、鮮花、駿馬、山脈、美食10類圖像，一共9 144幅圖像，在形狀上有顯著的差異，每類圖像數(shù)量100幅。本文從Corel1000 數(shù)據(jù)集中每類隨機(jī)取20幅圖像，并分別對圖像進(jìn)行模糊處理、仿射變換、亮度變化以及遮擋處理，一共形成1 000幅圖像的Corel1000測試圖像數(shù)據(jù)集。圖3是這10類中每類選取了一幅圖像進(jìn)行顯示。

圖3 Corel1000測試圖像數(shù)據(jù)集部分圖像Fig.3 A part of Corel1000 test image dataset

4.2實(shí)驗(yàn)結(jié)果與分析

本文在測試圖像數(shù)據(jù)集中進(jìn)行實(shí)驗(yàn)。SIFT算法中相關(guān)參數(shù)設(shè)定ε=0.6；GIST算法中相關(guān)參數(shù)設(shè)定為m=4，n=8；融合算法中相關(guān)參數(shù)設(shè)定k=100，m=20。如果k取值太大會(huì)造成后面SIFT點(diǎn)匹配用時(shí)太長，達(dá)不到實(shí)時(shí)性的效果，因?yàn)閳D像庫中每一類圖像為100張，作為折中考慮，這里k取值100，即返回100個(gè)最近鄰，達(dá)到一個(gè)初分類的目的。在每一類圖像中，以20個(gè)未作變換的原始圖像為查詢圖像進(jìn)行檢索，返回前20個(gè)結(jié)果。圖4是Corel1000測試圖像數(shù)據(jù)集上本文檢索算法、GIST特征檢索算法、SIFT特征檢索算法和紋理特征檢索算法綜合評價(jià)指標(biāo)F1-measure對比圖，紋理特征提取的是圖像的灰度共生矩陣，對共生矩陣計(jì)算能量、熵、慣性矩、相關(guān)4個(gè)紋理參數(shù)，取這4個(gè)參數(shù)的均值和標(biāo)準(zhǔn)差作為最終的紋理特征。圖中橫坐標(biāo)表示圖像的類別，縱坐標(biāo)是F1-measure值。

圖4 Corel1000測試數(shù)據(jù)集各類算法F1-measure對比圖Fig.4 The F1-measure contrastive figure among different algorithms on Corel1000 test dataset

圖5是本文算法在Corel1000測試數(shù)據(jù)集部分檢索結(jié)果示例圖，返回前20個(gè)檢索結(jié)果圖像。

圖5 本文算法在Corel1000測試數(shù)據(jù)集檢索結(jié)果示例Fig.5 Results of proposed algorithm on Corel1000 test dataset

從圖4中可以看出本文算法與基于SIFT特征以及紋理特征(灰度共生矩陣)的圖像檢索算法相比，綜合評價(jià)指標(biāo)在很大程度上也得到了提高,與GIST算法的綜合評價(jià)指標(biāo)相當(dāng)。然而對于圖像檢索來說，人們更關(guān)心的是兩張圖片的主體是否是同一事物以及返回結(jié)果中相似圖像的排序問題，因此在計(jì)算MAP值時(shí)以原圖像以及4種變換后的圖像作為相關(guān)圖像。圖6是本文算法、GIST算法以及SIFT算法平均準(zhǔn)確率的對比結(jié)果。

圖6 Corel1000測試數(shù)據(jù)集各類算法MAP值對比

從圖6中可以看出本文檢索算法比GIST檢索算法在平均準(zhǔn)確率上有較大的優(yōu)勢，但是不及SIFT算法。在圖像檢索中檢索的實(shí)時(shí)性也是衡量檢索性能的一個(gè)很重要的指標(biāo)。圖7是本文檢索算法、GIST算法、SIFT算法檢索時(shí)間性能對比結(jié)果，可以看到本文算法的檢索時(shí)間雖然高于GIST算法，但遠(yuǎn)遠(yuǎn)低于SIFT算法，能夠保證實(shí)際檢索中實(shí)時(shí)性的要求。

圖7 本文檢索算法與各類算法檢索時(shí)間性能對比結(jié)果Fig.7 The time contrastive figure between proposed algorithm and other algorithms

綜合以上實(shí)驗(yàn)結(jié)果可看出,在F1-measure相當(dāng)?shù)那闆r下，本文算法MAP值遠(yuǎn)高于GIST算法。而且實(shí)驗(yàn)證明GIST算法對圖像的仿射變換(拍攝視角的變化)表現(xiàn)力極差，GIST算法只能表現(xiàn)圖像的場景特征，對圖像中具體的局部特征無法表達(dá)，而用戶往往更關(guān)心圖像中最主要的物體，GIST特征無法定位用戶的需求。因此，綜合比較可知，本文算法比GIST單特征算法性能優(yōu)越。本文算法在一定程度上融合了GIST與SIFT的優(yōu)點(diǎn)，對同一種或具有局部相似性的場景或物體以及對圖像的模糊、遮擋、仿射以及亮度變化等都具有非常好的表現(xiàn)力，較好的實(shí)時(shí)性也符合真實(shí)的應(yīng)用環(huán)境。

5 結(jié)束語

本文提出了一種融合多底層特征的圖像檢索算法。通過對圖像庫中的圖像進(jìn)行GIST特征提取，根據(jù)歐氏距離返回查詢圖像與圖像庫中k個(gè)最近鄰的結(jié)果，再提取查詢圖像與k個(gè)最近鄰圖像的SIFT特征，采用BBF算法進(jìn)行點(diǎn)對匹配，最后根據(jù)點(diǎn)對匹配數(shù)返回檢索結(jié)果。在Corel1000改進(jìn)的數(shù)據(jù)集上進(jìn)行了相關(guān)的檢索實(shí)驗(yàn)測試，結(jié)果表明本文提出的檢索算法與單特征算法相比，不僅提高了檢索精度，而且在檢索實(shí)時(shí)性上還也有較好的性能。本文算法耗時(shí)主要在局部特征匹配上，下一步可研究對局部特征點(diǎn)進(jìn)行降維以進(jìn)一步提升檢索系統(tǒng)的實(shí)時(shí)性。

[1] 劉嵐,雷詠梅,尹京苑,等. 改進(jìn)型ICA和SVM相結(jié)合的火山灰云遙感檢測[J].電訊技術(shù),2016,56(1):88-92. LIU Lan,LEI Yongmei,YIN Jingyuan,et al.Remote sensing of volcanic ash cloud based on improved ICA and SVM[J].Telecommunication Engineering,2016,56(1):88-92.(in Chinese)

[2] 楊新武,馬壯,袁順. 基于弱分類器調(diào)整的多分類Adaboost算法[J].電子與信息學(xué)報(bào),2016,38(2):373-380. YANG Xinwu,MA Zhuang,YUAN Shun.Multi-classifier Adaboost algorithm based on weak classifier[J].Journal of Electronics and Information Technology,2016,38(2):373-380.(in Chinese)

[3] 畢雪芹,惠婷. 基于膚色分割與AdaBoost算法的人臉檢測[J].國外電子測量技術(shù),2015(12):82-86. BI Xueqin,HUI Ting. Face detection based on skin color segmentation and AdaBoost algorithm[J].Foreign Electronic Measurement Technology,2015(12):82-86.(in Chinese)

[4] 黃冬梅,耿霞,魏立斐,等. 基于Henon映射的加密遙感圖像的安全檢索方案[J].軟件學(xué)報(bào),2016,27(7):1729-1740. HUANG Dongmei,GENG Xia,WEI Lifei,et al.Secure retrieval scheme of encrypted remote sensing image based on Henon mapping[J].Journal of Software,2016,27(7):1729-1740.(in Chinese)

[5] 馮丙文,翁健,盧偉. 基于隱私保護(hù)的數(shù)字圖像取證外包技術(shù)框架研究[J].網(wǎng)絡(luò)與信息安全學(xué)報(bào),2016,2(8):23-31. FENG Bingwen,WENG Jian,LU Wei. Research on the framework of digital image forensics outsourcing based on privacy protection[J].Chinese Journal of Network and Information Security,2016,2(8):23-31.(in Chinese)

[6] 徐俊瑜,杜思良,李煜祺,等. 數(shù)字圖像被動(dòng)取證技術(shù)[J].指揮信息系統(tǒng)與技術(shù),2016,7(1):7-12. XU Junyu,DU Siliang,LI Yuqi,et al.Passive forensics technology of digital image[J].Command Informatipn System and Technology,2016,7(1):7-12.(in Chinese)

[7] 楊昭,高雋,謝昭. 局部GIST特征匹配核的場景分類[J].中國圖象圖形學(xué)報(bào),2013,18(3):264-270. YANG Zhao,GAO Jun,XIE Zhao,et al.Scene classification based on local GIST feature matching kernel[J].Journal of Image and Graphics,2013,18(3):264-270.(in Chinese)

[8] SUPIC H,LJUBOVIC V. A compact color descriptor for image retrieval[C]//Proceedings of 2013 XXIV International Symposium on Information,Communication and Automation Technologies(ICAT). Sarajevo,Bosnia:IEEE,2013:1-5.

[9] 王瑞霞,彭國華. n-words模型下Hesse稀疏表示的圖像檢索算法[J].電子與信息學(xué)報(bào),2016,38(5):1115-1122. WANG Ruixia,PENG Guohua. Image retrieval algorithm based on Hesse sparse representation in n-words mode[J].Journal of Electronics and Information Technology,2016,38(5):1115-1122.(in Chinese)

[10] LOWE D G. Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.

[11] 王凡. 基于SIFT的圖像檢索特征改進(jìn)方法[J].數(shù)字技術(shù)與應(yīng)用,2016(1):139-141. WANG Fan. An improved method for image retrieval based on SIFT[J].Digital Technology and Application,2016(1):139-141.(in Chinese)

[12] BAY H,TUYTELAARS T,VAN GOOL L. Surf:speeded up robust features[C]//Proceedings of 2006 European Conference on Computer Vision.Graz,Austria:IEEE,2006:404-417.

[13] CHEN C C,HSIEH S L. Using binarization and hashing for efficient SIFT matching[J].Journal of Visual Communication and Image Representation,2015,30(C):86-93.

[14] 徐婷. 基于視覺注意模型和GIST特征的圖像檢索方法[D].桂林：廣西師范大學(xué),2014. XU Ting. Image retrieval method based on visual attention model and Gist feature [D].Guilin:Guangxi Normal University,2014.(in Chinese)

[15] ZHENG Y H,JEON B,XU D H,et al.Image segmentation by generalized hierarchical fuzzy C-means algorithm[J].Journal of Intelligent and Fuzzy Systems，2015,28(2):961-973.

[16] 李昆侖,孫碩. 基于改進(jìn)SIFT算法的圖像復(fù)制粘貼篡改檢測[J].計(jì)算機(jī)科學(xué),2016,43(S1):179-183. LI Kunlun,SUN Shuo. Image copy paste tampering detection based on improved SIFT algorithm[J].Computer Science,2016,43(S1):179-183.(in Chinese)

[17] POWERS D M W. Evaluation:from precision,recall and F-measure to ROC,informedness,markedness & correlation[J].Journal of Machine Learning Technologies,2011,2(1):37-63.

[18] 朱凌云,朱征宇,齊新勇. 融合多種內(nèi)容特征的圖像檢索算法[J].計(jì)算機(jī)與現(xiàn)代化,2015,25(9):17-21. ZHU Lingyun,ZHU Zhengyu,QI Xinyong. An algorithm for image retrieval based on multiple features[J].Computer and Modernization,2015,25(9):17-21.(in Chinese)

AnImageRetrievalAlgorithmBasedonMulti-featureFusion

QIN Jiaohua，XIE Bei，XIANG Xuyu，YU Wentao，YI Jizheng

(College of Computer Science and Information Technology,Central South University of Forestry and Technology,Changsha 410004,China)

In order to solve the problem that the single feature cannot represent an image completely,an image retrieval algorithm based on multi-feature fusion is proposed. First,the generalized search tree(GIST) features of the query image and all the images in the image library are extracted. The similarity of two images is measured by the Euclidean distance. The image library is retrieved by the GIST feature of the query image,and the results are arranged by sorting the similarity value. Second,the scale invariant feature transform(SIFT) features of the query image are extracted as well as theksub-images which are at the front of the returned results. Then,the feature matching is performed by best bin first(BBF) algorithm. Finally,the retrieval results are returned by sorting the number of matching points. The experiment is carried out on the improved Corel1000 dataset. Compared with traditional single feature image retrieval algorithms,the proposed algorithm not only improves the retrieval accuracy but also achieves better retrieval efficiency.

image retrieval;image matching;GIST feature;SIFT feature;feature extraction

date:2017-03-09；Revised date：2017-05-12

國家自然科學(xué)基金資助項(xiàng)目(61772561，61602528，61602529)

10.3969/j.issn.1001-893x.2017.09.008

秦姣華，謝備，向旭宇，等.融合多特征的圖像檢索算法[J].電訊技術(shù)，2017,57(9):1023-1029.[QIN Jiaohua，XIE Bei，XIANG Xuyu，et al.An image retrieval algorithm based on multi-feature fusion[J].Telecommunication Engineering,2017,57(9):1023-1029.]

TN919.81

：A

：1001-893X(2017)09-1023-07

秦姣華(1973—),女,湖南沅江人，博士，教授、碩士生導(dǎo)師，主要研究方向?yàn)榫W(wǎng)絡(luò)信息安全、圖像處理、模式識別；

Email:qinjiaohua@163.com

謝備(1992—),男，湖北天門人，碩士研究生，主要研究方向?yàn)閳D像處理、模式識別；

向旭宇(1972—),男,湖南南縣人，博士，教授，主要研究方向?yàn)槟Ｊ阶R別、人工智能；

于文濤(1980—),女,山東煙臺人，博士，講師，主要研究方向?yàn)槟Ｊ阶R別、人工智能；

易積政(1985—),男,湖南衡陽人，博士，講師,主要研究方向?yàn)閳D像處理、模式識別、人工智能。

2017-03-09；

：2017-05-12

**通信作者：qinjiaohua@163.com Corresponding author：qinjiaohua@163.com