一种基于颜色和纹理特征的图像研究*

郭丽珍

(山西工程职业学院自动化工程系，山西 太原 030009)

0 引言

随着互联网技术的普及，数字图像数量的快速增长，如何快速、高效地从庞大的图像数据库中检索出用户所需的图像信息技术，是当前图像应用领域的热门发展方向。基于图像的低层特征颜色和纹理等的检索属于基于内容检索。

1 基于颜色特征方法

物体的颜色是最感官的图像特征。物体图像的颜色特征描述方法对应有多种空间颜色模型。颜色模型是一种对颜色的特性和行为的解释方法，并没有哪一种颜色模型能够解释所有的颜色问题[1]。

1.1 RGB颜色模型向HSV模型转化

在RGB颜色模型中，每幅彩色图像若只考虑色彩，忽略亮度等参数，则每个像素点颜色都可以用笛卡尔三维坐标(R，G，B)表示。这样把每幅彩色图分解到3个独立的基色平面上[2]。RGB颜色模型不符合人对颜色的感知，HSV颜色模型可以弥补，通过RGB模型转化到HSV模型。

在HSV颜色模型中，H表示色调，S表示饱和度和V表示亮度。

在RGB颜色模型中，任一像素点C颜色可以表示为：

(C)=r(R)+g(G)+b(B) .

因为r、g、b∈[0,1]，RGB颜色模型转换到HSV颜色模型的公式为：

1.2 主颜色直方图

颜色直方图定义了图像中的颜色分布，计算直方图时首先是颜色量化，即划分颜色区间，把每个区间称为直方条。其次是计算颜色落在每个小区间内的像素数量。

聚类颜色模型法，是把图像的颜色聚类为主颜色，用颜色直方图表示主颜色的信息。聚类颜色模型分析是由若干模式组成，它基于相似性，在一个聚类中模式间的相似性更高于不在同一聚类中的模式[3]。

1.3 利用K-means算法，提取图像主颜色

1) K-means算法思路[4]：首先从n个像素中任意选取k个像素作为初始聚中心，而对于其它没选的像素，则由相似度分配到与其最相似的聚类；算出新聚类的聚类中心，直到收敛为止。聚类算法的特点：要求各聚类本身尽量紧凑，各聚类间尽量分开。

2) HSV颜色模型空间量化文献[5]指出把HSV模型空间非均匀量化的方法。它把颜色大致上分9种：黑、灰、白、红、黄、绿、青、蓝、紫，假设一幅图像中的颜色信息大致上可以用九种颜色描述，所以根据9种颜色确定主颜色数k。

3) 关于HSV模型的相似性本论文用下式计算两个对应点间的相似度[5]。设HSV空间的两个像素点ci=(hi,si,vi)，cj=(hj,sj,vj)，则ci，cj的相似性sij定义为：

(1)

本文取sij≥0.9。

本文通过HSV非等间距量化，确定主颜色数目k和MColor[k]。把满足MColor[i]区间，且和其他初始聚类中心的不相似的像素点作为初始聚类中心记作MCCi。MCCi的值为该聚类中各像素的平均颜色。利用公式(1)计算各个像素点与中心MCCi的距离，并将其归类到和该像素点最相似的聚类中。重复计算各个聚类的中心，直到每个聚类中心不再变化为止。然后统计各聚类的样品数si，得到图像的主颜色直方图hi以及主颜色频率pi。图像的主颜色集就是各个聚类中心MCCi。

在改进的算法中，9种颜色的区间基本可以表示一幅图的主颜色范围，确定的k个初始聚类中心属于主颜色范围，并在颜色上还不相似，这样就使得提取图像的主颜色直方图准确性增强。实验结果显示，采用改进后的K-means主颜色提取法，不仅减少了颜色的特征维数，而且还较准确地描述了图像颜色，达到维数和精度平衡。

2 基于纹理特征的方法

2.1 纹理概述

纹理是能够反映物体的质地，如粗糙度、颗粒性、光滑性等[6]。纹理特征是计算物体图像中若干像素点的灰度值，并量化灰度值的变化。在通常情况下，纹理不受物体亮度影响，而和物体的尺寸、形状、位置等有关[7]。其中灰度共生矩阵方法属于结构法。

设在目标区域R中，具有某种特定空间联系的像素对的集合S，则共生矩阵P可定义为：

(2)

公式(2)#代表数量，分子表示满足具有某种空间关系的像素对个数，分母表示总像素对数，其中像素对的灰度值对应是g1和g2。灰度共生矩阵分析法是计算纹理中像素点某一灰度级特征重复出现的变化。这个特征随着距离在精细纹理中变化快，而在粗糙纹理中变化慢。

若定义图像的灰度级为N级，则灰度共生矩阵就是N×N阶矩阵，共生矩阵元素M(Δx,Δy)(h,k)表示：两个灰度值分别为h和k的像素，它们间距离是(Δx,Δy)的像素对出现的次数。

计算出灰度共生矩阵之后，可以通过CON,ASM，ENT和COR 4个特征向量来描述纹理。

2.2 基于灰度共生矩阵的分步提取算法

1) 把彩色图像转为灰度图像。

2) 把灰度图像的灰度级粗量化，粗量化节省计算时间，尽管会失真但对纹理特征提取影响不大；

3) 求出任意4个方向的共生矩阵，并分别计算出每个共生矩阵的上述4个特征向量；

4) 求出各个特征向量的均值和标准差μCON,μASM,μENT,μCOR,σCON,σASM,σENT,σCOR。这8个分量作为纹理特征向量，因其取值范围和物理意义不同，所以需进行高斯归一化。

3 改进的图像检索方法

3.1 等面积分块的主颜色检索

为了更好的突出图像的主体部分，本文运用等面积环形分块法检索图像。实验证明效果优于间隔环形分块法。分块主颜色检索方法的思想：将图像分成固定的块数，统计出各块的主颜色直方图，并计算出对应子块间的主颜色距离，再对对应子块间的距离加权求和得到两图间的相似距离。由于两幅图像在空间相近的位置上，同时存在相似的颜色区域，具有较大的相似度[8]。用等面积环形分块法划分图像时，分块的数目直接影响到检索的效果和效率。在实际应用中，通常采用折中法。在本文中，鉴于图像大小及运行效率，通过多次试验可知将一般图像分为5、7、9块时检索效果较好。

3.2 基于分块主颜色的检索结果

在本文的检索中，将示例图像1分为7个子块。各个分子块的权值从中心圆向外分别设成：0.26，0.24，0.20，0.15，0.10，0.05。查询后返回的图像数目为20，检索出来的相关图像数为12。在划分块数7相同的情况下，其检索效果优于其它两种主颜色检索法的效果，如下表1所示。

表1 颜直色方图、主颜色与分块主颜色检索效果对比

图1 示例图像1

在缺少颜色空间分布信息的图像中，分块主颜色检索法通过颜色直方图，检索出外观上不相同的图像[9]，但对于主颜色不明确或主要目标太大偏离中心的图像，该方法可能会降低检索效果。

3.3 实验结果

本文选用Corel图像库，分别是大象、建筑雕塑、花卉等10类，一共有1000幅。为了模仿现实中的实际环境，又增加了部分从网上下载的图片。图像的格式为bmp，像素为128×128。以示例图像1检索，颜色特征权值为1，纹理特征权值为0，相似度采用默认的方法，检索结果如图2所示；若设基于灰度共生矩阵方法的纹理特征权值为1，颜色特征的权值为0，检索结果如图3所示。

图2 基于颜色特征检索结果

颜色特征选择分块主颜色和分块颜色矩组合，权值设置为0.6；纹理特征提取选择灰度共生矩阵法，权值设置为0.4，示例图像1所示的玫瑰花，其检索结果如图4。

从各图可知，综合利用颜色和纹理多特征的检索方法，不仅考虑了图像颜色和纹理的整体差异，又能较真实的反映图像的空间分布信息，检索效果较好,所以该算法较成功。

图3 基于纹理特征检索结果

图4 基于颜色和纹理特征的检索结果