基于边缘检测的多特征智能图像检索模型

史婷婷， 刘卫华， 吴明珠

(1.仲恺农业工程学院信息科学与技术学院,广州 510225；2.广东司法警官职业学院网络中心,广州 510520；3.华南师范大学增城学院计算机系，广州 511363)

图像边缘是图像的最基本特征之一，也是人类判别物体的重要依据.近来有很多研究试图利用边缘提取图像特征，而边缘检测的效果直接影响检索结果.在常用的几种用于边缘检测的算子中Laplacian算子常产生双边界，而其他一些算子如Sobel算子又会形成不闭合区域.相比传统的微分算子，Canny算子是一种满足最优准则的边缘检测方法，它具有信噪比大和检测精度高的优点.文献[1]选用Canny检测算子提取原始图像的彩色边缘轮廓，继而构造内容直方图进行图像检索.然而传统的Canny算子实时性较差且计算量大，处理结果仍存在部分虚假边缘，因此存在一定局限性.文献[2]采用 RGB 颜色向量角[3]来检测图像边缘.但此方法对光照不敏感，不能分辨色度级之间的差异，在具体应用上会产生较大的误差.因此，不少学者尝试在其他颜色空间使用欧几里得距离检测彩色图像边缘信息，并取得了较好的检测结果.

为了进一步捕捉用户需求，很多学者试图将当前较流行的粒子群优化、遗传算法等加入相关反馈技术，但计算繁琐耗时，效果并不理想.一幅图像的底层特征包括颜色、纹理、形状等.基于图像单一特征的检索方法只能表达图像的部分特征信息，不能达到较好的图像检索准确度.因此，采用综合多特征检索能高效提高检索的精准度且计算量小.

在上述讨论的启发下，本文提出一种智能图像二级检索模型.

1 智能图像二级检索模型

该模型包含：(1)第一级检索：首先改进Canny算子和颜色向量角分别检测图像边缘，再利用db2小波进行图像融合得到二值边缘，并运用“图像位错率”进行边缘信息比较，筛选出相似性高的图像组成备选图像集.(2)第二级检索：提出一种新的“HSI颜色不变量模型”量化图像，计算颜色相关矩阵并加之改进的边缘直方图，在备选图像集中进行颜色、空间和纹理综合特征检索，如图1所示.

图1 智能图像二级检索模型

1.1 融合改进的Canny算子和颜色向量角的边缘检测

本文利用改进的Canny算子和颜色向量角分别对图像进行边缘检测，再通过相应的融合算法把上述2种方法检测出来的边缘通过图像融合，得到最终的图像边缘.具体方法如下：

(1)应用改进Canny算子对图像进行边缘检测．

(2)应用改进的颜色向量角对图像进行边缘检测.

(3)将得到的2幅边缘图像应用图像融合函数进行图像融合，即首先使用db2小波对2幅图像进行3层小波，然后取2幅图像低频和高频的平均值进行融合，再经小波逆变换得到的重构图[4].由于小波变换对不同尺度检测下进行了平均，这样得到原始图像的二值边缘.具体算法框图如图2所示.

图2 融合改进的Canny算子和颜色向量角的边缘检测算法框图

Figure 2 Edge detection algorithm diagram based on improved Canny operator and color vector angle

1.1.1 传统Canny算子及缺陷 Canny算子具体实现步骤如下：

(1)用高斯滤波器平滑图像.

(2)用Gaussian函数的一阶偏导数计算平滑后的图像计算其梯度的幅值和方向并进行非极大值抑制.

(3)用低阈值Tl得弱边缘E1，用高阈值Th得强边缘E2，显然E1⊃E2.

(4)E1中仅保留与E2有连通关系的连通分量作为输出边缘E.

在上述过程中，传统的Canny算子需要人为设定3个参数：在平滑过程中所用的Gaussian滤波器参数σ以及2个阈值Tl、Th.然而，一组固定的参数对某一幅图像可能会有很好的效果，但当图像变化后，参数无法自适应变化，从而导致边缘检测效果不理想.

1.1.2 改进Canny算子 针对传统的Canny边缘检测算子在这两方面的不足，本文采用如下方法实现参数的自适应变化.

(1)σ的选取.参数σ的选取应该根据图像的实际情况进行自动获取.本文采用可根据图像的局部方差来调整滤波器输出的自适应滤波对图像进行平滑.由于在N×N窗口内，方差可以较好反映窗口内像素的变化特点，故将此值作为度量参数σ的标准之一.而图像中方差小的像素点往往来源于非边缘或被噪声污染较小的区域，兼顾图像的整体特性，故将最小方差也作为参数σ的恒定因子[5]，参数σ定义如下：

其中：f(i,j)、A、E、σ为图像像素、N×N窗口内的均值、方差和高斯滤波器参数；Emin为整个图像中的最小方差.此时，任一窗口内的高斯函数可定义为：

(2)双阈值的选取.在讨论Canny算子的阈值选取算法之前，采用一个半径为1的圆形结构元素对候选边缘点进行膨胀运算，先解决经过非最大值抑制后得到的候选边缘点不连续的问题.实验表明这种方法简单实用，只要选择合适的双阈值就能闭合边缘[6].

Otsu法是一种自适应计算单阈值的简单高效的方法.通过搜索类间方差最大值，得到最优阈值，将此作为Canny算子的高阈值，再利用公式Tl=0.5Th确定低阈值.这样既有效地解决抑制噪声和保留精细边缘之间的矛盾，又得到理想的边缘图像.

1)选择一个近似值Tn作为图像f(x,y)的初始阈值：Tn=(fmin+fmax)/2, 其中fmin为最小灰度值，fmax为最大灰度值.

其中pi为灰度值为i的概率.

5)若sn

1.1.3 改进的颜色向量角边缘检测算法 目前单一通过欧几里得距离或颜色向量角检测彩色图像边缘效果不理想，故在RGB颜色空间中，通过计算在八邻域中像素的欧几里得距离和颜色向量角，找到二者的最大值，以加权之和表示像素间的色差继而得到原始图像的二值边缘[7].

欧几里得距离：

D(pc,pi)=

(1)

颜色向量角：

(2)

利用加权和的形式构建本文算法：

max=ω1sin(θ)max+ω2Dmax.

(3)

在此，pc、pi分别表示3×3模板中心像素和其八邻域像素；ω1和ω2是非负的加权因子(ω1+ω2=1)，本文取ω1=ω2=0.5,Dmax=max(D(pc,p1),…,D(pc,p8)),sin(θ)max=max(sin(θ)pcp1,…,sin(θ)pcp8).

如果max>阈值T，则任意图像的像素p：p=1为边缘像素；p=0为非边缘像素.

1.2 图像颜色空间特征提取

图像颜色空间的表达方式有多种，相对于RGB颜色模型而言，HSI 颜色模型是一种更符合人类视觉特征的模型，计算简单.传统的颜色相关矩阵对环境因素变化十分敏感且计算量大、效率低，故本文提出“HSI颜色不变量模型”先对图像进行量化，再计算量化后图像的颜色相关矩阵以捕捉图像的空间颜色分布信息，不仅降维，且环境鲁棒性强.

先将H、S、I三分量量化如下：

H分量区间划分为：

[120k,120(k+1)mod 360] (k=0,1,2);

S分量区间划分为：

I分量区间划分为：

在HSI颜色模型中，像素各分量的大小关系不因环境因素改变而发生变化.例如：像素p各分量大小关系pS>pI>pH，则环境变化后pS′>pI′>pH′，故得到“HSI颜色不变量模型”，具体描述如下：

假设像素表示为p≡(pH,pS,pI)，则：

pmax≡max(pH,pS,pI),pmin≡min(pH,pS,pI),

其中pmax、pmin分别表示三颜色分量中的最大、最小值.在计算颜色相关矩阵时颜色量化为集合C：

C={pmax,pmin}={pHmaxpSmin,pHmaxpImin,pSmaxpHmin,

pSmaxpImin,pImaxpHmin,pImaxpSmin}.

1.3 图像纹理特征提取

针对MPEG-7规定的边缘直方图EHD[8]仅描述图像局部边缘的空间分布这一局限性，在不影响表征图像内容的前提下本文采用3种块边缘模式无向边缘、水平边缘、垂直边缘来构造图像的边缘，具体过程如下：将一个图像分割成互不重叠的4×4个子图像，计算每个子图像上述3个边缘直方图，由此构成一个48维特征向量.

2 结果与分析

为了验证本模型优劣性，以宾夕法尼亚大学Wang和Li教授领导的团队供研究使用的WBIIS图像数据库[9]为依托，利用ASP.NET和Oracle10g数据库开发了智能图像检索系统SttImageRetrieval3.0.

2.1 相似性度量法则

第一级检索采用位错率BER来度量图像边缘信息的相似度，将相似度大的图像组成一个新的备选图像库，有效缩小查找范围.BER越小说明2幅图像的边缘信息越接近.

位错率公式表达如下：

(4)

式中M、N分别表示图像边缘信息矩阵的行和列；R表示边缘信息矩阵对应位置元素值不相等的总个数.

第二级检索中先采用高斯归一化方法对特征向量的各个特征分量进行归一化处理，再利用欧几里德距离度量特征间相似性得到最终检索结果.

2.2 边缘检测实验结果

为了验证本文边缘检测算法的有效性，选取Lena图像，分别用传统的Canny算法、颜色向量角和本文算法检测图像边缘得到原始图像的二值边缘(图3).传统Canny算子检测出的边缘有比较多的间断和虚假边缘，对于一些高强度的噪声比较敏感，对于低强度的边缘又容易漏选，故精确度小，提取的边缘信息过于琐碎；颜色向量角边缘检测噪声较多.相对上述2种算法，本文融合改进的Canny算子和颜色向量角对图像进行边缘检测，该算法在抑制噪声、连接边缘方面优于传统的边缘检测算法，而且还能更有效地保持细节和减弱虚假边缘现象.

图3 Lena图像实验对比图

2.3 检索结果和性能分析

本实验对智能图像二级检索模型的性能采用平均查准率和查全率进行评价，并利用时间复杂度分析本文方法是否能提升计算效率，降低计算复杂性.

从图像库中选取花卉、汽车、日出、蝴蝶、鸟、飞机、山河、海滩、建筑、人物共10类1 000幅图像进行检索.本系统为用户提供示例查询方式，对每幅查询图像，按相似度大小返回前12幅检索结果图.图4、图5给出了花卉、汽车的检索实例.

为进一步验证本文算法的有效性，从每一类图像中随机选取10幅图像为查询图像，共100幅，记录在本系统中对每一个查询图像的查全率和查准率，最后求平均值.从图6可以看出，本文算法能够较高效和准确地查找出用户感兴趣的彩色图像，并且具有较好的查全率和查准率.

图4 以花卉为范例的检索结果

图6 4种算法在10类图像上的检索性能比较

对于一幅N×M的图像，颜色相关图、颜色自相关图和本文方法的时间复杂性分别如下：

本文采用“HSI颜色不变量模型”将颜色量化数降为6，特征向量仅为36维，彩色边缘直方图为一个48维特征向量，效率高，完全能够满足用户对算法实时性的要求.

3 结束语

本文改进了传统的Canny算子和颜色向量角，融合2种检测方法的优点得到图像边缘.与传统的检测算法相比，检测到边缘连续性增强，虚假边缘明显减少，对图像细节的保持与检测性能也有所提高，更能适应图像处理的实时性要求.同时，运用位错率有效缩小查找范围完成第一级检索；再利用改进的图像颜色空间信息和纹理特征进行第二级综合特征检索，避免在利用单一特征进行检索时所出现的不同图像具有相同单一特征的问题，大大增加了查找图像的相关性.实验结果表明：本文的智能图像二级检索模型能够更加准确和高效地查找出用户感兴趣的彩色图像，并且具有较好的查全率和查准率.

参考文献：

[1] 陈景伟,王向阳,于永健.基于边缘直方图的彩色图像检索算法研究[J]. 小型微型计算机系统,2010,31(5):976-983.

Chen J W,Wang X Y,Yu Y J. Edge-based color image retrieval by using multiple histograms[J].Journal of Chinese Computer Systems,2010,31(5):976-983.

[2] Kim N W，Kim T Y，Choi J S. Edge-based spatial descriptor using color vector angle for effective image retrieval[J].Lecture Notes in Computer Science，2005，3558:365-375.

[3] Dony R D，Wesolkowski S.Edge detection on color images using RGB vector angles[C]∥Proceedings of IEEE canadian conference on electrical and computer engineering.Edmonton,Alberta,Canada，1999：687-692.

[4] 白婷婷,邓彩霞,耿英.基于小波变换与Canny算子融合的图像边缘检测方法[J].哈尔滨理工大学学报，2010，15(1)：44-47,51.

Bai T T, Deng C X, Geng Y. Image edge detection based on wavelet transform and Canny operator[J]. Journal of Harbin University of Science and Technology, 2010, 15(1):44-47,51.

[5] 薛丽霞，李涛，王佐成.一种自适应的Canny边缘检测算法[J].计算机应用研究，2010，27 (9)：3588-3590.

Xue L X, Li T,Wang Z C. Adaptive Canny edge detection algorithm[J].Application Research of Computers，2010，27(9)：3588-3590.

[6] 印勇，刘平，刘丹平.采用改进Canny算子分割尿沉渣图像[J].计算机工程与应用，2010，46(14)：196-199.

Yin Y,Liu P,Liu D P. Segmentation of urine sediment image based on improved Canny operator[J].Computer Engineering and Applications，2010，46(14)：196-199.

[7] 史婷婷，刘卫华，伍春晖. 一种新的图像空间特征提取方法[J]. 计算机工程,2012,38(3):218-220.

Shi T T, Liu W H, Wu Ch H. Novel approach for image spatial feature extration[J]. Computer Engineering,2012,38(3):218-220.

[8] Won C S,Park D K,Park S J. Efficient use of MPEG-7 edge histogram descriptor[J]. Etri Journal, 2002, 24(1): 35-42.

[9] Wang J Z, Li J. WBⅡS.[2012-12-25].http://wang.ist.psu.edu/docs/related.shtml.