基于Gabor纹理特征和可逆水印的图像检索算法

□饶俊慧，李 琼，陈多瑜

（玉林师范学院 电子与通信工程学院，广西 玉林 537000）

基于Gabor纹理特征和可逆水印的图像检索算法

□饶俊慧，李 琼，陈多瑜

（玉林师范学院 电子与通信工程学院，广西 玉林 537000）

Gabor纹理特征具有良好的检索性能因而被广泛应用于图像检索系统，但特征的提取计算量大，不能满足实时检索的要求.针对这种情况，新算法利用基于差值直方图平移的可逆水印算法，将图像的Gabor纹理特征作为水印信息嵌入到原始图像中，图像检索时通过提取水印图像中的水印信息来恢复特征值进行检索.实验结果表明，此算法降低了图像检索时Gabor纹理特征的计算复杂度，满足了图像检索的实时性要求.

Gabor纹理特征；图像检索；直方图平移；可逆水印

1 引言

基于内容的图像检索（Content-Based Information Retrieval, CBIR）技术能帮助用户快速准确的对感兴趣的图像进行管理和检索.CBIR是使用图像的特征（如颜色、纹理和形状等）对图像进行检索，其中图像特征的提取由计算机自动完成，避免了人工描述的主观性.纹理是自然图像的一个重要特征，也是CBIR中经常采用的一类特征.通常定义为图像的某种局部特征，或是对局部区域中像素之间关系的一种度量，表现为像素点邻域内灰度级或者颜色的某种变化[1].纹理分析中的频谱法借助于频率特性来描述图像的纹理特征，并结合了人类视觉机理，可以对图像进行更精确的纹理描述，是常用的纹理分析方法[2].频谱法包括Gabor变换[3]、塔式小波变换[4，5]、树式小波变换[6]等方法.

Manjunath和Ma[3]实验指出，利用Gabor纹理特征进行图像检索的性能优于塔式小波变换、树式小波变换和多分辨率自回归纹理模型，Gabor纹理特征能很好的在时域和频域中兼顾对信号分析的分辨率要求，提供了最佳的检索精度.Gabor小波变换因其突出的局域特性和多尺度特性成为了最常用的图像纹理特征提取方法，在纹理分析和图像识别、图像检索等方面得到广泛应用[7-11].但是Gabor纹理特征提取的缺点是计算量大，不能满足海量图像检索系统的实时性要求[2，12].

本文研究将Gabor纹理特征和可逆水印相结合，将图像的Gabor纹理特征作为可逆水印嵌入在图像中，在图像检索时只需提取出水印信息恢复图像特征而无需进行重新计算，降低了计算复杂度.文章给出了实验结果，并对结果作出了分析.

2 Gabor纹理特征

Gabor纹理特征提取是通过一组自相似的Gabor滤波器来提取图像不同尺度和方向上的纹理信息实现的[3].对于给定的图像I(x,y)，大小为P×Q，其Gabor小波变换定义为：

其中x1,y1是Gabor滤波器的模板大小，gmn(x,y)是对Gabor母小波g(x,y)进行尺度扩张和旋转变换后得到的一组滤波器，*表示复数共轭.母小波表示为：

其中W为调制频率.则滤波器组为：

图像的Gabor纹理特征向量G就由Gabor小波变换后图像幅值的均值和标准差组成，根据式(4)求得均值和标准差，给定了方向数K和尺度数S后，Gabor纹理特征向量由式(5)给出，实验中设定S=4，K=6[3].

3 用于图像检索的可逆水印算法

图1 水印嵌入框图Fig.1 Block diagram of watermarking embedding

图2 水印提取和图像恢复框图Fig.2 Block diagram of watermarking extraction and image restoration

基于像素差值直方图平移的可逆水印算法是通过对载体图像求取像素差值，然后对差值直方图进行平移操作实现可逆水印的嵌入[13，14].文献[13]进行像素差值直方图平移时固定了差值的峰值点为0，文献[14]则需要额外传送峰值、零值点，这在图像检索中对海量数据进行操作的场合，水印的性能不能保证达到最优，传送额外信息的开销太大.本文提出一种可用于图像检索的基于像素差值直方图平移的盲可逆水印算法，弥补了[13]和[14]的缺陷.图1和图2分别是水印嵌入、水印提取和图像恢复框图.

3.1 水印嵌入算法

3.1.1 提取Gabor纹理特征向量

按照1节所描述的方法求取图像的Gabor纹理特征向量作为水印信息嵌入在图像中，设置参数S=4，K=6，Ul=0.05，Uh=0.4，求得4个尺度，6个方向上的48维Gabor纹理特征向量(24维均值向量和24维标准差向量)，用G表示此特征向量信息.

3.1.2 直方图修改

当使用基于差值的直方图平移算法时，所生成水印图像的部分像素可能会产生溢出，从而影响水印提取、图像恢复的结果.为了避免像素溢出对算法性能的影响，需对原始图像进行预处理，因为平移产生的差值改变最大为1，所以只需对像素值为0和255的像素进行处理即可.通过式(6)对图像进行直方图修改：

式中，I_ori表示原始图像像素值，I是直方图修改后的图像像素值.用B表示被修改了的像素值的原始信息.

3.1.3 图像划分

将直方图修改后图像I分成两个部分I1和I2，图像一I1利用最低有效位(LSB)替换法嵌入图像的Gabor纹理特征向量和图像二差值直方图的峰值/零值点，其中Gabor纹理特征向量用于图像检索，而峰值/零值点用于图像的恢复.图像二I2则利用差值直方图平移技术嵌入图像一原始的LSB和直方图修改信息B.文中的图像划分是在满足嵌入容量的前提下采用简单的上下划分.

3.1.4 嵌入水印

(1)生成差值：将图像二I2改写成一维信号{I2(i)1≤i≤s2,i∈Z}，根据式(7)生成差值，其中s2表示图像二像素值个数.

根据差值D(i)的直方图确定峰值/零值点，分别记为P和Z.

(2)水印一嵌入：记图像一的最低有效位(LSB)为L，将G、P和Z组合替换L，实现图像一的水印嵌入并生成水印图像I'1.

(3)水印二嵌入：将L和B组合作为水印，对差值D(i)利用式(8)进行水印嵌入：

其中w表示对应的水印比特信息.按式(9)根据水印差值D'(i)生成水印图像I'2.

(4)生成水印图像：将图像一水印图像I'1和图像二水印图像I'2组合生成水印图像I'.

3.2 水印提取和图像恢复算法

3.2.1 图像划分

将图像按水印嵌入过程中相同的方式作图像划分，用I_ori，In，I'n，分别表示原始图像，直方图修改后图像以及水印图像，n=1,2对应图像一和图像二，D'2表示水印图像的差值，D2表示水印提取后恢复出的差值.

3.2.2 图像一水印提取

提取水印图像一的最低有效位(LSB)，得到图像的Gabor纹理特征向量信息D和图像二差值直方图的峰值/零值点P和Z.

3.2.3 图像二水印提取和图像恢复

(1)令I2(s2)=I'2(s2)，i=s2-1.

(2)生成差值：已知水印图像像素值I'2(i)和已恢复的I'2(i+1)，根据式(10)生成差值D'2(i).

(3)提取水印和恢复差值：根据图像二差值的峰值/零值点P和Z和D'2(i)，由式(11)提取出嵌入的水印w2(i)，并由式(12)恢复差值D'2(i).

(4)像素值恢复：由差值D2(i)和已恢复的I2(i+1)，根据式(13)恢复当前像素I2(i).

(5)令i=i-1，循环执行2～5，直至全部恢复图像二像素.

3.2.4 图像恢复

(1)图像一恢复：从图像二提取的水印w2中得到图像一原始LSB信息L，恢复图像一I1.

(2)直方图修改的恢复：从水印w2中得到直方图修改信息B，根据I1，I2和B进行直方图修改逆操作，得到无失真原始图像I_ori.

4 图像检索系统

图像检索系统如图3所示，包括图像入库、图像检索和图像恢复.

图3 图像检索系统Fig.3 Image retrieval system

图像入库过程中，计算原始图像的Gabor纹理特征并按照可逆水印算法将水印信息嵌入图像得到含水印图像，并将水印图像入库；图像检索时，提取检索库中图像的水印信息恢复特征值并与查询图像的特征进行匹配，得到相应的检索结果，匹配算法通过计算查询图像和数据库中图像Gabor特征向量之间的欧氏距离并对距离按从小到大排序实现；若需要对检索出来的结果图像进行后续的传输、处理等，则利用可逆水印的图像恢复算法对数据库中的水印图像进行恢复得到原始图像.

基于可逆水印的图像检索方案无需索引库、特征数据库等，节约了系统的存储空间，而且可以无失真的恢复原始图像，不会影响图像的使用.

图像检索界面如图4所示，检索界面左半部分选择检索基准图像，右半部分按相似性分页显示检索结果，每页显示9幅图像.

图4 图像检索界面及部分检索结果Fig.4 The system interface and some retrieve results

5 实验结果和分析

实验中图像包括标准测试图像和Corel图像库的图像，其中标准测试图像4幅，大小为256×256，Corel图像库中图像共1000幅，包括10类（花、车、大象、恐龙、马等），每类100幅图像，大小为256× 384或384×256.

5.1 实时性实验

对直接提取纹理特征的时间和从水印图像中提取水印以恢复纹理特征的用时进行比较，测试图像一部分包括标准测试图像Lena、Baboon、Peppers和Boat，另一部分则从图像库中每类图像任取一幅共10幅图像，测试结果如表1所示.

表1 特征提取时间（秒）Table 1 Time of feature extraction (seconds)

由表1可知：1）直接提取特征的时间和图像大小有很大关系，图像越大，提取特征时间越长.大小为256×256的标准测试图像特征提取时间在6.7s左右，而大小为256×384或384×256的数据库图像特征提取时间在10s左右，相差超过3s；2）提取水印恢复特征的时间和图像大小没有太大关系，基本都在0.06s左右；3）提取水印恢复特征所花的时间远远小于直接提取特征的时间，仅仅是后者的1/160.

本文任取一幅图像作为检索的图像，对数据库中图像通过直接提取特征然后进行匹配返回检索结果耗时9741s，而通过对图像提取水印恢复特征再进行匹配返回检索结果仅耗时63s.显然，在对海量的图像库进行图像检索的场合，利用水印的图像检索方法能大大减少检索的时间，完全能满足图像检索的实时性要求.

5.2 不可见性实验

图5(a)为数据库中任选的一幅图像，图5(b)为利用本文算法得到的水印图像，其峰值信噪比(PSNR)为51.66dB，从视觉上看，水印图像和原始图像感觉不出差异.表2给出了10类测试图像的水印图像PSNR结果.从表中可以看出，所有图像的PSNR值均超过51dB，水印的不可见性很好.

图5 水印不可见性Fig.5 Invisibility of watermarking

表2 水印图像PSNR值Table 2 PSNR of watermarked images

5.3 可逆水印性能实验

实验中将本文提出的可逆水印算法和文献[13]的算法(EL=0)的性能进行比较，文献[13]利用固定的峰值对像素差值直方图进行平移操作进行水印信息的嵌入，而本文算法是自适应选取图像的最优峰值、零值点进行嵌入，在嵌入容量上比文献[13]有所提高.图6给出了检索数据库中10类图像的平均嵌入容量比较.

5.4 检索性能实验

对每类图像任意选取10幅图像，计算其与数据库中所有图像的相似性，并按相似性排序返回检索图像.本文采用平均查准率(Precision)来评价图像检索性能，查准率Precision=A/(A+B)，其中A为检索系统返回的图像中相关图像的数目，B为检索系统返回的图像中不相关图像的数目.如果返回图像和测试图像属于同一类，则认为返回的是相关图像，反之是不相关的，统计平均查准率结果如表3所示，表中分别是系统返回15、30、45和60幅图像的平均查准率.由上表可知，返回图像数目越少，检索的准确性越高；对于类别特征比较明显的图像类，检索效果比较显著，如车、恐龙、花；而对于内容比较复杂的图像类，检索效果相对要差一些.而因为采用的检索依据是图像的Gabor纹理特征，所以本文算法保持了Gabor纹理特征本身的检索性能.

图6 算法的性能比较Fig.6 Comparison of the algorithms

表3 平均查准率Table 3 The average precision

6 结论

通过将Gabor纹理特征嵌入在图像中，无需特征数据库并缩减了检索时计算特征的时间，满足了图像检索的实时性要求，而且没有影响特征自身的检索性能；采用盲可逆水印算法，通过自适应选取峰值、零值点实现水印嵌入，性能有所改善；水印不可见性好，不会影响图像的视觉效果并对图像的传输、处理没有影响. ■

[1]施智平，胡宏，李清勇等. 基于纹理谱描述子的图像检索[J]. 软件学报，2005，16(6)：1039 - 1045.

[2]孟繁杰，郭宝龙. CBIR 关键技术研究[J]. 计算机应用研究， 2004，21(7)：21 - 24.

[3]Manjunath B S, Ma W Y. Texture features for browsing and retrieval of image data[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1996, 18(8): 837-842.

[4]Daubechies I. The wavelet transform, time-frequency localization and signal analysis[J]. Information Theory, IEEE Transactions on, 1990, 36(5): 961-1005.

[5]Xavier L, Thusnavis B M I, Newton D R W. Content based image retrieval using textural features based on pyramidstructure wavelet transform[C]//Electronics Computer Technology (ICECT), 2011 3rd International Conference on. IEEE, 2011, 4: 79-83.

[6]Chang T, Kuo C C J. Texture analysis and classification with tree-structured wavelet transform[J]. Image Processing, IEEE Transactions on, 1993, 2(4): 429-441.

[7]Singh S M, Hemachandran K. Content-Based Image Retrieval using Color Moment and Gabor Texture Feature[J]. International Journal of Computer Science Issues (IJCSI), 2012, 9(5): 299-309.

[8]Riaz F, Hassan A, Rehman S, et al. Texture classification using rotation-and scale-invariant Gabor texture features[J]. IEEE signal processing letters, 2013, 20(6): 607-610.

[9]Riaz F, Silva F B, Ribeiro M D, et al. Invariant gabor texture descriptors for classification of gastroenterology images[J]. Biomedical Engineering, IEEE Transactions on, 2012, 59(10): 2893-2904.

[10]Yang M, Zhang L, Shiu S C K, et al. Gabor feature based robust representation and classification for face recognition with Gabor occlusion dictionary[J]. Pattern Recognition, 2013, 46(7): 1865-1878.

[11]丁志起，赵晖. 结合差图像和 Gabor 小波的人脸表情识别[J]. 计算机应用与软件，2011，28(4)：47-49.

[12]万华林，Chowdhury M U，胡宏等. 图像纹理特征及其在 CBIR 中的应用[J]. 计算机辅助设计与图形学学报，2003，15(2)：195-199.

[13]Tai W L, Yeh C M, Chang C C. Reversible data hiding based on histogram modification of pixel differences [J]. Circuits and Systems for Video Technology, IEEE Transactions on, 2009, 19(6): 906-910.

[14]Zhao Z, Luo H, Lu Z M, et al. Reversible data hiding based on multilevel histogram modification and sequential recovery [J]. AEU-International Journal of Electronics and Communications, 2011, 65(10): 814-826.

【责任编辑 谢明俊】

Image Retrieval Algorithm Based on the Gabor Texture Features and Reversible Watermarking

RAO Jun-hui, LI Qiong, CHEN Duo-yu
( School of Computer Science and Engineering, Yulin Normal University, Yulin, Guangxi 537000)

Gabor texture features are widely used on image retrieval because of the good performance, but the extraction of features has large amount of computation, and can’t meet the requirement of real-time retrieval. In view of this, the paper proposed a new method for image retrieval based on reversible watermarking. This algorithm firstly extracts the images Gabor texture features, then the features are embedded as watermarking into the original image using the reversible watermarking scheme based on histogram shifting, and the features will be restored by extracting the watermark for image retrieval. The experimental results show that this method reduces the computational complexity of the feature extraction, satisfied the real-time requirements of image retrieval.

Gabor texture features; image retrieval; histogram shifting; reversible watermarking

TP391.41

A

1004-4671（2015）05-0097-08

2015-06-11

广西高校科学技术研究项目（编号：2013YB192），玉林师范学院研究项目（编号：2012YJQN25）。

饶俊慧（1982～），女，安徽宣城人，硕士，玉林师范学院 电子与通信工程学院讲师，研究方向：图像处理，数字水印。