基于纹理与颜色特征融合的刑侦图像检索算法

兰　蓉, 贾世英

(西安邮电大学 通信与信息工程学院， 陕西 西安 710121)

基于纹理与颜色特征融合的刑侦图像检索算法

兰蓉, 贾世英

(西安邮电大学 通信与信息工程学院， 陕西 西安 710121)

摘要:针对刑侦图像检索, 给出一种基于多方向多参数的灰度共生矩阵和HSV颜色矩的图像特征提取算法。计算刑侦图像8个方向上6个参数,共48个特征值来表示图像的纹理特征,分别计算图像H、S和V通道的一阶矩、二阶矩和三阶矩，作为图像的颜色特征，并将纹理特征和颜色特征进行融合以保证特征的全面性。对刑侦图像数据库进行检索试验，结果表明，相较于4参数的灰度共生矩阵法和小波变换融合颜色直方图检索方法，所给方法的各类图像查准率更高。以指纹类别为例，所给算法的查准率为68%，高于4参数灰度共生矩阵算法的49%，和小波变换融合颜色直方图检索算法的53%。

关键词:灰度共生矩阵；颜色特征；图像检索；相似性度量

现实生活中刑事案件不断发生，导致刑侦图像数据库容量越来越大，人工在该数据库中对犯罪证据的查找就越来越困难。基于内容的图像检索是为了改善人工查找法耗时耗力的缺陷而提出的一种技术，主要依靠刑侦图像的特征对刑侦图像数据库进行检索[1]，图像特征有颜色特征和纹理特征。图像颜色和纹理特征从图像的视觉特征来描述图像内容。

颜色具有各种不同的空间分布，在很大程度上影响着人们对图像的相似性识别。对颜色特征的提取方法主要有颜色直方图法、颜色集法、颜色相关图法等[2]。颜色矩[3]不但可以降低颜色特征量的维数,还可以记录颜色的空间信息,并且具有旋转、缩放不变性等特点，能够有效的描述图像的颜色分布。

纹理具有各种各样的结构，如何表征图像纹理并且对其进行准确的分类是图像检索研究领域的一个重要方向。对纹理特征的描述分为四种方法[4]：信号处理法、模型法、统计法和结构法。

统计方法基于像素点和其邻域的灰度属性,研究图像纹理的统计特性,而灰度共生矩阵(GrayLevelCo-occurrenceMatrix，GLCM)[5]是统计法中一种最重要的方法，已经成为应用最广泛的图像纹理分析技术之一，应用在如遥感影像纹理分析[6]和图像分割[7]领域，但针对多类别刑侦图像库的检索方法[7]还有待完善。

用灰度共生矩阵方法对纹理进行分析，利用邻域4个方向的灰度差值和4个参数，结合原影像可进行图像分类[8]。利用HSV颜色直方图和小波变换进行特征提取[9]，基于此的刑侦图像检索结果并不理想。这两种方法在提取纹理特征时，提取到的纹理信息较少，不足以作为图像分类和检索的依据，效果有待提高。

本文拟对图像信息提取方法加以改进，计算灰度共生矩阵8个方向上的6个参数共48个特征值，来表示图像的纹理特征，并融合低阶颜色矩所提取的颜色特征作为图像检索的综合特征，在相似性度量[10-11]时，讨论欧氏距离对检索结果的影响。

1颜色矩

HSV颜色空间与人的视觉特征对颜色的认知更为符合，可将RGB颜色空间转化为HSV颜色空间[9]，采用颜色矩来提取颜色特征。一阶颜色矩

二阶颜色矩

三阶颜色矩

其中qij表示像素j的第i个颜色值，i=1代表H分量，i=2代表S分量，i=3代表V分量，n为图像中像素点的个数。

求出每个通道的一阶、二阶及三阶颜色矩，将3个颜色通道的9个颜色矩作为颜色特征。

2灰度共生矩阵

2.1灰度共生矩阵原理

纹理是由灰度分布在空间位置上不断交替变化而形成的，图像空间中相隔一定距离的两个像素之间存在一定的灰度空间关系。灰度的空间相关性可表示为纹理，灰度共生矩阵可用以描述纹理特征。灰度共生矩阵通过用两个相关像素的联合概率密度，反映亮度的分布特性，是图像亮度变化的二阶统计特性。设一幅图像用f(x,y)表示，其中，(x,y)表示像素坐标，图像大小为M×N，那么灰度共生矩阵可以表示为在角度θ方向上灰度值分别为f(x1,y1)=i和f(x2,y2)=j距离为d的频率相关矩阵[7]

P=[pij(d,θ)]。

2.2纹理特征提取

图像库中所用图片均为M×N大小的格式为RGB的图片，特征提取步骤如下。

步骤1在计算图像的灰度共生矩阵之前对其进行灰度处理，即取各点的灰度值为

Lgray=0.30R+0.59G+0.11B。

步骤2为了减少计算量，对原始图像进行灰度级压缩，将其均匀量化为16级，再进行计算。

步骤3确定相邻像素之间的角度θ。θ分别取0°、45°、90°、135°、180°、225°、270°和315°。取值方式为

其中，Δx为x1到x2的水平距离，Δy为y1到y2的垂直距离。

步骤4确定相邻像素之间的距离，距离为1时可以更具体的表现纹理分布信息，并且经过试验验证距离为1检索效果更好，所以选择距离值为1。

步骤5在灰度共生矩阵的基础上，计算可描述纹理特征的6个参数，分别是能量EASM、熵HEnt、惯性矩QCon、逆差距QIdm、相关指数ρCor和方差S。以L为灰度级数，则

其中

经过步骤1到步骤5可以得到8个方向的48个特征值，将它们作为纹理特征。

3归一化及相似度量

3.1特征的归一化处理

提取到8个方向的6个参数以后会得到48个纹理特征值，结合9个颜色特征总共57个特征值，但是因为特征值的数量级不同，由此会对分类计算产生影响，所以先要对特征数据进行归一化处理。

步骤1计算图像库中图像的特征向量，用矩阵表示为

其中，r为图像库中图像数目。

步骤2选择矩阵F中每列的最大元素和最小元素，分别组成两个向量，记为

(fK,1,fK,2,…,fK,57),

(fk,1,fk,2,…,fk,57)。

步骤3对i=1,2,…,r和j=1,2,…,57,利用

将F归一化为

3.2相似性度量

采用欧氏距离相似性度量来衡量图像之间的差异。设目标图像为T，图像库中的待检索的图像为P，它们的特征值分别表示为

λT=(t1,t2,…,t57),

λP=(p1,p2,…,p57),

其欧氏距离为

根据对所求得的目标图像与图像库中各待检测图像之间的欧氏距离由小到大进行排序，从而得到检索以后的图像相似度排序，距离越小说明该两幅图像越相似。

4实验结果及分析

实验用刑侦图像库所含类别有：指纹、脚印、作案工具、血迹、房屋、道路、门、车。图像库包含170张图像，其中脚印30张，其它每类各20张，且均为现勘图像[12]，来自真实案发现场。受拍摄条件影响，各类图像质量参差不齐。从刑侦图像库中选取一幅指纹图像和一幅车辆图像，作为目标图像，如图1(a)和图1(b)所示。

图1　目标图像

4.1检索结果

在针对图1(a)的试验结果：用4参数灰度共生矩阵法[8]所得检索效果如图2(a)所示，前12幅图像中有6幅是相关的；用小波变换融合颜色直方图检索方法[9]所得结果如图2(b)所示，其中前12幅图像中有7幅是相关的；用基于多方向多参数的灰度共生矩阵和HSV颜色矩的图像特征提取算法，所得检索结果如图2(c)所示，前12幅图像中检索到有11幅是相关的。

针对图1(b)的试验结果：用4参数灰度共生矩阵法[8]所得的检索效果如图3(a)所示，前12幅图像中有5幅是相关的;用小波变换融合颜色直方图检索方法[9]所得结果如图4(b)所示，其中前12幅图像中有7幅是相关的；用基于多方向多参数的灰度共生矩阵和HSV颜色矩的图像特征提取算法，所得检索结果如图3(c)所示，前12幅图像中检索到有9幅是相关的。

检索结果显示，基于多方向多参数的灰度共生矩阵和HSV颜色矩的图像特征提取算法的检索结果最好。

(a) 4参数灰度共生矩阵方法

(b) 小波变换融合颜色直方图法

(c) 多方向多参数灰度共生矩阵和HSV颜色矩图像特征提取

(a) 4参数灰度共生矩阵方法

(b) 小波变换融合颜色直方图法

(c) 多方向多参数灰度共生矩阵和HSV颜色矩图像特征提取

4.2查准率

查准率是评价图像检索方法优劣的标准。查准率指在检索结束后得到的相关图像数目与检索到的总的图片数的比值，比值越大，说明检索效果越好。将检索到图像的前12幅进行查准率计算。

对于图像库中的170幅图像进行检索，所得检索后图像的平均查准率如表1所示。其中，方法1指4参数灰度共生矩阵检索方法[8];方法2指小波变换融合颜色直方图检索方法[9];方法3指基于多方向多参数的灰度共生矩阵和HSV颜色矩的图像特征提取算法。

表1　图像平均查准率

实验结果显示，方法3的查准率比另两种方法更高，尤其对指纹类别图像，因其纹理方向性较强，更适合使用方法3。

5结语

针对刑侦图像检索时提取特征较少问题，提出一种基于多方向多参数的灰度共生矩阵和HSV颜色矩的图像特征提取算法，通过与4参数灰度共生矩阵检索方法和小波变换融合颜色直方图检索方法相比较，可知所提方法对各类刑侦图像的的查准率更高。

参考文献

[1]孙浪，唐雁，何荧.一种有效的多特征图像检索方法[J/OL].西南大学学报:自然科学版,2014,36(12):162-171[2015-08-10].http://cms.swu.edu.cn:8080/viscms/u/cms/xbbjb/201412/261713483erz/2014-12-162.pdf.DOI:10.13718/j.cnki.xdzk.2014.12.027.

[2]王鹏.基于颜色特征的图像检索系统[D/OL].西安：西安电子科技大学，2012[2015-08-10].http://d.wanfangdata.com.cn/Thesis/D216978DOI:10.7666/d.d216978.

[3]张少博,全书海,石英.基于颜色矩的图像检索算法研究[J/OL].计算机工程,2014,40(6):252-255[2015-09-10].http://www.ecice06.com/CN/abstract/abstract25696.shtml.DOI:10.3969/j.issn.1000-3428.2014.06.054.

[4]刘丽，匡纲要.图像纹理特征提取方法综述[J/OL〗.中国图像图形学报,2009,14(4):622-635[2015-08-10].http://www.cnki.com.cn/Article/CJFDTotal-ZGTB200904009.htm.DOI:10.11834/jig.20090409.

[5]陈英，杨丰玉，符祥.基于支持向量机和灰度共生矩阵的纹理图像分割方法[J/OL].传感器与微系统，2012，31(9):60-63[2015-09-12].http://www.cnki.com.cn/Article/CJFDTotal-CGQJ201209018.htm.DOI:10.13873/j.1000-97872012.09.026.

[6]任国贞，江涛.基于灰度共生矩阵的纹理提取方法研究[J/OL]〗.计算机应用与软件,2014，31(11):190-192,325[2015-09-10].http://wuxizazhi.cnki.net/Search/JYRJ201411048.html.DOI:10.3969/j.issn.1000-386x.2014.11.047.

[7]李慧娜，郭超峰，平源.灰度共生矩阵在指纹图像分割中的应用[J/OL].数据采集与处理，2012,21(2):33-38[2015-09-08].http://www.cnki.com.cn/Article/CJFDTotal-SJCJ201201009.htm.

[8]李智峰，朱谷易，董泰锋.基于灰度共生矩阵的图像纹理特征地物分类应用[J/OL].地质与勘探，2011,47(3):456-461[2015-08-30].http://www.cnki.com.cn/Article/CJFDTotal-DZKT201103017.htm.

[9]刘颖，黄源，高梓铭.刑侦图像检索中的特征提取及相似性度量[J].西安邮电大学学报，2014,19(6):11-16[2015-08-30].http://www.cnki.com.cn/Article/CJFDTotal-XAYD201406004.htm.DOI:10.13682/j.jssn.2095-6533.2014.06.003.

[10] 黄忠，胡敏，王晓华.一种基于几何特征的表情相似性度量方法[J/OL].模式识别与人工智能，2015,28(5):443-451[2015-09-22].http://max.book118.com/html/2016/0212/34917565.shtm.DOI:10.16451/j.cnki.issn1003-6059.201505008.

[11] 章学静，陈禾，马龙，等.一种基于子图特征的快速图像配准算法[J/OL].北京理工大学学报，2015,35(7):744-749[2015-09-02].http://www.cnki.com.cn/Article/CJFDTotal-BJLG201507017.htm.DOI:10.15918/j.tbit1001-0645.2015.07.017.

[12] 刘颖，范九伦，李宗.现勘图像数据库检索技术实例探讨[J/OL].西安邮电大学学报，2015,20(3):11-20[2015-08-10].http://www.cnki.com.cn/Article/CJFDTotal-XAYD201503002.htm.DOI:10.13682/j.issn.2095-6533.2015.03.002.

[责任编辑:瑞金]

Aretrievalalgorithmofforensicimagefusionbasedonfusioningtextureandcolorfeature

LANRong，JIAShiying

(SchoolofCommunicationandInformationEngineering,Xi’anUniversityofPostsandTelecommunications,Xi’an710121,China)

Abstract:For criminal investigation image retrieval, an image feature extraction algorithm based on multi direction and multi parameters gray level co-occurrence matrix and HSV color moment is proposed. 6 parameters in each of 8 directions on a criminal investigation image are calculated, thus, 48 feature values can be used to represent the texture feature of the image. The first, second and third moment of H, S, and V channel of the image are calculated, thus, 9 feature values can be used to discribe the color feature of the image. All these texture features and color features are fused together, thus, the image can be discribed more comprehensive. A retrieval test is done on the criminal investigation image database, and the results show that, compared with the four parameters gray level co-occurrence matrix algorithm and wavelet transform fusion color histogram retrieval algorithm, the proposed algorithm has the highest precision, as for fingerprint images, the precision by the improved algorithm is 68%, higher than 49% and 53% respectively by the other two algorithms.

Keywords:gray level co-occurrence matrix, color feature, image retrieval, similarity measure

doi:10.13682/j.issn.2095-6533.2016.02.011

收稿日期：2015-09-16

基金项目：陕西省教育厅科学研究计划资助项目(15JK1658)

作者简介：兰蓉(1977-),女，副教授，从事智能信息处理研究。E-mail:ronglanlogic@163.com 贾世英(1989-)，男，硕士研究生，研究方向为刑侦图像处理及应用。E-mail:jsy791737966@foxmail.com

中图分类号：TN911.7

文献标识码：A

文章编号：2095-6533(2016)02-0057-06