一种基于加权颜色形状特征和LBP-GLCM纹理特征提取的服装图像检索方法

缪智文，何丽嘉，刘洞波

（湖南工程学院，湖南湘潭 411104）

当今，在服装网络销售蓬勃发展的大势之下，传统的基于文本的图像检索技术（Text-based Image Retrieval，TBIR）[1]已经跟不上时代的发展，无法满足广大消费者对图像检索的要求。而基于内容的图像检索技术（Content-based Image Retrieval，CBIR）[2]是通过有效的算子获取图像的基本特征，如空间、形状、纹理及颜色信息等，从而利用距离函数来计算图像的相似度以达到精度检索的目的，此技术可取代TBIR在图像检索中的位置，并弥补其不足。

本研究提出一种运用颜色直方图和 Hu不变矩的特性进行加权处理，再融合 LBP-GLCM纹理特征进行服装检索的方法。首先，提取样本中的颜色和形状特征并进行加权处理后，完成检索的第一步，再对返回的检索结果构建新的数据集，将Uniform-LBP算子与灰度共生矩阵相结合，完成检索，使之具有更高的检索效率和准确率。

1 颜色和Hu 不变矩特征的检索

1.1 基于颜色划分的颜色直方图和改进颜色矩的融合

一个好的颜色量化方案［3］，一方面可以降低计算的复杂度，另一方面也不会丢失过多的彩色信息。根据颜色直方图改进方案，将色调 H 把颜色划分为8类，形成8 bin的直方图；将符合人眼视觉的基于HSV颜色矩9 bin直方图和8 bin直方图结合形成颜色融合的17 bin 直方图，不仅有效地降低了颜色直方图的权柄数，节省存储空间，实验结果验证其并未降低图像的检索效率。本实验使用常用的欧几里德距离计算进行相似性度量［4］，并归一化处理。计算公式如下：

其中，x，y—为两幅待检测的图像，xi，yi—归一化后的特征值，相似性度量用d(x, y) 表示。

1.2 形状特征

服装由于季节变更和穿着身材等因素，产生了许多不同款式的样体。在服装图像中，大衣、长裤、短裤、衬衫等都有其固定的形状特征，不同款式的服装也有其各自的几何属性。形状的表述对于图像识别及分类具有重要的作用，在图像检索中也是持续研究的课题[5]。目前,系统呈现形状特征通常是基于区域和轮廓。两类方法在图像识别中应用较多的是 Hu不变矩描述子[6]和傅里叶描述子[7]等。傅里叶描述子从信号频率的角度来解释轮廓信息，对人的视觉属性存在局限性。Hu 不变矩描述子注重几何形状的全局特征，具有空间几何不变性。图像f(x, y)的 q+p阶矩和阶中心距公式为：

重心坐标的计算公式为：

Hu 提出了如下的 7 个不变矩：

2 纹理特征

2.1 旋转不变LBP算法

多尺度的LBP算法所得到的LBP值与二进制序列的起始位置和选取方向密切相关。如果图像发生旋转，对应的二进制顺序就会发生变化，最终的LBP值也将不同。因此，为了得到不变的编码模式，Ojala等[8]又提出了旋转不变LBP算法，即不断旋转圆形邻域得到一系列初始定义的LBP值，取其最小值作为该邻域的LBP值，用公式表示如下：

式中，ROR(x,i)—对二进制序列x循环移动i位且 i＜P。

对于P=8，将有36种唯一的旋转不变二值模式。由于此时的编码模式仍较多，应用到服装纹理特征提取时，计算量较大，影响检索速度。

2.2 Uniform模式

在记录阈值化后的二进制序列时，如果选取的起始点和方向不同，二进制序列将有 2P 种，对应的LPBP,R会产生2P种模式。但是在实际研究中发现，各种模式所出现的频率是不同的。统计结果表明，少数的模式出现的数量占所有模式的90%以上，Ojala等[2、4]将这些出现频率特别高的模式定义为Uniform模式。将二进制序列看作一个圆环，如果“0→1”和“1→0”的变化不超过 2 次，则该序列称为Uniform 模式。例如，“00000000”（0次转变）、“00011100”（2次转变）是 Uniform 模式，而“10010011”（4次转变）不是 Uniform模式。在使用LBP算法对图像进行纹理分析时，通常只关心 Uniform 模式，而将其他模式归为同一类称为混合模式。判断某种序列是否为Uniform模式的方法如下：

这样改进后，模式的种类大大减少，特别是对于P= 8的情况，模式数量由改进前的256种变为改进后的58种。

2.3 Uniform-旋转不变LBP算法

经过抗旋转的编码方式获得了若干LBP模式，但是通过前面Uniform 模式的论述可知，其中某些模式在所有的模式中并不是占有大量的比重，故又有人提出Uniform-旋转不变LBP算法，使模式种类减少到P+1种，表示如下：

uniform-旋转不变LBP算法，既保证了旋转不变性，又使模式数量大大减少，应用到服装图像检索可提高相似度检索的效率和精度。

3 实验及结果分析

3.1 实验平台和数据

实验平台为Windows 7操作系统，实验工具是MATLAB 2016a。以此分别进行：单一的颜色特征检索、单一的形状特征检索、累加颜色直方图和Hu不变矩的加权检索以及本研究的检索方法。数据库中，从互联网选取共计600张服装图像，其中大衣150张，短裤150张，长裤150张，短裙150张。

3.2 实验方案和评价方法

完成6组实验：不同颜色特征和 Hu 不变矩的各自单一特征的服装图像检索。对4次实验结果分析比较，选择颜色特征和形状特征进行加权处理完成第5组实验，实现对加权参数的确定。先用加权特征完成第一步检索，再使用 LBP算法进行再次检索作为第6组实验。实验时，从每个分类图像中随机选取10张图像作为查询图像，进行40次查询实验。每次的查询结果取返回的前20张图片，计算前20个检索结果平均查准率并引入排序评价方法[9]。

查准率：

式中，A—相关图像的集合，B —返回图像的集合，a —返回结果中被正确检索图像，b —返回结果中被误检的图像。

排序评价方法：假定检索输出的数目为N，在N幅输出结果里，NR—结果中相关的数量，ρr—返回结果中相关图像的排列序号，NA—实际相关数量，则评价参数定义如下[10]：

用 K1表示平均序号：

最佳情况的平均序号 K2：

其中， K2—处于最佳状态下，排列靠前的平均序号中返回结果期望图像都能够占据相应位置。如果K1/ K2的值与数值1的差值越接近于0，则意味着查询的效果越好。

3.3 实验结果和分析

以大衣的检索返回结果作为各组实验的方法展示，图样如图1所示。以服装图像中的大衣为示例进行检索的返回结果，如图 2所示。 表1是以大衣图像为例，进行颜色形状加权系数选定的参数。表2是以大衣为例检索的平均排序比值。表3是取长裤、短裙、大衣、短裤，进行实验，得出全局颜色直方图、颜色矩、累加颜色直方图、Hu不变矩、颜色形状加权、本实验方法平均查准率。

图1 待检测男性大衣图样

图2 方法检测结果

表1 以大衣的图像进行颜色形状加权系数选定的实验

表2 以大衣为例检索的平均查准率

表3 六组实验的平均查准率

由返回结果可以看出，图像中相关图像较多，相似度很高的图像在检索输出中都排序靠前，可实现良好的检索期望。由表1可以看出，不同的加权参数设置会产生较大的差异。因此，选择为20%颜色特征和80%形状特征的加权。依据表2、表3的数据分析可以看出，相较于其他的方法，本研究的检索方法有更高的查准率。由此可知，服装图像背景干扰因素对检索结果产生的不利影响。

4 结语

本研究提出了一种基于累加直方图与Hu不变矩加权特征和LBP的服装图像检索方法。实验先利用颜色形状特征加权处理的同步组合检索进行第一次检索，后利用 LBP算子进行第二次检索的检索方法具有可行性。与只使用一种特征检索的方式比较，本研究的检索方法在服装图像的场景中能提升检索的准确率。由实验结果分析可知，检索结果的精确性受到了来自服装图像的背景干扰，下一步的研究工作在于引入图像分割的方法对服装图像进行处理，并结合其他特征算子提高检索的准确率和优化检索时间。