一种新型的基于神经网络的图像检索算法

吴岸雄

摘  要：提出了一种改进的基于神经网络的图像检索算法。这种算法不止是考虑到了图像颜色和形状特征的提取，更是把特征权值的调整转化为优化问题。利用神经网络算法得到权值的最优解，从此到最佳检索效果。通过实验结果表明，此算法能更加高效地找到图像，并且有较强的稳定性和图像检索功能。

关键词：图像检索;神经网络;特征提取;特征权重

中图分类号：TP391         文献标志码：A         文章编号：2095-2945（2020）34-0022-02

Abstract： An improved image retrieval algorithm based on neural network is proposed. This algorithm not only considers the extraction of image color and shape features， but also turns the adjustment of feature weights into an optimization problem. The optimal solution of weights is obtained by neural network algorithm to achieve the best retrieval effect. Experimental results show that this algorithm can find the image more efficiently and has strong stability and capability of image retrieval.

Keywords： neural network; feature extraction; image retrieval; feature weigh

1 概述

一幅图像主要由颜色、纹理、形状等组成，因为颜色是图像最直观的特征，Ritendra Datta等人研究提出基于颜色的图像检索算法，不过此算法存在容易丢失颜色空间分布信息以及特征维数过高等问题;Eauqueur J等人提出了一种基于图像分割的图像检索算法和一种基于加权颜色直方图的快速图像检索算法，但是检索效果还是满足不了用户需求。

本论文研究提出一种新型的基于神经网络的图像检索算法，首先，提取及分析图像的特征，对一定的特征权重进行初始化，然后进行首次检索;接着，设定一个学习准则，通过神经网络的学习，不断调整特征值，直到得到最优解。

2 图像检索中的特征权重问题

本小节将图像检索中的特征权重自动计算问题转换为最优化问题，用来实现更好的基于神经网络的图像检索算法，为方便计算，其定义为：

（1） 图像数据库定义为：DB={Ii}，其中Ii为每幅图像，m为图像的数量;

（2） 两幅图像I1和I2的相似函数S定义为：S（I1，I2）=

wj，其中wj表示已归一化至[0，1]区间的特征权重，n表示特征数量，f表示图像I1的第j个特征值。

（3） 检索图像评价指标：召回率和准确率分别为：R=，P=，其中a表示检索到的与样本图像相关联的图像的数量，k表示目标图像的数量，z表示检索图像的总参考书目。

根据以上分析，召回率R和准确率P越高，表示检索方法越好，W=，可以看出，W与R、P成正比。那么由此可见，特征权重的设置是一个组合优化问题，可以通过求解优化问题来解决。

3 基于神经网络的图像检索算法

本文首先提取算法的核心来检索图像的颜色和形状，颜色信息用ihs空间来描述颜色（色相）值的形状信息用CSS（曲率尺度空间）来描述。然后利用神经网络对图像特征进行优化组织形式;最后根据求解的W值可以获得我们所需要的图像信息。

3.1 提取形状信息

获得图像形状信息后，接下来需要对图像进行更进一步的处理，以获得更加精确的图像形状特征。算法大致如下：首先进行图像定位，锁定重要信息，其次进行灰度转化，使其变为灰度图像;然后再把灰度图像二值转换变成二值图像;再提取轮廓线以获得曲率尺度空间图像，最后通过聚类将图像噪声去除。具体过程如图1所示。

图像预处理后，利用拉普拉斯算子提取图像的轮廓线，跟踪图像的轮廓线。最后，根据式（1）提取圆形图像信息，图像被进一步处理，如上所述，直到曲率变成0。

其中u表示弧长，？滓代表高斯核的宽度

这种算法一方面可以得到图像的特征图像，另一方面可以根据两幅图像的特征图像得到相似度，并将其作为图像的第一特征，即f（j=1）。那么：

3.2 提取颜色信息

为了获得更准确的图像特征，还需进一步提取检索图像的颜色信息。本论文选择更符合人眼视觉的HIS颜色空间通过获得色彩值与人的视觉相一致、饱和度和亮度决定了图像的色彩特征。算法首先将RGB空间转换为HIS空间。本文只考虑色相值的差异，只考虑色相值的转换过程。具体换算公式如下：

其中：

运用此公式，就能获取索引图像和作为图像的第二个特征的图像，即f（j=2）。那么：

4 实验结果及分析

本文对于特征权重的选择采用RBF神经网络进行学习训练，首先，设定形状和颜色信息的特征权重，利用上述由公式得到图像的相似度函数。然后将特征权值作为RBF神经网络的输入，通过多次学习，得到输出值;最后运用前面提出的公式，可以得到最符合的一幅或多幅图像。

本文测试图像数据为Corel图像库，运用本文算法得到查全率和查准率 。与传统算法的检索结果相比，这种算法的检索精度明显比传统算法要高。同时给出了三种算法的查全率和查准率比较曲线，进一步验证了算法的有效性（见图2）。

5 结论

本文提出了一种基于神经网络的可调特征权的图像检索算法，将多特征组织方法转化为神经网络优化问题。理论分析中可以得出，这种方法具有一定的学习能力。实验结果表明，该算法在检索方面优于前两种算法，具有很强的稳定性和图像检索能力。

参考文献：

[1]Veltkamp R C，Tanase M. Content-based image retrieval systems： a survey， UU-CS-2000-34[D]. Department of Computer Science， Utretch University，October，2000.

[2]Ritendra Datta， Jia Li.Content-based image retrieval approaches and trends of the new age[C].Proceedings of the 7th International Workshop on Multimedia Information Retrieval， in conjunction with ACM International Conference on Multimedia， Singapore， ACM， November 2005：253-262.

[3]Wang Yi，Zhai Hong-chen. Shape description matrix and its applications to color-image retrieval and recognition [J].Science in China Ser. E Engineering & Materials Science， 2004，34（3）：337-344.

[4]于永健，王向陽，等.基于颜色复杂度的加权颜色直方图图像检索算法[J].小型微型计算机系统，2009（3）：507-511.