第１６卷第９期２０１１年９月中图法分类号：ＴＰ３９１．４１文献标志码：Ａ中国图象图形学报ＪｏｕｒｎａｌｏｆＩｍａｇｅａｎｄＧｒａｐｈｉｃｓ文章编号：１００６·８９６１（２０１１）０９－１６５６－０８Ｖ０１．１６，Ｎｏ．９Ｓｅｐ．，２０１１论文索引信息：黄传波，金忠．应用视觉注意多分辨率分析的图像检索［Ｊ］．中闽图象图形学报，２０１１，１６（９）：１６５６－１６６３应用视觉注意多分辨率分析的图像检索黄传波，金忠（南京理－ｒ大学计算机科学与技术学院，南京２１００９４）摘要：基于人类视觉感知理论，提出一个改进的Ｉｔｔｉ视觉注意模型用于图像检索。该改进视觉注意模型是在充分考虑纹理特征与视觉感知关系的基础上，构造一个粗糙度图，用作视觉注意模型的一个初级视觉特征。首先通过该改进视觉注意模型得到５０个视觉特征图；然后分别对每个视觉特征图采用局部二值模式傅里叶直方图（ＬＢＰ—ＨＦ）方法抽取其分布信息，从而获得每幅图像的高维特征；最后利用局部保持投影（ＬＰＰ）方法进行维数约简，以获取具有图像间局部几何和鉴别信息的低维特征用于图像检索。实验结果表明，该算法能获得较好的检索效果。关键词：图像检索；视觉注意模型；视觉特征图；ＬＢＰ－ＨＦ算子ＩｍａｇｅｒｅｔｒｉｅｖａｌｕｓｉｎｇｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎａｎａｌｙｓｉｓｏｆｖｉｓｕａｌａｔｔｅｎｔｉｏｎＨｕａｎｇＣｈｕａｎｂｏ，ＪｉｎＺｈｏｎｇ（ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒｓｃｉｅｎＥｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｎａ，ｃｉｎｇＵｎｉｖｅｒｓｉｔｙｏ／ＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，№彬帽２１００９４Ｃ／ｄｍａ）Ａｂｓｔｒａｃｔ：Ｉｎｔｈｉｓｐａｐｅｒ，ｂａｓｅｄｏｎｂｉｏｌｏｇｉｃｖｉｓｕａｌｉｎｆｏｒｍａｔｉｏｎｐｒｏｃｅｓｓｉｎｇ，ａｌｌｉｍｐｒｏｖｅｄＩｔｔｉ’Ｓｖｉｓｕａｌａｔｔｅｎｔｉｏｎｔｈｅｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｔｅｘｔｕｒｅｍｏｄｅｌｉｓｍａｐｐｒｏｐｏｓｅｄｆｏｒｉｍａｇｅｒｅｔｒｉｅｖａｌ．Ｂｙｃｏｎｓｉｄｅｒｉｎｇａｎｄｖｉｓｕａｌｐｅｒｃｅｐｔｉｏｎ，ａｃｏａｒｓｅｎｅｓｓｉｓｃｏｎｓｔｒｕｃｔｅｄａｓａｐｒｉｍａｒｙｖｉｓｕａｌｆｅａｔｕｒｅｏｆｔｈｅｎｅｗｖｉｓｕａｌａｔｔｅｎｔｉｏｎｍｏｄｅｌ．Ｔｈｅｒｅｆｏｒｅ，ｂｙｔｈｅｉｍｐｒｏｖｅｄＩｔｔｉ’Ｓｏｖｅｒｍｏｄｅｌ。ｗｅ咖ｕｔｉｌｉｚｅｄｆｏｒｏｂｔａｉｎ５０ｆｅａｔｕｒｅｍａｐｓ。ａｎｄｅｘｔｒａｃｔｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｓｉｎｆｏｒｍａｔｉｏｎｅａｃｈｆｅａｔｕｒｅｔｈｅｌｏｃａｌｂｉｎａｒｙｐａｔｔｅｒｎｈｉｓｔｏｇｒａｍｆｏｕｒｉｅｒ（ＬＢＰ·ＨＦ）ｏｆｍａｐｓｔｏｇｅｔｔｈｅｈｉｇ｝ｌｄｉｍｅｎｓｉｏｎａｌｆｅａｔｕｒｅｓ．Ｆｉｎａｌｌｙ，ｔｈｅｌｏｃａｌｉｔｙｐｒｅｓｅｒｖｉｎｇｐｒｏｊｅｃｔｉｏｎｓ（ＬＰＰ）ｉｓｄｉｍｅｎｓｉｏｎａｌｉｔｙｒｅｄｕｃｔｉｏｎ，ａｎｄｔｈｅｌｏｗｄｉｍｅｎｓｉｏｎａｌｆｅａｔｕｒｅｈａｖｉｎｇｂｏｔｈｔｈｅｌｏｃａｌｇｅｏｍｅｔｒｙａｎｄｔｈｅｄｉｓｃｒｉｍｉｎａｔｅｉｎｆｏｒｍａｔｉｏｎｉｓｕｓｅｄｆｏｒｉｍａｇｅｒｅｔｒｉｅｖａｌ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｐｐｒｏａｃｈｈａｓｇｏｏｄｒｅｔｒｉｅｖａｌｐｅｒｆｏｒｍａｎｃｅ．Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｒｅｔｒｉｅｖａｌ；ｖｉｓｕａｌａｔｔｅｎｔｉｏｎｍｏｄｅｌ；ｖｉｓｕａｌｆｅａｔｕｒｅｍａｐ；ＬＢＰ－ＨＦｏｐｅｒａｔｏｒ０引言的关键信息，这种效应是对自然场景最稀疏的表示方式。基于内容的图像检索（ＣＢＩＲ）技术是以图像所包含的内容信息作为图像索引，图像内容按抽象水平由低到高表现为数据信息、特征信息与语义信息。近年来，基于内容的图像检索研究主要集中在神经生理学家的研究结果表明，哺乳动物视觉皮层的接收场具有局部性、方向性和带通性…。１９９６年，Ｏｌｓｈａｕｓｅｎ和ＦｉｅｌｄＢ１研究了人类视觉皮层特征层面或结合图像语义信息方面。人类视觉系统具有选择注意的特性，往往能够从复杂且缺少先验知识的自然场景中较为快速并准确地注意到目标。视觉感知特征是图像的新特征，反映了用户的高层语义，为解决ＣＢＩＲ语义鸿沟提供了新的途径【３Ｊ。细胞的反应特性，根据它与自然图像统计结构编码方式之间的关系，希望能找到一种数学方法或编码方式来模拟人类的视觉效应。实验结果表明，人类的视觉系统是用最少的视觉神经元捕获自然场景中收稿日期：２０１０．０８．１９；修回日期：２０１０一ｌｌ－０１基金项目：国家自然科学基金项目（６０９７３０９８。６０８７３１５１，９０８２０３０６）。第一作者简介：黄传波（１９７２一），男。南京理工大学模式识别与智能系统专业博士研究生，研究方向为模式识别、图像处理等。Ｅ－ｍａｉｌ：ｈｕａｎｇｃｈｕａｎｂｏｅｑ＠１２６．ｃｏｒｎ。万方数据第９期黄传波等：应用视觉注意多分辨率分析的图像检索１６５７如何提取图像视觉感知特征，使其与图像高层语义关联得更紧密，是基于视觉注意图像检索研究的关键环节。视觉注意可分为两种类型：一是由底向上（ｂｏｔｔｏｍ．ｕｐ）的视觉注意；另一种是由顶向下（ｔｏｐ—ｄｏｗｎ）的视觉注意。本文主要是基于前者进行的研究。对于由底向上的视觉注意，主要是从人类视觉过程出发，创建一个适用于图像分析的视觉注意模型。自底向上的视觉注意模型是对图像上各区域的显著性进行建模，在这类视觉注意模型中，比较有代表性的是Ｓｔｅｎｔｉｆｏｒｄ模型Ｍｏ和Ｉｔｔｉ模型归Ｊ。Ｓｔｅｎｔｉｆｏｒｄ提出的Ｓｔｅｎｔｉｆｏｒｄ注意模型ＭＪ，将图像的显著度用视觉注意图表示。该模型利用图像某区域特征在图像其他区域出现的频率越少，其区域显著度越高这一特性，通过抑制图像中具有相同分布模式的区域得到视觉注意图。其具体方法是：将图像作为矩形网格的像素集合，进行像素戈的视觉注意值计算，在以菇为中心，半径为ｒ的邻域点中随机选择ｎ个像素，在图像另一处随机选择像素Ｙ，以Ｙ为中心，半径为ｒ的邻域点与茗邻域的凡个像素进行相同布局匹配。如果像素不匹配，则．１５的视觉注意值为不匹配的像素数，然后继续选择Ｙ，重复计算ｍ次；如果像素匹配，则重新选择像素茗。由于Ｓｔｅｎｔｉｆｏｒｄ模型依据图像中邻域间的不相似性，采用进化规划的查找方法，通过随机对比其他ｍ（ｍ＝１００）个邻域结构计算视觉注意。这种随机对比使得视觉注意值具有不确定性。此外，该模型考虑的是对象区域的整体性，计算的是整个对像区域在图像中的全局显著度，当对象区域不够显著时，模型就很难检测到感兴趣区。Ｔｒｅｉｓｍａｎ等人【６１提出的经典特征整合理论认为，视觉注意机制的作用是将目标的各种属性整合为一体，提出在视觉范围内以并行方式计算早期视觉特征（颜色、纹理、方向、亮度等），然后将这些特征整合于一起，获得视觉注意区域。在此基础上，Ｉｔｔｉ等人”１提出相应视觉注意计算模型。该模型首先对图像不同初级视觉特征属性进行多分辨率分析，然后通过Ｃ．Ｓ运算等获取图像的综合显著图，最终将该显著图输入到礴卧（ｗｉｎｎｅｒ—ｔａｋｅ—ａ１１）网络中，从而确定感兴趣的目标区域。目前Ｉｔｔｉ模型在视觉注意模型研究中已被普遍接受，在运算速度上有突出表现，但该模型仅采用了亮度、颜色和方向３个特征，没有具体引入目标的纹理等特征，显著区域的大小与目标有较大偏差，这与人类实际注意内容存在差异。为了弥补Ｉｔｔｉ模型在描述图像内容上的万方数据不足，本文基于视觉注意与图像理解表征相结合，考虑到图像的纹理特征是一种不依赖于颜色和亮度的基本视觉特征，多分辨率的图像处理方法可以将图像的重要特征（如纹理、边缘等）按照不同的尺度分解到不同的分解层上。依据Ｇａｂｏｒ变换的多尺度、多方向分解特性可以很好地刻画纹理分布的特点，构造纹理粗糙度图，用作视觉注意模型的一个初级视觉特征，以获取图像纹理的空问和频率分布特性。这种获取纹理特征的过程与人类的视觉感官工作原理一致。由此，获得一种改进视觉注意模型，进而提出一种新的图像检索算法。首先，用初级视觉特征，即亮度、颜色、方向和纹理得到不同尺度下的５０个特征图；其次，利用局部二值模式傅里叶直方图（ＬＢＰ．ＨＦ）ｏ７３方法分别提取每幅特征图的特征，组成一个１９００维向量表示图像；最后，采用局部保持投影（ＬＰＰ）¨１方法进行降维，以获得能够保持局部几何和鉴别信息的特征，用于图像检索。１Ｉｔｔｉ注意模型及ＬＢＰ－ＨＦ特征１．１ｌｔｔｉ注意模型模型中使用图像金字塔分解亮度、颜色和方向特征。金字塔共有９层（尺度０～８），其中第０层为原始图像，然后下一层图像相对上一层图像依次在长度和宽度上缩减一半。模型中的｛２，３，４｝层是中心层ｃ，外周层ｓ＝ｃ＋６，其中６为｛３，４｝中的数，这样可以利用“中心－夕｝周”机制抽取对比信息。计算时先用相应的滤波器对金字塔每层中的图像进行滤波，然后中心层与外周层之间的像素值对应相减，共有６种计算组合｛２－５，２－６，３－６，３－７，４－７，４－８｝。相减时对尺寸小的图像进行插值，以保证参与运算的两幅图像大小一样。归一化得到３个关注图，关注图进一步线性组合得到一个显著图。１．２ＬＢＰ－哪直方图ＬＢＰ（１０ｃａｌｂｉｎａｒｙｐａｔｔｅｒｎ）归１算法是通过刻画图像中每个像素点与其邻域内其他各点灰度值的差异来描述图像的局部结构特征。为描述不同尺度下的像素分布特征，使用圆形邻域（Ｐ，Ｒ）（Ｐ表示圆形邻域中像素个数，Ｒ表示邻域半径）以及对像素的线性插值，将算子扩展到任意半径或任意邻域的像素个数。设Ｃ是位于坐标（菇，ｙ）的一个像素点，在以Ｃ点为中心，尺为半径的环上，等间隔分布的Ｐ个点构成一个中心对称的环形局部结构，称为Ｐ邻１６５８中国图象图形学报Ｗ＇ＷＷ．ｃｊｉｇ．ｃｎ第１６卷域，如图１所示。●—ｌ■ｔｏ●＇’■（ａ）（８，１）／ｏ◆文，√、０ｏ◆■ＪＩＩ■—１—ｔ●ｒ（ｂ）（１６，２）ｒ一’’、ｋ０。ｌｋ‘‘ｊ◆ｏ●专．，‘－。■■’．一Ｊ，，一（ｃ）（２４，３）图１３个圆形邻域Ｆｉ昏１Ｔｈｒｅｅｃｉｍｕｌａｒｎｅｉｇｈｂｏｒｈｏｏｄｓ圆环上的点对应坐标为（膏ｉ，Ｙ１）＝（髫＋Ｒｃｏｓ（２叮ｒ∥Ｐ），Ｙ—Ｒｓｉｎ（２竹玉／Ｐ））当像素点不落在整数坐标时，像素值采用双线性插值。中心像素的ＬＢＰ值可以由下式得到Ｂｐ．Ｒ（茗，Ｙ）＝Ｎ∑ⅢＳ∽石ｙ、，一八髫ｙ、，、，２在此，ｓ（ｚ）是一个阈值函数，即心，＝｛三东㈩图像Ｃ（ｘ。Ｙ）的ＬＢＰ直方图可以表示为Ｈ（ｈ）＝∑ｔｔｆ（石，Ｙ）＝ｈ｝（３）式中，ｈ＝０，…，ｎ一１。厅表示不同ＬＢＰ模式的数量，即直方图的６流数；ｈ表示一个ＬＢＰ模式，它取万方数据决于所使用的ＬＢＰ算子，如采用（８，１）算子，它的取值为０～５８；，是一个函数，即ｔ（ｚ）＝｛三：三：（４）为了刻画旋转环形位移特性，Ａｈｏｎｅｎ等人［７１提出ＬＢＰ．ＨＦ直方图谱特征，利用离散傅里叶变换表征这种环形位移，即日（ｎ，Ⅱ）＝∑ｈ，（Ｕｅ（，ｌ，ｒ））ｅ－跚卯（５）式中，＾，（坼（，Ｉ，ｒ））是ｕｎｉｆｏｒｍ模式ＬＢＰ直方图，ｎ是直方图的ｂｉｎ数，ｒ是模式的旋转量。２改进视觉注意模型及特征抽取改进视觉注意模型的框架如图２所示，以Ｉｎｉ视觉注意模型为基础进行改进，通过嵌入粗糙度纹理特征对图像内容进行更好地描述。改进注意模型特征抽取包括两个主要方面：１）基于改进注意模型的彩色图像特征表示；２）局部保持投影的维数约简。一偿气７４方向（００，４５０，９００，１３５。）胸慨一层一４层（０。１，２，３）ＩＩ６幅ｌ‘●Ｉ１２幅１６幅１６幅图２模型框架图Ｆｉ导２Ｍｏｄｅｌｈ＇ｌｔｌｎｅｗｏｒｋｄｒａｗｉｎｇ２．１纹理粗糙度图纹理是一种重要的视觉线索，是图像中普遍存第９期黄传渡等：应用视觉注意多分辨率分析的图像检索１６５９在而又难以描述的特征，纹理特征提取是成功进行图像纹理描述、分类与检索的关键环节［１…。纹理灰度分布的变化可用粗糙度来刻画，变化的频率、幅度和范围决定了粗糙度的视觉效果。Ｒｏｓｅｎｆｅｌｄ【ｌ”提出基于最佳尺寸的纹理粗糙度算法，不仅克服了粗糙度对对比度的依赖性，而且能有效地处理纹理图像。Ｒｏｓｅｎｆｅｌｄ纹理粗糙度算法的本质是从不同的邻域尺寸中根据邻域均值差值最大准则确定最佳尺寸，然后根据所确定的最佳尺寸来计算图像纹理粗糙度。上互不重叠窗口之间的平均强度差。Ｅ＾（＊，ｙ）＝ＩＡＩ（ｘ＋２ｋ，ｙ）一Ａ＾（ｚ一２ｋ，Ｙ）『Ｅ＾．。（ｚ，Ｙ）＝ｌＡｋ（Ⅳ，Ｙ＋２＾）一Ａ‘（ｘ，Ｙ一２ｋ）ＩＥｄ（ｚ，ｙ）＝ＩＡＩ（ｘ＋２ｋ，ｙ＋２＆）一Ａ＾（ｘ一２ｋ，Ｙ一２ｋ）ｆ（１２）（１１）（１０）３）取水平、垂直和对角３个方向上的最大均值差值为当前像素的邻域均值差值。ＥＩ（＃，，）＝ｍａｘ（Ｅ¨（ｚ，ｙ），Ｅ¨（ｘ，ｙ），甄．。（ｚ，Ｙ））（１３）一般有两种方法选取邻域尺寸，即指数方法和线性方法。为比较两种方法的优越性进行如下分析经过以上３步可以得到一幅新的图像，在一定程度上反映了纹理图像的粒度特性，能够表达不同纹理特征的图像或区域，非常利于图像检索。本文将这种含有丰富纹理信息的图像定义为纹理粗糙度图，如图３所示。％（ｋ）＝口‘×口。啊（ｋ）＝（ａｋ）ｘ（ｏ％）（６）（７）式中，ｋ≥ｌ，ａ≥２，且Ⅱ为常数，耽（＾）和职．（ｋ）分别为指数方法与线性方法活动窗口中的像素个数，也就是窗口大小。令△耽（ｋ），Ａ耽（ｋ）为相邻邻域尺度的差，那么△耽（☆）＝％（ｋ＋１）一耽（ｋ）＝（口２—１）口“△耽（＾）＝耽（ｋ＋１）一耽（ｋ）＝Ⅱ２（２ｋ＋１）△睨（ｋ）／ＡｗＬ（ｋ）＝［（ａ２—１）口２‘“１’］／（２ｋ＋１）＝ｆ１【＞ｌｋ２１，Ⅱ５２其他１，。２引△既（‘）２△耽（‘）‘２ＬＡＷ。（ｋ）＞Ａ阢（ｋ）２（８）其他由式（８）可知，线性方法的相邻级窗口中像素数之差要小于指数方法。由于相邻级窗口中像素数之差越小，选取方向越多，对纹理粗糙度特征的刻画越精确。为提高性能，本文对７ｒ—ｍ纹理粗糙度算法…１进行优化，采用水平、垂直和对角３个方向的线性方法选取邻域尺寸构造粗糙度图。主要计算方法如下：１）计算图像中大小为２ｋ×２ｋ个像素的活动窗口中像素的平均强度值。ｚ＋ｋｙ＋ｋＡ＾（ｘ，ｙ）＝∑∑ｇ（ｉ，ｊ）／（２ｋ）２（９）（ｃ１线性窗几粗糙度图式中，ｇ（ｉ，ｊ）是位于（ｉ√）处像素的灰度值，ｋ＝１，２，…，Ｍ。盯为ｋ能够取的最大值。２）分别计算每个像素在水平、垂直和对角方向万方数据图３图像及其纹理粗糙度特征图Ｆｉｇ．３Ｔｈｅｉｍａｇｅａｎｄｉｔｓｔｅｘｔｕｒｅｒｏｕｇ｝Ｉｎｅｓｓｍａｐ１６６０中国图象图形学报Ｗ＇Ｗ＇Ｗ．ｃｊｉｇ．ｃｎ第１６卷图３是原图像，当Ｍ＝２时指数窗口粗糙度图和线性窗口粗糙度图。２．２特征图的生成模型中分别对４种初级视觉特征进行处理以抽取图像中的多尺度信息。亮度没有方向性，使用对称的Ｇａｕｓｓｉａｎ金字塔进行分解，用运算符０表示中心层与外周层之间的减操作，亮度特征图的计算公式为，（ｃ，ｓ）＝ｌ，（ｃ）ＯＩ（ｓ）ｌ（１４）亮度特征图有６个，它表示图像的亮度对比。颜色也没有方向性，对颜色的４个宽调谐通道Ｒ、Ｇ、Ｂ和Ｙ，采用４个对称的Ｇａｕｓｓｉａｎ金字塔分别处理，颜色有２个对比映射，即“红一绿”和“蓝一黄”色彩通道的对比。其计算公式为ＲＧ（Ｃ，ｓ）＝Ｉ（Ｒ（ｃ）一Ｇ（ｃ））０（Ｇ（ｓ）一Ｒ（ｓ））ｌ（１５）ＢＹ（ｃ，５）＝Ｉ（Ｂ（ｃ）一Ｙ（ｃ））０（Ｙ（ｓ）一Ｂ（ｓ））Ｉ（１６）由此获得表示图像颜色对比特性的１２个颜色特征图。采用Ｇａｂｏｒ金字塔分别处理方向和粗糙度特征，Ｇａｂｏｒ滤波器有４个局部方向ｐ∈｛００，４５０，９００，１３５０｝，用４层金字塔（尺度为０，ｌ，２，３）分解这４个方向，即可得到１６个方向特征图和１６个粗糙度特征图。初级视觉特征分解结束后共生成５０个特征图，其中，６个亮度特征图、１２个颜色特征图、１６个方向特征图及１６个粗糙度特征图。２．３图像的特征表示采用ＬＢＰ．ＨＦ方法抽取特征图的分布信息，既能得到图像的细节特征又可得到图像的粗略特征，且这些特征具有很好的鉴别性能。实验中使用（８，１）圆形邻域，在分别计算出各个特征图的ＬＢＰ—ＨＦ特征向量之后，将其结合在一起形成３８×５０＝ｌ９００维向量。高维数的图像表示计算开销很大，为提高存储量和图像检索效率，必须进行降维。主成分分析（ＰＣＡ）【１２１是进行降维的一种经典技术，它通过保留原始特征协方差矩阵具有显著贡献的特征向量来构建新的空间，将原始的高维数据映射到低维空间。对于线性的内嵌流形，ＰＣＡ可以确保发现流形的维数并产生正交主成分因子形式的紧凑数据表示，然而当数据位于非线性子流形万方数据时，ＰＣＡ将不能找到内嵌的架构。在许多分类问题中，局部结构比全局结构更重要，局部保持投影（１０ｃａｌｉｔｙｐｒｅｓｅｒｖｉｎｇｐｒｏｊｅｃｔｓ）Ｌｓｌ方法通过保持图像局部结构的邻接图对流形结构进行建模，获得低维图像子空间。该子空间能够很好地检测图像流形结构，保持图像空间的局部结构。采用ＬＰＰ降维算法有利于提高检索性能，因此，本文采用ＬＰＰ进行维数约简，将ｌ９００维的高维图像特征向量降低为３０维向量，可以很好地提高图像检索的性能和效率。３相似性度量常用的相似性度量方法都是向量空间模型，即将特征向量看做是向量空间中的点，通过计算两个点之间的接近程度来衡量图像特征间的相似度。本文通过计算特征向量的距离来量化查询图像与图像库中每幅图像间的相似程度。查询图像口与图像库第ｉ幅图像的特征向量分别表示为ｙ。和ｙ＂那么对于一幅查询图像口与图像库第ｉ幅图像Ｉｉ之间的距离定义为ｂｄ２（ｑ，ｌｉ）＝∑（匕（，）一Ｋ（歹））２（１７）芦１式中，ｂ为向量ｙ的维数。计算图像库中所有图像与查询图像间的距离，其值越小两图像越相似。４实验与分析为验证本文算法的效果，分别进行了几组不同的实验。从Ｃｏｒｅｌ图像库中抽取３０类，每类１００幅。共３０００幅不同的图像构成实验图像库，包括人物、交通工具、动物、建筑物、自然景物、花卉等类型。为确保实验统计结果具有通用性，从每类图像中随机选取１０幅作为该类的示例图像，共组成３００次查询。本文算法在ＬＰＰ降维时，所有实验近邻参数均选为５。采用较为通用的查准率和查全率［１纠作为检索的评价准则。在相同的检索条件下，不同图像检索算法的查准率和查全率越高，表明该算法效果越好。实验ｌ比较基于指数方法和本文线性方法构造的粗糙度图，对视觉注意模型改进的性能。在ｋ第９期黄传波等：应用视觉注意多分辨率分析的图像检索１６６１取最大值Ｍ赋予不同值时，分别运用基于指数方法和本文线性方法构造粗糙度图的视觉注意模型，提取特征，进行图像检索对比实验。每次取前２５幅作为查询结果，取其平均查准率作为衡量标准。表１给出了ａ＝２时，不同Ｍ值的检索结果。表１Ｔａｂ．１从图４（ａ）（ｂ）可以看出，本文算法明显优于其他３种算法。当返回图像数为３０时，其平均检索精度比文献［１４］算法提高了（１１．０４％），比文献［１５］算法提高了（９．２８％），比不考虑粗糙度特征时提高了（１．９４％）。随着返回图像数增两种方法对于不同邻域尺寸的检索结果Ｓｅａｒｃｈｒｅｓｕｌｔｓｏｆｔｗｏｍｅｔｈｏｄｓｆｏｒｍｆｆｅｒｅｎｔｎｅｉｇｈｂｏｒｈｏｏｄｓｉｚｅｓ加，文献［１４］算法的查准率下降较快，相比之下。基于视觉注意方法的查准率下降较慢，由此可见，本文方法性能较优越。为直观地分析４种算法的检索效果，图５给出了返回３５幅图像时，４种算法对一个查询实例的检索结果。左上角的一幅图像为查询图例，其余３５幅为检索结果图像，其相似度由左至右，由上而下逐渐由表１可以看出。本文线性方法构造的粗糙度减小。从图５可以看出（图中ｄ为查询图例与查询返图在视觉注意模型中，其性能优于指数方法。因为相邻级窗口中像素数之差越小，选取方向越多，对纹理粗糙度特征的刻面越精确，本文算法增加了粗糙度图的鉴别信息，因此，利用本文算法构造的粗糙度图改进视觉注意模型，检索性能更好。回图像间的距离，其值越大对应两图像相似性越小），文献［１４一１５］的检索效果并不理想，在前３５幅检索结果图像中，正确的图像分别仅有２５幅、２７幅，其查准率分别为７１．４３％、７７．１４％；基于原Ｉｔｔｉ模型的算法，在前３５幅检索结果图像中，正确图实验２为验证本文算法的整体有效性，将本文算法同文献［１４］算法、文献［１５］基于Ｓｔｅｎｔｉｆｏｒｄ视觉注意模型算法、基于原Ｉｔｔｉ模型的算法（不考虑粗糙度特征。运用原Ｉｔｔｉ模型获取３４个特征图，采用ＬＢＰ—ＨＦ得到１２９２维的特征向量，并使用ＬＰＰ像有３１幅，查准率达到８８．５７％，相对文献［１４—１５］算法查准率有较大提高；本文算法相对以上３种算法，效果更好，在前３５幅检索结果中，正确图像有３３幅，查准率达到了９４．２９％，且检索结果图像更符合人的视觉感知。由此可见，本文算法的性能相对较好。降维到３０维）进行对比。本文算法在实验中计算粗糙度图时，口＝２，Ｍ＝３。４种算法的检索结果如图４所示。述裕型徊（ｂ）图４Ｆｉ昏４４种算法的检索性能Ｒｅｔｒｉｅｖａｌｐｅｒｆｏｒｍａｎｃｅｏｆｆｏｕｒａｌｇｏｒｉｔｈｍｓ万方数据１６６２中国图象图形学报ｗｗｗ．ｃｊｉｇ．ｃｎ第１６卷【】口四口固口【】口口口口臼豳“ｄ豳口【ａ口口目口【】口国口＿口口ａ翻口园口四∽口戮口叠圆燃口■口口口譬嘲口团蝴鲤鬻氍【】函口口口～纛ｔ》黧口戡口蹬口斟圈．仰’《豳。卜ｌ３７ｌ３ｄ１３７８４ｃ／】３８０５￡／Ｉ扣＿１．ｔ¨忙２ｃ卜１４１ｊ５ｄ－７８／３６４５８乒ＷｍＴ（＃７８５９２６７乒’旷螂Ｓｆ＃础＾ｊｌ４，，】Ｊ１Ｊ４，／Ｉ４４１）？ｆ，＝１“ｈ７￡，ｌ４４８ｓｄｌ４钳＾ｉ．厂＿７９１删ｊ庐７％∽Ｉ４庐１忡ｃＪ纠：｛，一Ⅻｍ讯２ｄｇｔｎ：岍Ｉ（ａ）文献【１４１苒｛击ｄ＝０ｄ：００２８３ｄ＝００２９７ｄ＝ｎ０３０６ｄ＝００３２８ｄ＝００３３５ｂ】文献『１５１再浊【】＿口口口口口口口口Ｑ口ｄ‘■■■ｄｄ■■凶凶ｄ■ａ口口＿四口口口口口ａ口口ｂ嚼口暇匿阔口口口圈口（ｃ）基于原Ｍ梗型算法（ｄ３ｌ卒文算法图５不同算法的检索实例布信息，而且降低了图像特征表示的冗余度，利于图５结论研究了纹理粗糙度对提取图像鉴别信息的影响，将纹理粗糙度特征嵌入Ｉｔｔｉ视觉注意模型，提出一种新的图像检索方法。首先采用改进视觉注意模型构造不同尺度下的特征图，然后利用ＬＳＰ—ＨＦ对每个特征图进行描述，最后用ＬＰＰ算法对提取特征进行维数约简。本文算法不仅提取了图像的空间分像检索。实验结果表明，该算法具有较好的检索效果。［Ｉ］Ｈｕｍ＊ｌＤＨ，ＷｉｅｓｅｌＴＮ．Ｒｅｃｅｐｔｉｖｅｆｉｅｌｄｓ，ｂｉｎｏｃｕｌａｒｉｎｔｅｒａｅｔｉｎｎａｎｄｆａｎｃｔｉｏｎ越ａ弛ｌＩｉＩ。船ｉｎｔｈｅＢｅｌｔｔ’８“ｓｕｄｃｏｄｅｘ［Ｊ］．Ｊｏｔ，ｍａｌｏｆＰｈｙａｉｎｌ％，ｙ．１９６２．１６０（１）：１０６－１５４．［２］ＯｌＥｈａｕａｅｎＡ，ＦｉｅｌｄＤＪＥｍｅｑｇｅｎｃｅｏｆｓｉｍｐｌｅ。ｅｅｎｒｅｃｅｐｔｉｖｅ万方数据第９期黄传波等：应用视觉注意多分辨率分析的图像检索１６６３ｆｉｅｌｄｐｒｏｐｅｒｔｉｅｓｂｙｌｅａｒｎｉｎｇａ叩棚研ｃｏｄｅｆｏｒｎａｔｕｒａｌｉｍ８９∞［Ｊ］．Ｎａｔｕｒｅ，１９９６，３８１（１３）：６０７－６０９．［３］撕Ｊｉｎｇ，ＳｈｏｎＬａＤｓｔｍ，ＤａｖｉｄＤＦ．ＡｓｕｒｖｅｙｏｆｉｍａｇｅｒｅｔｒｉｅｖａｌｂａｓｅｄｖｉｓｕａｌｐｅｒｃｅｐｔｉＯｉｌ［Ｊ］．ＡｃｔｅＥｌｅｃｔｒｏｎｉｃａＳｉｎｉｃａ，２００８，３６（３）：４９４．４９９．［张菁，沈兰荪，ＤａｖｉｄＤＦ－基于视觉感知的图像检索的研究［Ｊ］．电子学报，２００８，３６（３）：４９４－４９９．］［４］ＳｔｅｎｔｉｆｏｒｄＦ．Ａｎａｔｔｅｎｔｉｏｎｂａｓｅｄｓｉｍｉｌａｒｉｔｙｍｅ８８ｍｗｉｔｈａｐｐｌｉｃａｔｉｏｎｔｏｃｏｎｔｅｎｔ·ｂａｓｅｄｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ［Ｃ］／／ＳｔｏｒａｇｅａｎｄＲｅｔｒｉｅｖａｌｆｏｒＭｅｄｉａＤａｔａｂａｓｅｓ，ＳａｎｔａＣｌａｒａ，ＣＡ，ＵＳＡ：ＳＰ匝ＥｌｅｃｔｒｏｎｉｃＩｍａｇｉｎｇ。２００３．５０２１：２２１－２３２．［５］１ｔｔｉＬ。ＫｏｃｈＣ。ＮｉｅｂｕｒＥＡｍｏｄｅｌ０ｆｓａｌｉｅｎｃｙ—ｂａｓｅｄｖｉｓｕａｌ８ｔｔｅｎｔｉｏｎｆｏｒ飕ｐｉｄｓ∞ｍａｎａｌｙｓｉｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，１９９８．２０（１１）：１２５４·１２５９．［６］ＴｒｅｉｓｍａｎＡ．Ｇｅｌａｄｅｃ．Ａｆｅａｔｕｒｅ·ｉｎｔｅｇｒａｔｉｏｎｔｈｅｏｒｙｏｆａｔｔｅｎｔｉｏｎ［Ｊ］．ＣｏｇｎｉｔｉｖｅＰｓｙｃｈｏｌｏｇｙ，１９８０，１２（１）：９７－１３６．［７］ＡｈｏｎｅｎＴ，ＭａｔａｓＪ，ＨｅＣ，ｅ‘ａＬＲｏｔａｔｉｏｎｉｎｖａｒｉａｎｔｉｍ孵ｄｅｓｃｒｉｐｔｉｏｎｗｉｔｈｌｏｃａｌｂｉｎａｒｙｐａａｅｍｈｉｓｔｏｇｒａｍＦｏｕｒｉｅｒｆｅａｔｕｒｅｓ［ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆ１６ｔｈＳｃａｎｄｉｎａｖｉａｎＣｏｎｆｅｒｅｎｃｅＩⅢ妒Ａｎａｌｙｓｉｓ．Ｂｅｒｌｉｎ：Ｓｐｒｉｎｇｅｒ－ｒａｒｉｎｇ，２００９，５５７５：６１－７０．［８］ＨｅｘＦ，ＮｉｙｏｇｉＰ．Ｌｏｃａｌｉｔｙｎ糖咖Ｐｒｏｊｅｃｔｉｏｎｓ［ＤＢ／ＯＬ］（２００３·１２·０８）［２０１０·１１·０１］．ｈｔｔｐ：／／ｂｏｏｋｓ．ｎｉｐｓ．ｅｃ／ｎｉｐｓｌ６．ｈｔｍｌ．［９］ＯｊａｂＴ，ＰｉｅｔｉｋｓｉｎｅｎＭ。ＭａｅｎｐｓａＴ．Ｍｕｈｉｒｅｓｏｌｕｔｉｏｎｇｒａｙ－珧ａｎｄｒｏｔａｔｉｏｎｉｎｖａｒｉａｎｔｔｅｘｔｕｒｅｃｌａｓｓｉｆｉｃａｔｉｏｎｗｉｔｈｌｏｃａｌｂｉｎａｒｙ万方数据ｐａｔｔｅｒｎｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２００２，２４（７）：９７１·９８７．［１０］ＬｉｕＬｉ，ＫｕａｎｇＧａｎｇｙａｏ．Ｏｖｅｒｖｉｅｗｏｆｉｍ孵ｔｅｘＲｍｄｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｓ［Ｊ］．ＪｏｎｒｎａｌｏｆＩｍａｇｅａｎｄＧｒａｐｈｉｃｓ，２００９，１４（４）：６２２—６３５．［刘丽，匡纲要．图像纹理特征提取方法综述［Ｊ］．中国图象图形学报，２００９，１４（４）：６２２．６３５．］［１１］ＨａｙｅｓＫＣ，ＳｈａｈＡＮ。Ｒｏｓｅｎｆｅｌｄ九ＴｅｘｔｕｒｅｃｏａＩ＇ｓｃｒｌｅ８８：ｆｕｒｔｈｅｒｅｘｐｅｒｉｍｅｎｔｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓＳｙｓｔｅｍｓ，１９７４，ＳＭＣ一４（５）：４６７－４７２．［１２］Ｈｏｔｅｉｌｉｎ８Ｉ－ＬＡｎａｌｙｓｉｓｏｆｃｏｍｐｌｅｘｏｆｓｔａｔｉｓｔｉｃａｌｖａｒｉａｂｌｅｓｉｎｔｏｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｓ［Ｊ］．ＪｏｕｍａｌｏｆＥｄｕｃａｔｉｏｎａｌＰｓｙｃｈｏｌｏｇｙ，１９３３。２４（７）：４９８·５２０．［１３］ＳｍｅｕｌｄｅｍＡＷ，ＳａｎｔｉｎｉＳ．ＷｏｒｆｉｎｇＭ。ｅｔａＬＣｏｎｔｅｎｔｂａｓｅｄｉｍａｇｅｒｅｔｒｉｅｖａｌａｔｔｈｅｅｎｄｏｆｔｈｅｅａｒｌｙｙｅａｒｓ［Ｊ］．ＩＥＥＥＴｍｎｓａｍｉｏｎｓＯｎＰａＲｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅＲｉｇｅｎｃｅ，２０００，２２（１２）：１３４９—１３∞．［“］ＳｕｎＪｕｎｄｉｎｇ．ＷｕＸｉａｏｅｈｅｎｇ．Ｉｍａｇｅｒｅｔｒｉｅｖａｌｂａｓｅｄｂｉｔ—ｐｌａｎｅｅｎｔｒｏｐｙａｎｄｓｐａｔｉａｌｅｎｔｒｏｐｙ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２００９，３１（３）：７１９－７２２．［孙君顶，毋小省．基于位平面熵及分布熵的图像检索［Ｊ］．系统工程与电子技术，２００９，３１（３）：７１９－７２２．］［１５］ＢａｍｉｄｅｌｅＡ，ＳｔｅｎｔｉｆｏｒｄＦ，ＭｏｒｐｈｅｔｔＪ．Ａｎａｔｔｅｎｔｉｏｎ·ｂａｓｅｄａｐｐｒｏａｃｈｔＯｃｏｎｔｅｎｔ·ｂａｓｅｄｉｍａｇｅｒｅｔｒｉｅｖａｌ［Ｊ］．ＢＴＴｅｃｈｎｏｌｏｇｙＪｏｕｒｎａｌ，２００４，２２（７）：１５１－１６０．应用视觉注意多分辨率分析的图像检索
作者：
作者单位：刊名：英文刊名：年，卷(期)：
黄传波， 金忠， Huang Chuanbo， Jin Zhong南京理工大学计算机科学与技术学院,南京,210094中国图象图形学报
Journal of Image and Graphics2011,16(9)
1.Ojala T;Pietikainen M;Maenpaa T Multiresolution gray-scale and rotation invariaut texture classification withlocal binary patterns 2002(07)
2.He X F;Niyogi P Locality Preserving Projectiors 2003
3.Ahonen T;Matas J;He C Rotation invariant image description with local binary pattern histogram Fourier features2009
4.Treisman A;Gelade G A feature-integration theory of attention[外文期刊] 1980(01)
5.IttiL;Koch C;Niebur E A model of saliency-based visual attention for rapid scene analysis[外文期刊] 1998(11)6.Hubel D H;Wiesel T N Receptive fields,binocular interaction and functional architecture in the cat' s visualcortex 1962(01)
7.Stentiford F An attention based similarity measure with application to content-based information retrieval2003
8.张菁;沈兰荪;David D F 基于视觉感知的图像检索的研究[期刊论文]-电子学报 2008(03)
9.Olshausen B A;Field D J Emergence of simple-cell receptive field properties by learning a sparse code fornatural images[外文期刊] 1996(13)
10.BamideleA;Stentiford F;Morphett J An attention-based approach to content-based image retrieval 2004(07)11.孙君顶;毋小省 基于位平面熵及分布熵的图像检索[期刊论文]-系统工程与电子技术 2009(03)
12.Smeulders A W;Santini S;Worring M Content based image retrieval at the end of the early years[外文期刊]2000(12)
13.Hotelling H Analysis of a complex of statistical variables into principal components 1933(07)14.Hayes K C;Shah A N;Rosenfeld A Texture coarseness:further experiments 1974(05)15.刘丽;匡纲要 图像纹理特征提取方法综述[期刊论文]-中国图象图形学报 2009(04)
1. 暴林超.蔡超.肖洁.周成平.BAO Lin-chao.CAI Chao.XIAO Jie.ZHOU Cheng-ping 一种用于复杂目标感知的视觉注意模型[期刊论文]-计算机工程2011,37(13)
2. 陈文兵.李齐周.王霞.杨建伟.CHEN Wenbing.LI Qizhou.WANG Xia.YANG Jianwei 综合颜色和轮廓曲线特征的图像检索方法研究[期刊论文]-计算机工程与应用2011,47(22)
3. 黄传波.金忠.HUANG Chuan-bo.JIN Zhong 基于视觉注意的彩色图像检索方法[期刊论文]-光子学报2011,40(7)
4. 张立保.李浩.Zhang Libao.Li Hao 基于双阈值视觉注意模型的图像关注焦点检测[期刊论文]-强激光与粒子束2011,23(3)5. 刘伟.张宏.童勤业.LIU Wei.ZHANG Hong.TONG Qin-ye 视觉注意计算模型及其在自然图像压缩中的应用[期刊论文]-浙江大学学报（工学版）2007,41(4)
6. 沈占锋.骆剑承.吴炜.胡晓东.Shen Zhanfeng.Luo Jiancheng.Wu wei.Hu Xiaodong 采用并行均值漂移算法实现农林地块边界的精确提取[期刊论文]-中国图象图形学报2011,16(9)
7. 马自萍.康宝生.MAZi-ping.KANG Bao-sheng 贝塞尔-傅里叶矩在图像检索中的应用研究[期刊论文]-计算机工程2011,37(17)8. 李柳柏.LI Liu-bai 基于感知意象的图像检索技术[期刊论文]-西南师范大学学报（自然科学版）2010,35(6)9. 冯俊丽 基于Itti模型的计算机视觉注意模型研究[期刊论文]-科技风2011(20)
10. 张俊.赵光宙.顾弘.Zhang Jun.Zhao Guangzhou.Gu Hong 高维金字塔匹配核改进算法[期刊论文]-中国图象图形学报2011,16(9)
本文链接：http://d.g.wanfangdata.com.cn/Periodical_zgtxtxxb-a201109013.aspx
