Asp图像模糊查询研究

1、Asp图像模糊查询研究    网络技术高速发展到今天,互联网及图象数据的应用日益频繁,人们面对指数级增长的海量图象信息,如何快速、准确、有效地利用好这些信息已经成为近年来研究的一个热点问题。如何通过网络管理和处理大量信息,特别是图象信息,传统的基于文本检索的方法已经很难满足人们的需求。目前面对海量的图象进行查询的方法主要有两种,基于表示的查询和基于内容的查询,本文从工程应用的实际出发,提出了在 ASP和SQLServer环境下对图象进行的多特征模糊查询的一种有效方法。关键词 图像模糊查询; iis; ASP; 引言 随着网络与数码技术发展，Web中的图像

2、资源日益丰富，搜索网络图像教学资源的有效方法是使用图像搜索引擎1，但目前的图像搜索引擎主要是利用关键词进行图像检索，搜索的准确率不高。为了解决这个问题，近十几年发展起来了基于内容的图像检索技术，通过自动分析提取图像低层的视觉特征（如图像的颜色、纹理、形状、布局等），利用模式识别等获得中层的对象特征和高层的主题特征，增加对图像内容信息的标引深度，然后针对图像的内容特征进行检索，避免因简单的关键词描述而造成图像描述的主观片面性和不完整性，提高检索准确率2。 本文根据中小学课本中的图像主题词，通过Google对Web中的相关图像进行预搜索并下载图像文件和所在网页，然后进行内容特征分析、提取，建立基础

3、教育网络教学资源图像索引数据库，最后利用条件检索结合自然语言模糊查询方式，实现基于图像主题和视觉特征的基础教育图像网络教学资源搜索，在很大程度上提高了网络教学资源图像搜索准确率，为有效利用网络图像教育教学资源提供了支持平台。下面就图像的内容特征表示、提取方法、检索算法等做较为详细的介绍。 图像的内容特征表示 Web网页中的图像都是以文件形式存在的，因而图像的文件名、文件格式、文件大小、文件建立时间、URL等都是明确的元信息，但图像的内容特征还没有统一的表示规范。我们参考MPEG-73按三层结构对图像网络教学资源的属性进行表征，如图1。1. 图像的全局特征图像的全局特征包括图像主题、主题分类、图

4、像类别、主色调、图像的大小和缩微图。 图像的主题是指图像所表现的内容或涵义。我们将从Web网页的相关文本（如图像文件名、标签、周边的文字、网页标题、链接网页的标题以及图像的URL、网页的URL和链接的URL等）提取的描述图像主题的短语、句子和文字，利用英文拼音缩写词汉语词典对文本中的英文、拼音、缩写词翻译成中文，然后利用中文分词词典进行分词，提取具有实际意义的名词、动词、形容词或词组作为描述图像主题的主题词组。 主题分类是按照图像的主题词进行的分类。图像的主题词代表了图像的全部或部分关键信息。我们首先按图像主题词可能代表的图像特征对图像主题词进行分类，建立图像主题词分类体系。本着主题越相似，分

5、类距离越小的原则，我们将图像主题分为人物、动物、植物、自然、建筑、物品、场景、创作共8类，每类又分若干子类，按层次结构逐层逐级展开，直至具体主题名词，如图2。我们根据图像的主题词组与图像主题分类体系的分类路径的相关性将该图像分到最相关的一类或几类中3。如果一幅图像只有一个主题词，且该主题词包含在一个分类路径中，则将该图像分为该路径类；如果一幅图像有多个主题词，或一个主题词包含在多个分类路径中，则按最大相关性原则分类，将其划分到具有最大相关性的分类路径中。两个主题词集的相关性用相关词（同名词和同义词）的比率表示。例如，某照片的主题词是“武夷山、风光”，与分类路径“自然/山/武夷山”和“场景/风景

6、”的相关词比率分别为2/5和2/4，与其它分类路径的相关词比率为0，则该照片分为“场景/风景”类。 类别是根据图像内容的视觉特点对图像的分类，由于相同主题的图像可能包含完全不同的内容，如名为“泰山”的图像可能指“泰山”风光照片，也可能指“泰山”旅游地图，还可能指“泰山”书法等。因此，图像的内容分类对图像检索、过滤和识别等又有特殊的意义。我们根据图像的颜色数、饱和度等参数将其分为照片和图画；根据直线边缘比率将图画分为绘图和绘画，将照片分为自然物照片和人造物照片；根据边缘模糊度将绘画分为工笔画和简笔画等，如图3。 图像分类的方法有多种，如按图像主题分类、按图像格式分类、按图像内容分类等。对于Web

7、图像，目前还没有统一、规范的分类体系。然而，对Web中图像资源进行合理分类，建立规范的分类体系，有积极的、现实的意义。我们对图像主题、内容分类进行了专门研究，建立了结合图像主题和内容特征的图像分类体系，以求对图像资源能够有一个共识的分类体系。 主色调指图像中使用较多的颜色。我们采用改进的HSI颜色模型，将整个颜色空间压缩到半径为0.5的圆内，计算区域内像素的颜色直方图Hist(h,s,i)，其中H均匀量化18份，S均匀量化5份，I均匀量化10份，共611种有效颜色。我们提取三维直方图Hist(h,s,i)的前5个极大值（而非最大值）对应的颜色作为区域的主色调，用RGB值表示。 我们将图像对角线

8、的长度大于900像素的分为大图像，小于180像素的分为小图像，其它分为中图像；缩微图是原图像的缩小版，其宽、高分别不大于160、120像素，用于图像的缩微显示。 2. 图像的局部区域特征 图像的内容和结构特征主要表现在图像的局部区域上，要实现图像的内容和结构分析，必须通过图像分割、区域特征提取，才能实现图像中局部区域的识别。图像分割是图像分析与机器视觉等领域经典的研究难题之一。图像分割的方法主要有三类：基于边缘的图像分割、基于区域的图像分割和基于像素聚类的图像分割。基于边缘的分割是根据检测到的图像边缘，利用封闭的边缘线来分割图像，比较适合于边缘比较明显的图像分割，如卡通图、图形等。基于区域的图

9、像分割是将图像中性质上相似、空间上相连的像素联合生成一个个区域，适用于颜色缓慢变化、边缘模糊的图像分割，如电脑生成的颜色渐变图像、自然界中的风景图像等。基于像素聚类的分割是利用图像中像素的共同性质进行聚类，形成具有相似性质的像素聚类区域。同一物体的像素应该聚类为同一区域，从而实现对物体区域的分割，但聚类参数选择、聚类方法方面还存在很多困难，目前还没有通用的比较完善的图像分割方法。我们应用一种改进的颜色模型，一方面利用像素邻域中最大的颜色距离检测边缘，利用边缘极大值确定边缘，利用数学形态学修整边缘，利用边缘方向加权连接实现图像分割；另一方面，利用三维颜色直方图的极大值提取图像主色调，然后对图像颜

10、色量化，对量化后的图像再进行基于边缘的分割。最后两种分割结果整合，形成最后的图像分割。 图像区域分割后我们将其分为图像的背景和前景。前景是图像着重表现的区域，通常比较清楚，因此我们根据区域内边缘的模糊度区分背景和前景。图像主体是图像重点表现的几个前景区域，我们提取5个面积最大的前景区域作为图像主体，然后试图识别这些主体区域是什么。主体识别对基于内容的图像检索具有重要意义。目前，利用物体在图像中投影的视觉特征和先验知识识别物体的效果还不理想。Web图像与文本相伴，在与图像相关的文本中可能包含一些描述图像主体及其视觉特征的名词或形容词。将这些名词或形容词提取出来，用于指导图像主体的分析和识别，会大

11、大提高图像主体的识别率和识别准确率。我们建立了图像主体知识库，列出了240个面向自然风景和动物的图像主体必须具有和可能具有的颜色、纹理和形状特征，用“与或式”表示。利用从相关文本中提取的主体名词，结合主体区域的视觉特征和主体视觉特征知识库进行，识别后的主体区域用主体名表示。初步实验表明，在文本中含有图像包含的主体名时，即使文本中对应的视觉特征词很少，利用图像主体知识库仍能达到较高的识别正确率，但总体识别率很低4。识别率低的主要原因是文本中缺少对应的主体名，而建设更复杂的图像主体视觉特征知识库、从Web网页中提取更恰当的图像主体名及视觉特征描述词等还需要做大量工作。 3. 图像局部区域的视觉特征

12、 图像局部区域的视觉特征包括颜色、纹理、形状、位置、方向、大小等。图像背景比较简单，这里只用平均颜色表示，用RGB值表示。图像主体人们比较关心，因此其视觉特征表示得比较详细。颜色指主体区域的平均颜色，用RGB值表示；形状指主体区域的外轮廓形状，用形状名表示，如条形、圆形、椭圆形、柳叶形、月牙形、正方形、三角形、梯形、星形等。形状识别是图像分析中非常困难的工作。我们采用单参数阈值分类和多参数模糊分类相结合的方法，仅对17种常见的基本形状进行了识别实验：对形状参数有明显区别的形状利用简单形状参数进行阈值分类识别，对单个形状参数难以区分的形状采用7个不变矩作为输入参数，使用BP神经网络作为分类器进行模糊识别；纹理指主体区域的纹理，用纹理名表示，如花纹、条纹、斑纹、木纹、波纹、绒毛等。纹理识别也是图像分析中非常困难的工作。我们采用Gabor滤波器输出的均