图像检索：FCTH（Fuzzy Color and Texture Histogram）算法

模糊颜色和纹理直方图（Fuzzy Color and Texture Histogram，FCTH）

 

本文节选自论文《基于半监督和主动学习相结合的图像的检索研究》

FCTH 特征可从 3 个模糊单元的组合求得结果。先将图像划分成若干分块，在第一个模糊单元中以 HSV 颜色空间的三个信道为输入，经模糊系统最终产生 10-bin 的直方图。在第二个模糊单元修改每个颜色的色调后，经模糊系统最终产生 24-bin 的直方图。以上两个模糊单元在颜色描述子的章节中已详细作了解释，且模糊颜色描述子与 CEDD中所提的颜色描述子是同一个概念，在此不再累述。在第三个模糊单元中，将图像分块经 Harr 小波变换成一组纹理元素，模糊系统以这些纹理元素集为输入将 24-bin 直方图转换成 192-bin 的直方图。最后是描述 FCTH 特征提取的实现。

2.1.3.2.1. 模糊纹理分割

模糊系统如图 2-8 所示，展示了模糊纹理直方图的求解过程，图像分块经 Harr 小波变换得到三个纹理元素f_LH,f_HL和f_HH。 这三个纹理元素作为模糊系统的输入，可得到 8-bin 直方图，8bins 对应的区域分别是：(0)低能量线性区，(1)低能量水平激活区，(2)低能量垂直激活区，(3)低能量水平和垂直激活区，(4)高能量线性区，(5)高 能量水平激活区，(6)高能量垂直激活区，(7)高能量水平和垂直激活区。

事实证明f_LH,f_HL和f_HH等纹理元素能有效辨别图像的纹理。

2.1.3.2.2. FCTH 的实现

首先定义与提取颜色信息相关的单元为颜色单元，与提取纹理信息相关的单元为纹理单元，如图 2-9 所示，纹理单元所在的模糊系统产生了 8 个区间，颜色单元所在的模糊系统产生了 24 个独立区间，这样最终的直方图将产生 8*24=192bin 区域。为了塑造这个直方图，衡量图像的细节与计算要求，先将图像分割成 1600 个分块。如果定义纹理单元的bin为N并且颜色单元的bin为M，那么该图像分块的直方图位置将为：N*24+M。

整个 FCTH 的实现模型如图 2-9 所示，分为纹理单元模块与颜色单元模块。

 

a) 在纹理单元模块中，每个图像分块经 Harr 小波变换得到三个纹理元素f_LH,f_HL和f_HH的值，经模糊关联系统分类可将该图像分块归类于 8-bin 直方图中的一种。假设该图像分块被归类到第二 bin 中，则它对应的纹理应为低能量水平激活区。

b) 在颜色单元模块中，每个图像分块被转化到 HSV 颜色空间。信道色调 H，饱和度 S，亮度V组成模糊系统的输入，得到输出为10-bin的直方图。假设输出结果为第4bin，对应的颜色为红色。第二个模糊系统（24-bin 模糊关联）将原先的每个色调再次分割成 3 色调，改变亮度 V 为两个模糊区间，得出输出为 24-bin 直方图。再假设输出结果为第 4bin，此时对应的颜色却为深红色。合并这三个模糊系统最终可将该图像分块归类为 27bin(1*24+3)。

c) 反复对图像的所有分块执行上(a)，(b)两个步骤，得到整张图像的直方图，直方图会归一于{0-1}区间内，而每个直方图可量化为 3 比特。

 

2.1.3.2.3. FCTH 特征的相似度量

为了计算 FCTH 特征向量的相似性距离我们选择使用 Tanimoto 系数。