植基於邊緣特徵空間關係之影像查詢技術
潘迎欣
國立台中技術學院 資訊管理系 psal0524@yahoo.
com.tw
陳姿君
國立台中技術學院 資訊管理系
likedoudou@yahoo.
com.tw
翁倩儀
國立台中技術學院 資訊管理系
wennieghost@yahoo.
com.tw
吳憲珠
國立台中技術學院 資訊工程系 wuhc@ntit.edu.tw
摘要
本文提出一個新的以影像內容為查詢依據 之 影 像 查 詢 技 術 (Content -based Image Retrieval，CBIR)。以查詢影像內容為主之 技術，其重要的關鍵乃在於從影像中擷取 出具有區隔能力之特徵作為依據，發展出 快速且精確的影像查詢系統。本文提出新 的影像特徵分析方法：邊緣偵測特徵及邊 緣樣式共相關矩陣。將此兩種的特徵與顏 色直方圖相結合可以兼顧紋理特徵、空間 關係以及色彩分佈之優點，進而有效地提 升影像辨識的準確性。
關鍵詞：CBIR、直方圖分析法、邊緣偵 測、邊緣樣式共相關矩陣
一、簡介
隨著多媒體時代的到來，網際網路的 環境日漸成熟，數位技術也高度普及化，
影像科技的便捷性與即時性，使得每日都 會產生龐大的數位資料，網際網路上影像 查詢技術逐漸取代文字查詢技術的地位，
例如：醫學影像管理、博物館文物典藏、
地理資訊系統、人臉指紋辨識、數位圖書 館、入口網站的查詢系統等各種領域裡，
都可看見數位影像技術廣泛被運用，因為 從影像裡能帶來更多額外的資料，有些想 查詢的內容是無法使用文字來描述，因此
獲得有效資訊的正確性會提高。如何將這 些影像資料建構出一個有效率處理影像的 機制轉化成為人們所需的資訊，同時不遺 漏影像內的資料，得以了解影像資料技術 的查詢方式已成為當前最受矚目的研究議 題。
近年來的影像內容查詢技術(Content -based Image Retrieval，CBIR)[11]裡，大 部份都以查詢影像內容為主要研究方向，
一般可依影像顏色的分佈[2]，[5]、紋理結 構[6]，[10]、外形[1]，[4]等分類做為影像 的特徵，建立影像資料庫索引檔來查詢資 料。顏色直方圖（Color Histogram） [15]
是最常被使用的特徵之一來當為查詢的依 據，因為方法簡單且計算快速，但此方式 只能表示影像的全域資訊，而無法取得影 像的紋理變化以及影像物件之間相互的空 間關係。假使有兩張影像內容相同但彩度 不同，單單運用顏色直方圖的話，會因為 無法判斷出它們紋理特徵相同而導致影像 相似度非常低，因此錯誤率會相當的高。
另外，學者 Huang 針對顏色直方圖的缺點 提 出 顏 色 相 關 直 方 圖 的 方 法 (Color-Correlogram，CC) [3]，[7]，[8]，
[11]，[16]對顏色之間的空間分佈情形的資 訊加以改良做為影像查詢的特微，雖然此 方法參考到顏色空間的關係但仍然存在一 些缺點，就是沒有將物件邊緣的紋理特微 考量進去，而且也無法抵抗影像內容中的 物件位移或旋轉的發生。因此針對查詢物
件時的精確度則稍嫌不足。為了將這些問 題排除，本研究提出以的邊緣偵測當作影 像紋理空間擷取特徵，並且透過邊緣樣式 共相關矩陣利用 Sobel 運算後得到的梯度 值可以組成十六種的可能組合-紋理樣式 值累積在共相關矩陣中，同時結合顏色直 方圖的色彩分佈，改善物件之間的空間關 係，發展出一套重紋理特徵的影像查詢系 統。
二、相關研究
(1) 邊緣偵測技術
影像處理上的梯度大小是用一階導數 來實現，如方程式(1)影像 f 的(x,y)像素點 的梯度定義，此向量大小如方程式(2)，其 中牽涉到平方根的運算，一般做法是用絕 對值來近似梯度的大小，如方程式(3)，雖 然同向性的特質會消失，但計算較簡單且 能保持灰階的相對變化。
y f x f
G f G
y
x (1)
2 2
12 2 2 12)
(
y
f x G f
G f mag
f x y (2)
y
x
G
G
f
(3)1. Roberts 交叉梯度運算子(Roberts cross-gradient operator)
Roberts[13]於 1965 年提出邊緣偵測的 方法，其使用
2 2
的遮罩算出梯度，如圖 一給定的的係數，方程式(4)計算時參照圖 二的編號，其中 z 為灰階像素值。圖 一：Roberts 交叉梯度運算子
圖 二：
3 3
影像區域
8 6
5 9
z z G
z z G
y x
及 (4)
2. Prewitt 運算子(Prewitt operator) 由 Prewitt[12]於 1970 年提出，這是以
3 3
的遮罩進行運算，有中心點，容易實 現，是個效果不錯的邊緣偵測方法，其係 數如圖三及方程式(5)、方程式(6)所示。圖 三：Prewitt 運算子
z z z z
１z
２z
３
G
x
7
8
9
(5) z
3z
6z
9 z z
4z
7
G
y
１
(6)z
1z
2z
3z
4 z5 z6z7 z8 z9
－１ ０
０ １
０ －１
１ ０
-1 -1 -1 0 0 0 1 1 1
-1 0 1 -1 0 1 -1 0 1
3. Sobel 運算子(Sobel operators)
Sobel[14]於 1970 年提出，修正 Prewitt 運算子的係數，給予中心點多一倍的權 重，目的在於達到平衡，其運算方式及係 數如圖四及方程式(7)所示。
圖 四：Sobel 運算子
732
8 6 9 9
1 12
2 4 3 7
2 2
z z z z z z
z z z z z z f
(7)(2) 影像查詢技術 1. 顏色相關直方圖
顏色相關直方圖技術是參考顏色之間 的空間分佈情形的資訊，此方法是定義影 像
I
中 有n
個 像 素 ， 存 在n
C
mC
C
、1 、2 ... 、 等 m 種顏色，如此可在 影像中獲得m
種類的顏色關係來累積m
機率。因此顏色相關直方圖方法是以顏色 屬性做為影像的特徵查詢出相似圖。雖然 此方法將顏色間的關係表達出來，但對於 影像內容中明暗變化以及物件的邊緣特徵 沒有考量進去，所以精確度並不太高。2. 顏 色 共 相 關 矩 陣 (Color Co-occurrence Matrix , CCM)
針對顏色相關直方圖取得的特徵並無 考量到色彩空間分佈的關係，顏色共相關 矩陣 (Color Co-occurrence Matrix , CCM) 改善此項缺失，增加矩陣來儲存顏色關係
的機率。CCM的矩陣大小是依據影像顏色 種類的多寡來產生，所以一張256色的影像 會產生一個大小為
256 256
的CCM。如果 使用一張多色調(multi-tone)的影像會導致 CCM矩陣的佔用的儲存空間增大而且花 費的計算時間會較久，查詢時執行速度會 變慢。此外，CCM 雖以色彩分佈的空間 關係為特徵，但如有外來因素使得色彩複 雜度變高，對於色彩複雜度的敏感度低，因此會降低精確度。
3. 樣式共相關矩陣(Motif Co-occurrence Matrix , MCM)
此技術是由Jhanwar[9] 等人提出，以一 個3D矩陣，找出可能的樣式值，首先將每 張影像切割成數個
2 2
的區塊，每個區塊 都使用Peano scanning 方法以不重複方式 (non-overlapping) 或 重 複 的 方 式 (overlapping)進行處理並取代成特定的樣 式值(motif)，樣式值的產生是先固定左上 的像素分別對右上、左下與右下進行計 算，與像素i
距離最小者先選定，依照此模 式 比 較 運 算 後 ， 將 有 六 種 可 能 的 樣 式 值”Z”, ”N”, ”U”, ”C”, gamma和alpha做 為特徵值，如圖 五所示。最後計算計算兩 張影像中每種樣式值之間的關係儲存於6
6
的 樣 式 共 相 關 矩 陣 (Motif Co-occurrence Matrix , MCM)計算出機率。-1 -2 -1 0 0 0 1 2 1
-1 0 1 -2 0 2 -1 0 1
圖 五：MCM六種可能的樣式值
MCM與CCM主要的差別為CCM的矩 陣大小是依據影像顏色種類的多寡來產 生，而MCM矩陣的大小是以六種樣式值產 生
6 6
的矩陣，MCM明顯所佔空間小了 許多，此外CCM是直接記綠像素與像素間 的 關 係 ， 並 沒 有 像 MCM 有 分 割 成 數 個2
2
的區塊進行掃描計算產生新的樣式 值，所以對於紋理之間的變化，MCM較為 敏感、準確，但CCM仍存的問題是，沒有 考慮到顏色屬性，在彩度上的比對近乎於 零。本文所提的方法將透過結合紋理與色 彩資訊，則可獲得較佳的效果。三、研究方法
本研究以 Sobel 的邊緣偵測、半放射 狀掃描共相關矩陣與顏色直方圖做為基 礎，發展一套重紋理特徵的影像查詢系 統。邊緣偵測有眾多種方式，本研究採用 Sobel 的原因有兩點：
1. 與 Roberts 的交叉梯度運算子(Roberts cross-gradient operator)比較，Roberts 較不 易實現，且能取得的紋理樣式太少，空間 關係的範圍太小，同時，
3 3
的遮罩大小 有明確的中心點比偶數的遮罩容易實現。2. 與 Prewitt 運算子(Prewitt operators)比 較，雖然 Prewitt 遮罩較 Sobel 遮罩容易完 成，但我們仍需 Sobel 優越的雜訊抑制特 性，而這也常成為影像查詢技術中的一大 議題。
本研究是一種紋理特徵與空間關係兼 俱，再搭配色彩複雜度的影像查詢技術。
第一項特徵值是採用 Sobel 的邊緣偵測，
針對獲得的梯度值，以
2 2
的像素掃描擷 取樣式值，並利用邊緣樣式共相關矩陣來 儲存紋理關係。第二項特徵值是顏色直方 圖正規化的特徵值。查詢時，先比較此兩 項特徵值差異和，越小者與查詢圖越相 近，詳細處理說明如下：(1) Sobel 的邊緣偵測
彩 色 的 數 位 影 像 有 R(Red) 、 G(Green)、 B(Blue)三 原色 ， 在求出邊緣 時 ， 採 YUV 的 方 式 求 得 顏 色 強 度 (0~255)，並以
3 3
的遮罩掃描，如圖六垂 直、水平遮罩、圖七正負 45 度遮罩所示，再計算兩者的梯度和，若梯度小於 200 者，則將梯度設為零，以此方式，這四個 遮罩的貢獻都可完整保留，也只會留下邊 緣訊息強烈者的梯度，可由圖八、圖九及 圖十得知較清晰、較少多餘線條，幾乎只 留下主體的邊緣。
圖 六：利用垂直、水平遮罩
圖 七：利用正負 45 度遮罩 0 1 2
-1 0 1 -2 -1 0
-2 -1 0 -1 0 1 0 1 2 -1 -2 -1
0 0 0 1 2 1
-1 0 1 -2 0 2 -1 0 1
N U
Z
C Gamm Alpha
圖 十二：決策樹 - 紋理樣式值
圖 八：查詢原圖
圖 九：梯度大於 0 圖 十：梯度大於 200
(2) 邊緣樣式共相關矩陣
由 Sobel 運算後得到的梯度值，用比 較大小的方式來獲得第一種特徵值，其中 比較方式如圖十一，第一次方向由
d 與
0d
1 比較，第二次由d 和
1d 比較，第三次由
3d
3 和d 比較，第四次由
2d 再和
2d 比較，正好
0繞一圈，每次比較結果有兩種，一種是前 面的像素值小於後面的像素值，一種是前 面的像素值大於後面的像素值，根據四次 的 比 較 結 果 ， 可 得 16 種 可 能 的 組 合
16
2
4
，如同圖十二的決策樹。為能擷取 更大範圍的影像紋理特徵，這些組合與鄰 近的樣式值能表現出各個區塊包含的更多 紋理關係，故累積在邊緣樣式共相關矩 陣，其矩陣大小即為16 16
的二維矩陣。圖 十一：利用 Sobel 運算得到梯度值比較方式
d
1d
2d
3d
0d
1d
2d
3d
0d
1d
2d
3d
0d
1d
2d
3d
0)
(d0d1 (d0d1)
)
(d1d3 (d1d3)
)
(d3 d2 (d3d2)
)
(d2d0 (d2d0)(d2d0)(d2d0)(d2d0)(d2d0)(d2d0)(d2d0)(d2d0)(d2d0)(d2d0)(d2d0)
)
(d3 d2 (d3 d2) (d3 d2) (d3 d2) (d3d2) (d3d2) )
(d1d3 (d1d3)
)
(d2d0 (d2d0)
d0 d1 d2 d3
d
0累積方式採重複(overlapping)和半放 射狀(semi-radial)的方式掃描，如圖十三中 心點是 10 與左上角是 8，對應在(10,8)的 位置上加一累積，中心點是 10 與正上方是 6，那就在(10,6)的位置上加一累積，中心 點與右上角、中心點與正左方同理，如此 一來，整張影像的紋理特徵都紀錄在邊緣 樣式共相關矩陣中。
圖 十三：邊緣樣式共相關矩陣放射方向
最後將存在共相關矩陣內的值除以總 像 素 個 數 ， 此 步 驟 稱 作 「 正 規 化 (Normalization)」，正規化能將大小不一的 影像，規範其特徵值在 0~1 之間，且總和 為 1，此步驟能將大小不一的影像順利查 詢出來。
(3) 顏色直方圖
彩色的數位影像中，顏色對圖片的資 訊貢獻也很大，本研究使用最基本的技術
「顏色直方圖」來增強顏色的特徵，其方 法首先將影像分離成 R(Red)、G(Green)、
B(Blue)三個色版，分別累積影像中每個像 素值(0~255)出現次數，得到三個直方圖 (0~255)，個別是 R、G、B 三原色，再將 直方圖中的每個值除以總像素個數，此步 驟稱作「正規化」，其意義等同於取得紋理 特徵值做的正規化，最後顏色特徵值完成。
(4) 差異的求算
將欲查詢之影像計算出紋理特徵值與 顏色特徵值，再將影像資料庫中的影像已 事先計算好的特徵值取出，這樣的方式，
便於日後查詢時特徵值的取得，加快查詢 的速度。
差異只計算欲查詢之影像非零的特徵 值位置與其他影像對應的位置之差，此兩 值之差再除以兩值相加之和，將結果計算 出的總和，即為差異，此方式是將差異正 規化，使得差異的值接近零，大多都是落 在 0~10 之間的浮點數。
以紋理特徵值來說，一個
16 16
的共 相關矩陣中，當欲查詢之影像在(0,0)的位 置等於零，則跳過不計算於差異內，若(0,1) 的位置不等於零，則擷取該張資料庫的影 像在(0,1)的值，計算兩值之差再除以兩值 相加之和，以此方式處理共相關矩陣後，其值之和當做為紋理特徵值的差異。
以顏色特徵值來說，三個 256 的陣列 各是代表紅、綠、藍三種顏色的特徵值，
當欲查詢之影像在紅色 159 像素值的機率 為零，則跳過不計算於差異內，在紅色 160 像素值的機率不為零，則擷取該張資料庫 的影像在紅色 160 像素值的機率，計算兩 值之差在除以兩值相加之和，以這個方式 處理三種顏色的直方圖，其值之和當做為 顏色特徵值的差異。
最後將紋理特徵值差異與顏色特徵值 差異相加，其值愈小者愈相似。
四、 演算法
以下說明本文所提出方法的步驟：
(1) 流程 步驟 1：讀檔
彩 色 影 像 讀 入 將 三 原 色 分 別 放 入 Red[][]、Green[][]、Blue[][]的陣列中，並 以 YUV 的方式計算灰階值存入 Gray[][]。
Gray[i][j]=(int)(0.299
Red[i][j]+0.587
Green[i][j]+0.114
Blue[i][j]);步驟 2：採用Sobel求出梯度
用以下四個遮罩水平、垂直、負 45 度、正 45 度，對 Gray[][]掃描求得的值，
8 6
即為梯度，且只有留下梯度大於 200 的梯 度值，存在 Edge[][]中。
int[][]h={{-1,-2,-1},{0,0,0},{1,2,1}};
int[][]v={{-1,0,1},{-2,0,2},{-1,0,1}};
int[][]n={{0,1,2},{-1,0,1},{-2,-1,0}};
int[][]p={{-2,-1,0},{-1,0,1},{0,1,2}};
步驟 3：針對梯度求出樣式值
樣式值取得的方式是以
2 2
的樣式 值繞一圈比大小而得的，如同以下處理：String kind ="";
kind+=edge[i][j]>edge[i][j+1]?1:0;
kind+=edge[i][j+1]>edge[i+1][j]?1:0;
kind+=edge[i+1][j]>edge[i+1][j+1]?1:0;
kind+=edge[i+1][j+1]>edge[i][j]?1:0;
kind 的值就像是 4bits 由 0、1 組成的二進 制，此時再將 kind 轉成十進制，其範圍從 0~15，整張影像都計算出樣式編號，儲存 到 Motif[][]，故邊緣樣式共相關矩陣為
16
16
的二維陣列。步驟 4：將紋理關係累積到邊緣樣式共相 關矩陣
以重複方式的半放射狀方式掃描，累 積到邊緣樣式共相關矩陣 EMCM[16][16]
中。
EMCM[Motif[i][j]][ Motif[i-1][j-1]]++;
EMCM[Motif[i][j]][ Motif[i-1][j]]++;
EMCM[Motif[i][j]][ Motif[i-1][j+1]]++;
EMCM[Motif[i][j]][ Motif[i][j-1]]++;
步驟 5：正規化邊緣樣式共相關矩陣 完成紋理關係的累積後，將累積的次 數轉成機率，正規化方式即是將共相關矩 陣的各個值除以總像素個數，則取得紋理 特徵值。
EMCM[i][j] /= totalpixels;
步驟 6：累積顏色直方圖
由讀入影像的 Red[][]、Green[][]、
Blue[][]個別累積在 Rhisto、Ghisto、Bhisto 的直方圖中。
Rhisto[red[i][j]]++;
Ghisto[green[i][j]]++;
Bhisto[blue[i][j]]++;
步驟 7：正規化顏色直方圖
完成顏色次數的累積後，將累積的次數轉 成機率，正規化即是將三色直方圖個別除 以總像素個數，則取得顏色特徵值。
Rhisto[i] /= totalpixels;
Ghisto[i] /= totalpixels;
Bhisto[i] /= totalpixels;
步驟 8：兩項特徵值差異計算，再排序 一張欲查詢之影像Q按照步驟1到步 驟6求出兩項特徵值，對資料庫中影像D作 查詢，影像D都已事先計算好特徵值另存 起來，故可直接讀出影像D的特徵值，只 在Q的特徵值不為零的位置，進一步計算 與D對應特徵值的差異，其計算方式為兩 值之差除以兩值相加之和，在共相關矩陣 的地方，紋理特徵值差異的總和(motifdiff) 乘以3倍，作為權重，在直方圖的地方，注 意三原色各自累積差異後，將差異相加，
以此作為顏色特徵值colordiff，則總差異 (totaldiff)為紋理特徵值與顏色特徵值之 和，其處理如下：
if(EMCMq[i][j] != 0){
motifdiff+=Math.abs(EMCMq[i][j]-EMCMd [i][j])/ (1+EMCMq[i][j] +EMCMd[i][j]);
if(histoq[i] != 0){
colordiff+=Math.abs(histoq[i]-histod[i])/ (1+
histoq[i] +histod[i]);
totaldiff = motifdiff * 3 + colordiff ;
最後將差異的結果儲存在陣列中，排 序結果愈小者表示愈相似，最後即可輸出 相似的圖。
(2) 分析：
事先將兩種特徵值儲存起來，時間複 雜度分成計算特徵值和計算差異階段。
計算這兩種特徵值的時間複雜度上，
無可避免的都在 O(寬
高)的上限，但因為 使用 Sobel 的關係，計算以加減法為主，所以計算速度將會快速一點。而計算差異 的地方，因為是將原先計算的特徵值讀 出，時間複雜度能控制在 O(16
16+3
256) 的線性時間，假設資料庫有 N 張 n
n 的影 像，現在輸入一張 n
n 的影像，首先計算 兩種特徵值，則至少需要 O(n2)的時間，計 算差異，每一張與輸入的影像比較，則只 需 O(16
16+3
256)的常數時間，與資料 庫的 N 張影像作比較，也只須 O(N
(16
16+3
256))=O(N)的線性時間即可完 成，在時間複雜度的角度來看，本研究方 法有很大的貢獻。五、實驗結果
本研究以 Sobel 的邊緣偵測的梯度為 依據，用比較的方式得到樣式值，採重疊 方式的掃描累積在邊緣樣式共相關矩陣，
再用顏色直方圖加以輔佐。本研究方法（以 Sobel-CM 表示）與重疊方式的 MCM 在商 標圖、灰階紋理圖、建築物這三個資料庫 比較，使用的比較標準是第一張傳回正確 的正確率，公式為：Precision =TP/(TP + FP)，以及前十張傳回正確的查詢率，公式 為：Recall =TP/(TP + FN)，其中，TP：代 表查詢到的相似圖，FP：代表查詢到的不 相似圖，FN：代表未查詢到的相似圖，
TN：代表未查詢到的不相似圖。
首先以商標圖作比較實驗，有八類變
化彩色圖，各類一百張，變化種類包含 Contrast( 對 比 ) 、 Distortion( 變 形 ) 、 Hue( 色相) 、Luminance(亮度)、Noise(雜 訊)、Region(區塊)、Rotation(旋轉)、Scale(影 像大小)
以不同的變化圖找出原始圖，重複實 驗 100 次，第一張就傳回正確的正確率，
其結果如表 I及圖 十四，在對比與影像大 小的正確率都達到 70%，且都比 MCM 高 了 50%的機率，其他每一類都高 MCM 約 30%的機率，由於 MCM 的紋理樣式值不 足 ， 導 致 每 一 類 平 均 正 確 率 只 有 10%~30%，最值得一提的是雜訊影像實驗 結果顯示，本方法使用 Sobel 可以抑制雜 訊干擾，因此有顯著的效果。
表 I
正確率(precision)
precision 方法名稱 MCMSobel-CM Contrast 22% 71%
Distortion 20% 56%
Hue 24% 58%
Luminance 32% 61%
Noise 1% 37%
Region 9% 41%
Rotation 1% 30%
Scale 23% 70%
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
Contrast Distortion
Hue Luminance
Noise Region
Rotation Scale
MCM
Sobel- CM
圖 十四：正確率(precision)
以不同的變化圖找出原始圖，重複實 驗 100 次，前十張傳回正確的查詢率，其 結果如表 II及圖十五，只有區塊和旋轉查 詢率低於 70%，其他類接近 80%或超過 80%的機率被找回來，在變形、色相、亮 度的影像中，本文的方法比 MCM 高了 10%，其他類則高了 20%~30%以上，
表 II 查詢率(recall)
recall 方法名稱 MCM Sobel-CM Contrast 54% 81%
Distortion 71% 81%
Hue 63% 76%
Luminance 73% 87%
Noise 14% 80%
Region 42% 65%
Rotation 24% 43%
Scale 57% 82%
0 0.2 0.4 0.6 0.8 1
Contrast
Distortion Hue Luminance
Noise Region
Rotation Scale
MCM
Sobel- CM
圖十五：查詢率(recall)
以下是本文提出的方法與 MCM 在灰 階紋理圖的實驗，共有 1776 張紋理圖，一 組同類的紋理相似圖有 16 張，即有 111 種紋理，重複實驗 1776 次，結果如正確率 (precision)表 III、圖 十六所示，本研究第 一張就傳回正確的正確率 95%，MCM 64%。查詢率(recall)表 IV及、圖 十七所 示，本研究在前 40 張就能傳回 84%的相
似圖，MCM 僅有 48%，足以說明本研究 採用的紋理特徵值可得到較有效的查詢結 果。
表 III 正確率(precision)
張
數 1 3 5 20 40
MCM 64% 59% 55% 51% 48%
方 法 名
稱 Sobel-CM 95% 92% 89% 87% 84%
圖 十六：正確率(precision)
表 IV 查詢率(recall)
張
數 1 3 5 7 9
方
法 MCM 4% 12% 18% 47% 58%
前N張的查詢率
0 0.2 0.4 0.6 0.8 1
1 2 3 4 5 10 20 30 40 50
MCM Sobel- CM
圖 十七：查詢率(recall)
第N張的正確率
0 0.2 0.4 0.6 0.8 1
1 2 3 4 5 6 7 8 9 10
MCM Sobel- CM
以下是本研究與 MCM 針對建築 物圖的查詢實驗，共有 167 張大自然 和素材圖，樹林、樹叢、樹皮、樹枝、
樹葉、瓷磚和建築、油畫和水彩畫、
以及大豆小豆等，不僅顏色相近，甚 至紋理都是一格一格、一顆一顆、一 條一條的，還有一些看起來不相似的 圖參雜其中，提高了查詢的困難度，
結果如正確率(precision)表 V、圖 十 八所示，本研究第一張傳回正確的正 確率 66%，而 MCM 僅僅 34%。
表 V 正確率(precision)
張
數 1 3 5 7 9
MCM 34% 26% 21% 18% 16%
方 法 名
稱Sobel-CM 66% 40% 33% 27% 23%
圖 十八：正確率(precision)
在建築物的資料庫中，重複實驗 167 次，結果如查詢率(recall)表VI及 圖 十九所示，本研究前 40 張傳回正 確的機率為 82%，而 MCM 只有 74%。
表 VI 查詢率(recall)
張
數 1 3 5 20 40
MCM 13% 23% 29% 54% 74%
方 法 名
稱 Sobel-CM 26% 38% 47% 68% 82%
前N張查詢率
0 0.2 0.4 0.6 0.8 1
1 2 3 4 5 10 20 30 40 50
MCM Sobel-CM
圖 十九：查詢率(recall)
五、結論
本研究所提出的影像查詢技術使用 Sobel 邊緣偵測、邊緣樣式共相關矩陣以 及顏色直方圖，不僅包含邊緣的紋理與空 間關係的特徵，也具備顏色複雜度的特 徵，可以抵抗影像多項變異，舉凡對比、
變形、色相、亮度、雜訊、區塊、旋轉、
影像大小等變異，都能有效查詢。對於灰 階紋理圖的查詢結果，則更為準確，可達 到以最少傳回張數，將所有相似圖都傳 回。與 MCM 相比較，由於 MCM 的紋理 樣式少，且無法抵抗雜訊，甚至是非主體 的多餘線條，都會影響到結果。相較於 MCM 來說，本研究所提出的影像查詢系 統有較佳的的正確率與查詢率
六、參考文獻
[ 1 ] M.Adoram,and M.S.Lew,“IRUS ： Image Retrieval Using Shape,”IEEE International 第N張正確率
0 0.2 0.4 0.6 0.8
1 2 3 4 5 6 7 8 9 10
MCM Sobel-CM
conference on Multimediz Computing and System, 2, pp. 597-602,1999
[2] C. S. Fuh, S. W. Cho, and K. Essig,
“Hierarchical Color Image Region Segmentation for Content-Based Image Retrieval System,” IEEE Transactions on Image Processing, Vol. 9, No. 1, pp. 156-162.
[ 3 ] P.Chang,J.Krumm,“ObjectRecognition with Color Co-occurrence Histograms,” IEEE Computer Society Conference on CVPR, Vol. 2, pp. 498-504, 1999.
[ 4 ] Y. K. Chan and C.C.Chang,“A Color Image Retrieval System Based on the Run-Length Representation,” Pattern Recognition Letter, Vol.18, Issue：5, Apr.2001, pp. 447-455.
[ 5 ] J.M.Fuertesand M.Lucena,“A Schemeof Colour Image Retrieval from Databases,” Pattern Recognition, Vol. 22, pp. 323-337, 2001.
[ 6] M.Flickner, H.Sawhney , W. Niblack.,J.Ashley., Q. Huang, M. Dom B.,Gorani, J. Hafner, D.
Lee, D Petkovic., D. Steele, and P.Yanker,
“Querying by Image and Video content： The QBICSystem,” IEEE Transactions on Computer, Vol. 28, No.9, pp. 23-32,1995.
[ 7 ] J. Huang, Kumar, S. R., Mitra, M., Zhu, W. J., and Zabih, R. ,“Image Indexing Using Color Correlograms,” Proc. 16th IEEE conf. on Computer Vision and Pattern Recognition, pp.762-768, 1997.
[ 8 ] J. Huang, Kumar, S. R., Mitra, M., and Zhu, W.
J., “Spatialcolor indexing and applications,” Proc. 8th Intl. Conference on Computer Vision, pp. 245-268, 1999.
[ 9 ] N.Jhanwar et al., “ContentBased Image Retrieval Using Motif Cooccurrence Matrix,”
Image Vision Computing, Vol. 22, pp.
1211-1220, 2004.
[ 10 ] J. Krumm and S. A. Shafer, “Texture Segmentation and Shape in theSameImage,” The Fifth International Conference on Computer Vision, Cambridge, MA, USA, Vol. 1, pp.121-127, 1995.
[ 11 ] V.Kovalev,S.Volmer,“ColorCo-occurrence Descriptor for Querying-by-Example,”
Multimedia Modeling, pp. 32-38, 1998.
[12] J. M. S. Prewitt, “Object Enhancement and Extraction,” in Picture Procession and Psychopictorics, Lipkin, B. S., and Rosenfeld, Academic Press, New York, 1970.
[13] L. G. Roberts, “Machine Perception of Three-Dimensional Solids,” in Optical and Electro-Optical Information Processing, Tippet,J.T.(ed.), MIT Press, Cambridge, Mass.
[14] I.E.Sobel, “Camera Models and Machine Perception,” Ph.D.dissertation, Standford University, Palo Alto, Calif. 1970.
[15] M. Swain and D. Ballard, “Color Indexing,” International Journal of Computer Vision, Vol.
7, No. 1, pp. 11-32, 1991.
[16] Seong-O Shim and Tae-Sun Choi, “Image Indexing by Modified Color Co-occurrence matrix,” Proceedings of International Conference on Image Processing, Vol. 3, pp.
493-496, 2003.
