基于多特征的图像检索算法

第２９卷　第１７期　Ｖｏ１．２９　Ｎｏ．１　７　计算机工程与设计　Ｃｏｍｐｅｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｄｅｓｉｇｎ　２００８年９月　Ｓｅｐｔ．２００８　基于多特征的图像检索算法　陈　蔚，　肖国强　（西南大学计算机与信息科学学院，重庆４００７１５）　摘要：基于内容的图像检索是数字图像处理的一个重要研究方向，有效地提取图像内容特征是其中的一个关键问题。提　出利用最大相关最小距离将图像的纹理特征、高斯密度特征与人脸检测相结合的算法进行图像检索。在建立１０　０００幅图像　库的基础上验证了算法的可行性，实验结果表明算法能够准确、高效地检索出目标图像；相对于单一特征的检索，算法有效　地提高了图像检索的精度和速度。　关键词：基于内容的图像检索；高斯密度特征；纹理特征；人脸检测；最大相关最小距离　中图法分类号：ＴＰ３９１．４１　文献标识码：Ａ　文章编号：１０００—７０２４（２００８）１７—４５０７．０４　Ｉｍａｇｅ　ｒｅｔｒｉｅｖａｌ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｍｕｌｔｉ—ｆｅａｔｕｒｅｓ　ＣＨＥＮ　Ｗｅｉ．ＸＩＡ０　Ｇｕｏ—ｑｉａｎｇ　（Ｆａｃｕｌｔｙ　ｏｆ　Ｃｏｍｐｕｔｅｒ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅ，Ｓｏｕｔｈｗｅｓｔ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ　４００７　１　５，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｃｏｎｔｅｎｔ・ｂａｓｅｄ　ｉｍａｇｅ　ｒｅｔｒｉｅｖａｌ　ｉｓ　ａｎ　ｉｍｐｏｒｔａｎｔ　ｒｅｓｅａｒｃｈ　ｄｉｒｅｃｔｉｏｎ　ｏｆ　ｄｉｇｉｔａｌ　ｉｍａｇｅ　ｐｒｏｃｅｓｓｉｎｇ，ａｎｄ　ｅｆｆｅｃｔｉｖｅ　ｉｍａｇｅ　ｅｘｔｒａｃｔｉｏｎ　ｆｅａｔｕｒｅ　ｉｓ　ｏｎｅ　ｏｆｔｈｅ　ｋｅｙ　ｉｓｓｕｅｓ．Ａ　ｎｅｗ　ｉｍａｇｅ　ｒｅｔｒｉｅｖａｌ　ｍｅｔｈｏｄ　ｂｙ　ｕｓｉｎｇ　ｍａｘ　ｃｏｒｒｅｌａｔｉｏｎ　ｒａｉｎ　ｄｉｓｔａｎｃｅ　ｔｏ　ｃｏｍｂｉｎｅ　ｔｏｇｅｔｈｅｒ　ｔｅｘｔｕｒｅ　ｆｅａｔｕｒｅｓ，　Ｇａｕｓｓｉａｎ　ｄｅｎｓｉｔｙ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ａｎｄ　ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｉｍａｇｅｓ　ｆｏｒ　ｉｍａｇｅ　ｒｅｔｒｉｅｖａｌ　ｉｓ　ｐｒｅｓｅｎｔｅｄ．Ｔｈｅ　ｅｓｔａｂｌｉｓｈｍｅｎｔ　ｏｆ　１　０　０００　ｉｍａｇｅｓ　ｔｏ　ｐｒｏｖｅ　ｔｈｅ　ｆｅａｓｉｂｉｌｉｔｙ　ｏｆｔｈｅ　ａｌｇｏｒｉｔｈｍ，ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ａｌｇｏｒｉｔｍ　ｃａｎ　ｈｂｅ　ａｃｃｕｒａｔｅｌｙ　ａｎｄ　ｅｆｉｃｉｆｅｎｔｌｙ　ｒｅｔｒｉｅｖｅ　ｔａｒｇｅｔ　ｉｍａｇｅ．　Ｃｏｍｐａｒｅｄ　ｔｏ　ａ　ｓｉｎｇｌｅ　ｒｅｔｒｉｅｖａｌ　ｆｅａｔｕｒｅｓ　ａｌｇｏｒｉｔｈｍ　ｔｈａｔ　ｉｔ　ｉｍｐｒｏｖｅｓ　ｅｆｆｅｃｔｉｖｅ　ｉｍａｇｅ　ｒｅｔｒｉｅｖａｌ　ａｃｃｕｒａｃｙ　ａｎｄ　ｓｐｅｅｄ．　Ｋｅｙ　ｗｏｒｄｓ：ｃｏｎｔｅｎｔ—ｂａｓｅｄ　ｉｍａｇｅ　ｒｅｔｒｉｅｖａｌ；Ｇａｕｓｓｉａｎ　ｄｅｎｓｉｔｙ　ｆｅａｔｕｒｅ；ｔｅｘｔｕｒｅ　ｆｅａｔｕｒｅ；ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ；ｍａｘ　ｃｏｒｒｅｌａｔｉｏｎ　ｍｉｎ　ｄｉｓｔａｎｃｅ　０　引　言　为了从大量的图像信息中快速、准确地找到需要的内容，　基于内容的图像检索成为计算机及其相关学科研究的热点之　一矩阵即灰度共生矩阵为基础，进行二次特征提取。灰度共生　矩阵定义为从灰度为　的像素，离开某个固定位置关系的像素　上的灰度为，的概率　，即　ｐ（ｉ，　＝集合｛　，　｝ｆ（ｘ，　＝ｉ，ｆ（ｘ＋ＤＸ，Ｙ＋Ｄｙ）　Ｎ－１｝的元素个数　（　，Ｊ＝Ｏ，１，２…工一１）　＝０，ｌ，２…，　（１）　。图像内容实质上就是图像中所包含对象的特征（如颜色，形　状，纹理等　。　），基于内容的图像检索则是抽取与检索图像中所　包含特征；而人脸检测㈨也是数字图像处理中一个热门话题。　纹理是图像内容的重要特征之一，纹理与物体形状之间　存在密切的关系，千变万化的物体形状与嵌套式的分布使纹　理很难准确地表征一幅图像的特征。因此在提取图像纹理特　式中：　、Ｙ——图像中像素坐标，ｆ（ｘ，Ｙ）——该像素的灰度级，　三——灰度级数目，ＤＸ、Ｄｙ——偏移量。在计算中，表示固定　的位置关系的参数ＤＸ，ＤＹ的选择既包括偏移量，又包括方向　的选择。为减少计算量，只取０。一１８０。，４５。４２２５。，９０。４２７０。，　１３５。一３ｌ５。这４个方向。因此，ＤＸ、ＤＹ取以下４种值　（　）　＝ｄ，ＤＹ＝０），（￡　＝　’Ｄｙ＝　，（￡）　＝Ｏ，Ｄ】，＝ａ９，（　ｌ　＝一　ＤＹ＝ａ９　（２）　征的基础上结合图像高斯密度特征以及人脸检测进行图像检　索，能更准确地表征图像的内容从而提高检索精度；同时在压　缩域中进行图像检索，不需要图像的完全解码，减少了计算　量，提高了检索的速度。　而一幅图像的灰度级数目。一般为２５６，因此计算灰度共生　矩阵比较复杂，为了解决这一问题，预先将灰度级压缩至１６　级，即式（１）中的　为１６。　１算法描述　１．１纹理特征　１．１．１灰度共生矩阵　纹理特征　提取的一种有效方法是以灰度级的空间相关　收稿日期：２００７—０９—１７　Ｅ－ｍａｉｌ：ｆｏｘｃｈｅｎｗｅｉ＠ｈｏｔｍａｉｌ．ｃｏｒｎ　１．１＿２灰度共生矩阵特征的数字参数　由共生矩阵产生数字特征参数表示共生矩阵的特征即图　像的纹理特征。Ｑ　为纹理一致性的统计量，Ｑｚ为纹理反差统　计量，　为纹理熵的统计量，　为纹理灰度相关性的统计量，则　基金项目：重庆市科委自然科学基金项目（ＣＳＴＣ．２００６ＢＢ２３０９）。　作者简介：陈蔚（１９８２－－），男，重庆人，硕士研究生，研究方向为图形图像处理；　肖国强，男，教授，研究方向为信号与信息处理和无线网络　通信。　・——４５０７・——　维普资讯 http://www.cqvip.com Ｑ　＝∑Ｚｐ　（ｆ，　）　ｉ；０　Ｊ　０　￡１￡一１　（３）　（３）以几何中心（仉，ｂ　）为极点将图像ｇ（ｘ，　）表示在极坐标　ｐ（ｒ，　中，并分别计算极角为０时极径（从中心到图像边缘的像　　值，即　（４）　素个数）上的＆（Ｑ２＝∑∑（ｉ－ｊ）　（ｆ　ｉ＝０』＝０　Ｌ－Ｉ　Ｌ－Ｉ　（ｒ，０）ｅｘｐ（一日，））　Ｑ３＝∑∑ｐ（ｉ，ｊ）ｌｎ［ｐ（ｉ，ｊ）３　ｉ＝０』　０　Ｚ—ｉ　Ｚ一】　（５）　（　＝　——＝————一Ｚ　ｐ（ｒ，　］　（１Ｏ）　∑∑ｉｊｐ（ｉ，　一　一　其中Ｑ＝１，２，３，４，　＝（０，　，　，３　４，　，５ｚｒ／４，３ｚｆ２，７ｚｄ４），即将每条极　（６）　￡一ｌ　Ｌ－Ｉ　径平均分成４段，计算后得到　－（　，　（　，＆（　，＆（　作为图像的　高斯密度特征。　￡一１　Ｌ－１　￡一１　￡一１　其中：　。＝∑∑ｐ（ｉ，　，　：＝∑Ｊ∑ｐ（ｉ，　，　＝Ｙ（ｉ－ｕ。）　Ｚｐ（ｉ，　），　。　。　。　。　。　１　：∑（，一　：）　∑ｐ（ｆ，　。　Ｊ＝０　ｌ＝ｏ　式中：　，＿，——灰度共生矩阵中的灰度级对，ｐ（ｉ，　——共生矩阵　中灰度级对　，）的联合概率。　１．１．３　４个方向的特征提取　由于灰度共生矩阵的特征与方向有着密切的关系，为了　在图像旋转时能稳定提取图像纹理特征，则取４个方向（０。一　１８０。，４５。一２２５。，９０。一２７Ｏ。，１３５。一３１５。）的偏移参数，即　：１，　ＤＹ＝Ｏ），（　＝１，ＤＹ＝１），（Ｄ　＝０，Ｄ】，：１），（Ｄ　＝一１，Ｄｙ＝１）作为灰　度共生矩阵，分别求其特征参数（Ｑ　，Ｑ２，Ｑ］，Ｑ　），然后计算每个特　征参数４个方向的均值，用得到的结果　，０｛　：，　，，　，　）作　为图像的纹理特征。　１．２高斯密度特征　１．２．１　ｓｏｂｅｌ算子　采用ｓｏｂｅｌ算子　提取图像形状的边缘。图像中的每个像　素都用图１所示的两个模板做卷积，第１个模板对垂直边缘　影响很大；第２个模板对水平边缘影响很大。两个卷积的最　大值作为该像素的输出，运算结果就是一幅边缘幅度图像。　ｌ　２　１　ｌ　０　．１　０　０　０　２　Ｏ　．２　．１　—２　．１　１　０　１　图１　ｓｏｂｅｌ算子模板　将一幅Ｍ　Ｎ的图像　，　）分成８　８的块，然后分别对每　一块进行ＤＣＴ变换“　，提取每一个块变换后的ＤＣ系数，将这　些ＤＣ系数组成一幅新的图像Ｎ（ｘ，＿ｙ），再用ｓｏｂｅｌ算子提取图　像Ⅳ　，　的边缘，计算边缘上的平均值，将此平均值作为～个　阀值Ｔ。　１．２．２高斯密度特征的提取　图像的高斯密度特征提取主要是通过将图像表示在极坐　标中，获取图像的几何中心，并计算８个极角（０，ｉｒ／４，　，３ｚｃ／４，　５￣ｒ／４，３７ｒ／２，７￣ｒ／４）上像素值的分段累加作为图像的特征值，具体　算法描述如下：　（１）通过阈值Ｔ将图像Ⅳ　，　）二值化为图像　，　），即　＝　ｍｐ　＝∑∑ｇ（ｘ，ｙ）ｘ￣Ｓ　（８）　（２）通过式（７）（８）得到二值图像ｇ　，　）的几何中心　，ｂ　），即　＝，　（　，　（９）　——４５０８・——　１．３人脸特征　１．３．１人脸检测　人脸特征的获得是在文献［６］的基础上，将视频中的人脸　检测运用到图像，通过人脸检测获得图像特征，使具有人物的　图像检索更为准确，同时也能提高整个图像检索的效率。主　要工作是在手动获得人脸样本图像的基础上，用色调、饱和　度、亮度三色特征在压缩域建立特征库；提取图像库中的图像　和询问图像所需信息，利用Ｂａｙｅｓｉａｎ原理进行信息比较，再利　用中值滤波滤掉无关信息获得待定的人脸区域，然后根据人　脸形状进行二元模板匹配，最后利用亮度的能量信息进行人　脸区域确认，流程图如图２所示。　图２人脸检测流程　１＿３．２人脸特征提取　在Ｉ．３．ｉ的基础上，提取需要的信息（相关参数如图３所　示，图中ｒｎ为图像的高度，ｎ为图像的宽度，图中阴影部分为　人脸部分，（１，ｄ）为人脸区域左上角坐标，（ｒ，ｕ）为人脸区域右下角　坐标，ＷＸ＝（ｒ—ｌ＋１），ＷＸ为人脸区域的宽度，ｌｙ＝（ｄ—ｕ＋１），ｌｙ为　人脸区域的高度），组成一个人脸特征，即：　（１）人脸个数（ｎｕｍｆａｃｅｓ），通过人脸检测获得图像中所包含　的人脸个数；　（２）人脸形状（ｓｈａｐｅ），通过人脸的高度ｌｙ和人脸的宽度ＷＸ，　获得人脸的形状比率：ｓｈａｐｅ＝ｌｙ／ｗｘ；　（３）人脸位置（ｐｏｓｉｔｉｏｎ），通过人脸检测获得的人脸区域左　上角和右下角的坐标，得出人脸在图片中的位置，即ｐｏｓｉｔｉｏｎ　（（ｒ十１＋１）／２，（ｕ＋ｄ＋１ｌ，２）；　（４）人脸面积比率（ｗｒａｔｉｏ），通过人脸检测，分别得到图像　的面积和人脸的面积，求出图像中人脸区域的面积与整个图　像面积的比率，即ｗｒａｔｉｏ：［（ｗｘ　ｌｙ）／（ｍ＊ｎ）］／（ｗｘ　ｌｙ）。　根据以上特征建立图像特征向量组，即【ｎｕｍｆａｃｅｓ，ｓｈａｐｅ，　图３人脸特征信息　维普资讯 http://www.cqvip.com

ｐｏｓｉｔｉｏｎ，ｗｒａｔｉｏ】。将图像库中检索出具有人脸的图像特征向量　能。查准率是指实际检索到的图像数与查询相关的图像数所　组构建成特征向量库，作为图像检索的特征：对查询图像进行　相关的人脸检测，以此提高检索的速度与准确性。　占的比例，反映了算法拒绝无关图像的能力，公式如下　１．４图像相似度计算——最大相关最小距离　图像相似度采用循环卷积的概念计算两幅图像的特征向　量的相关系数，由文献［１１］的方法得到两个２８维的特征向量：　ａ　＝（Ｘ。，Ｘ：，…，Ｘ：　）和ｂ＝（Ｙ　，Ｙ　，…，Ｙ　。）。设ａ　是查询图像的特征向　量，ｂ是图像库中某一幅图像的特征向量。计算ａ－和ｂ的相关　Ｐｒｅｃｉｓｉｏｎ　＝÷ｎ＝　等　ｌ－ｒｌ￣　』　ｃ（１３）　式中：　——检索结果中与查询图像相关的图像数，Ⅳ，——不　相关的图像数，　——检索出的图像数。查准率越高，说明该　算法的效率越好，实验中　＝１２。　查全率是指与查询相关且实际检索出的图像数与查询图　像的相关图像数所占比例，反映了算法检索相关图像的能力，　公式如下　系数得到ＣＯＲ。。然后，将ａ。中的元素向左循环移位后，得到　一个新的向量ａ２＝（Ｘ：，ｘ　・・Ｘ　，Ｘ　，，Ｘ。）。同样再计算ｂ和ａ２的相　关系数得到ＣＯＲ２。用相同的方法可以求出２８个相关系数　ＣＯＲ－－｛ＣＯＲ。，ＣＯＲ２，－．－，ＣＯＩＬ　，ＣＯＩＬ　｝，取出其中最大的一个作为　查询图像与图像库中一幅图像的特征向量的相关系数，即　Ｐ。＝ＭＡｘ｛Ｃ０Ｒ｝　（１１）　Ｒｅｃａｌｌ＝÷：　ｎｃ￣－ｎｍ　（１４）　式中：　。——检索结果中包含的查询图像的相似图像数，”　——　未检索出的相似图像数，　——与查询图像相似的图像总数。　查全率越高，说明该算法的效率越好。　ＡＮＭＲＲ反映的是查询结果中相似图像的平均排列位置，　ＡＮＭＲＲ越小，表明由查询图像所检索出的相似图像的平均排　根据上述的方法，可以计算出查询图像和图像库中的所　有图像（假设有ｎ幅）的特征向量的相关系数，得到Ｐ＝｛Ｐ。，Ｐ：，…，　Ｐ　Ｐ　｝从所求的相关系数序列Ｐ中找出最大的４８个相关系数　列位置越靠前，图像的检索性能越好。反之，ＡＮＭＲＲ越大，表　明所检索出的相似图像的平均排列位置越靠后，图像的检索　性能越差。　所对应的图像（因为检索结果取１２幅图像，如果大于４８幅，　则一些相关性不大的图像被检索出来；如果小于４８幅，则在　后面利用距离测度时图像数就太少，影响检索精度，故选择　在实验中，将算法分别和文献［１３］（简称算法Ａ）及将一幅　图像的灰度级量化为３２个等级后进行的纹理特征提取的算　法（简称算法Ｂ）进行实验比较。３种算法的检索时间，风景、花　卉、人物、汽车、动物、钟表６类图像的查准率、查全率、ＡＮＭＲＲ　１２的整数倍，即取４８幅）。再利用这４８幅图像的特征向量，　根据式（１２）计算图像的特征向量和查询图像的特征向量之　间的距离。　２８　∑ｌ　—　ｌ　＝　一　值如表１所示，从表１得出：　（１２）　（１）本文算法速度最快，这说明通过对ＤＣＴ系数的处理，　将图像从时域变成频域减少了计算量，提高了检索速度；　（２）本文算法的查全率、查准率比Ａ，Ｂ算法有了明显的提高；　（３）人脸检测明显提高人物的检测效果，这说明对一幅图　像进行多个特征的检索可以提高检索精度，即提高整个检索　最后取最小的ｌ２个距离所对应的１２幅图像作为最后图　像检索的结果，用最大相关最小距离的图像检索算法的流程　如图４所示。　Ｈ　２实验　像计图与算像这查的４询８距ｌ图幅ＪＨ　ｆ　ｌ所取对出为最应最小的终的１２的１幅２查个图询距像　离作　系统的查全率、查准率。　图５是一个具体的检索例子，其中左边第一竖列为查询　图像，第１行是本文算法的结果，第２，３行分别是算法Ａ、Ｂ的　图４最大相关最小距离检索流程　蕊　ｑ馨　在ＭＡＴＬＡＢ　７．０上验证算法性能。从ｌ０　ｏｏ０图像库中选　出１　０００幅风景、花卉、人物、汽车、动物、钟表等ＪＰＥＧ图像作　口目ｙ肇，垒　商譬　，Ｑ　ｙ麓豳号窆５掰　蕊　为实验图像。根据最大相关最小距离的方法，ｄ越小，则两幅　图像越相似；并用查准率、查全率、ＡＮＭＲＲ　来评估检索的性　潞　罐　潭ｙ　，ｔ　誓　精冒警　图５　３种方法的检索例子　表１对６类图像的查全率、查准率、ＡＮＭＲＲ值及平均检索时间　查全率　本文算法　纹理特征　人物　０　９７　Ｏ．６６　查准率　０．９０　Ｏ．６５　ＡＮＭＲＲ　０．０３　Ｏ．１ｌ　风景　查全率　０．６０　０．４０　查准率　０．３９　０．２５　ＡＮＭＲＲ　Ｏ．０５　０　０８　高斯特征　本文算法　０．５４　０．６Ｏ　０．５９　Ｏ．５６　０．１０　０．１０　Ｏ－３６　０４９　Ｏ．１９　０．４０　０．１４　０．１７　纹理特征　高斯特征　本文算法　花　Ｏ　３９　０．４８　０．４８　０．３６　０　２７　０４１　０＿２５　０．２１　０　１Ｏ　汽车　０．１６　Ｏ．１９　０．８３　０．２１　０．２７　０．８９　０－３３　０　３Ｏ　０．Ｏ３　纹理特征　高斯特征　动物　０＿３１　Ｏ－２９　Ｏ－３６　Ｏ．１５　Ｏ．２２　０．４０　钟表　０．６２　Ｏ．６６　０．６４　Ｏ．５１　０．１１　０．１７　对图像的平均检索时　旬　Ｊ　本文算法：２．０ｓ　　ｌ算法Ａ：４．７ｓ　　ｌ算法Ｂ：３．９ｓ　・——４５０９・——　维普资讯 http://www.cqvip.com 结果，从中可以看出，本文算法的检索结果较好，而其它两种　［４］Ｐａｕｌ　Ｖｉｏｌａ，Ｍｉｃｈａｅｌ　Ｊｏｎｅｓ．Ｒｏｂｕｓｔ　ｒｅａｌ－ｔｉｍｅ　ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ［Ｊ］．Ｉｎ—　算法都出现了干扰图像。　ｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆＣｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ，２００４，５７（２）：１３７—１５４．　３结束语　［５］　Ｚｈａｏ，Ｃｈｅｌｌａｐｐａ，Ｒｏｓｅｎｆｅｌｄ，ｅｔ　ａ１．Ｆａｃｅ　ｒｅｃｏｇｎｉｔｉｏｎ：Ａ　ｌｉｔｅｒａｔｕｒｅ　ｓｕｒｖｅｙ［Ｒ］．ＵＭＤ　ＣＳ—ＴＲ一４１６７，２０００．　本文将高斯密度特征运用到图像检索中，结合纹理特征　［６］　Ｗａｎｇ　Ｈｕａｌｕ，Ｃｈａｎｇ　Ｓｈｉｈ—Ｆｕ．Ａ　ｈｉｇｈｌｙ　ｅｆｉｆｃｉｅｎｔ　ｓｙｓｔｅｍ　ｆｏｒ　ａｕｔｏ—　和人脸检测进行图像检索，其中纹理特征的提取以共生矩阵为　ｍａｔｉｃ　ｆａｃｅ　ｒｅｇｉｏｎ　ｄｅｔｅｃｔｉｏｎ　ｉｎ　ＭＰＥＧ　ｖｉｄｅｏ［Ｊ】．ＩＥＥＥ　Ｔｒａｎｓａｃ—　基础并计算其数字参数，人脸检测则是利用色调、饱和度、亮　ｔｉｏｎｓ　ｏｎ　Ｃｉｒｃｕｉｔｓ　ａｎｄ　Ｓｙｓｔｅｍｓ　ｆｏｒ　Ｖｉｄｅｏ　Ｔｅｃｈｎｏｌｏｇｙ，１９９７，７（４）：　度三色特征在压缩域进行检测，高斯密度特征的提取则是将图　６１５－６２８．　像表示在极坐标中进行相应的处理。实验结果表明，在压缩域　［７］　叶永伟．基于小波和区域统计的纹理图像检索系统［Ｊ］．浙江工　中结合这３个特征进行检索要比在像素域中的速度快，因此可　业大学学报，２００３，６（３）：３０６．３０９．　以将本算法应用于一些实时的系统中；３个特征结合更能表征　［８］　吴冬升，吴乐南，黄波．基于小波模糊聚类的均质纹理和非均质　图像的内容，对不符合要求的图像进行了进一步的过滤，提高　纹理图像检索［Ｊ］．中国图象图形学报，２００３，８（１２）：１４００—１４０５．　了图像检索的精度。在今后的工作中，将继续研究图像的内容　［９］　何小海，藤奇志．图像通信［Ｍ］．西安：西安电子科技大学出版，　特征，并结合图像的颜色，形状等特征来提高图像检索的性能。　２００６：１０７—１１４．　参考文献：　［１０］阮秋琦．数字图像处理　】．２版．北京：电子工业出版社，２００５：　３６７—４７３．　［１］　Ｓｍｅｕｌｄｅｒｓ　Ａ　Ｗ　Ｍ，Ｗｏｒｒｉｎｇ　Ｍ，Ｓａｎｔｉｎｉ　Ｓ，ｅｔ　ａ１．Ｃｏｎｔｅｎｔ—ｂａｓｅｄ　［１１］王剑峰，肖国强．综合距离和相关性的图像检索算法［Ｊ］．计算机　ｉｍａｇｅ　ｒｅｔｒｉｅｖａｌｓ　ａｔ　ｔｈｅ　ｅｎｄ　ｏｆｔｈｅ　ｅａｒｌｙ　ｙｅａｒｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ　Ｐａｔ・　工程与设计，２００７，２８（６）：２３６７—２３７０．　ｔｅｒｎ　Ａｎａｌ　Ｍａｃｈ　Ｉｎｔｅｌｌ，２０００，２２（１２）：１３４９—１３８０．　［１２］Ｅｄｏａｒｄｏ　Ａ　ｒｄｉｚｚｏｎｅ，Ｍａｒｃｏｌａ　Ｃａｓｃｉａ．Ａｕｔｏｍａｔｉｃ　ｖｉｄｅｏ　ｄａｔａｂａｓｅ　［２］　Ｍａｎ　ｊｕｎａｔｈ　Ｂ　Ｓ．Ｃｏｌｏｒ　ａｎｄ　ｔｅｘｔｕｒｅ　ｄｅｓｃｒｉｐｔｏｒｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ　ｏｎ　ｉｎｄｅｘｉｎｇ　ａｎｄ　ｒｅｔｒｉｅｖａｌ［Ｊ］．Ｍｕｌｔｉｍｅｄｉａ　Ｔｏｏｌｓ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ，　Ｃｉｒｃｕｉｔｓ＆Ｓｙｓｔｅｍｓ　ｆｏｒ　Ｖｉｄｅｏ　Ｔｅｃｈｎｏｌｏｇｙ，２００１，１　１（６）：７０３—７１５．　１９９７，４（１）：２９—５６．　［３］Ｊｉｎｇ　Ｆ’ＬｉＭ，ＺｈａｎｇＨ　Ｊ，ｅｔ　ａ１．Ａ　ｕｎｉｉｆｅｄｆｒａｍｅｗｏｒｋｆｏｒｉｍａｇｅ　ｒｅ—　［１　３］Ｊｕ　Ｈａｎ，Ｋａｉ　Ｋｕａｎｇ　Ｍａ．Ｆｕｚｚｙ　ｃｏｌｏｒ　ｈｉｓｔｏｇｒａｍ　ａｎｄ　ｉｔｓ　ｕｓｅ　ｉｎ　ｃｏｌｏｒ　ｔｒｉｅｖａｌ　ｕｓｉｎｇ　ｋｅｙｗｏｒｄ　ａｎｄ　ｖｉｓｕａｌ　ｆｅａｔｕｒｅｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｉｍａｇｅ　ｒｅｔｒｉｅｖａｌ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎ　ｏｎ　Ｉｍａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ，　ｏｎ　Ｉｍａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ，２００５，１４（７）：９７９—９８９．　２００２，１　１（８）：２４０—２５６．　（上接第４４６７页）　要和很多的软件集成，以实现信息的共享与管理。本文以ＰＤＭ　软件——ｓｍａｒＴｅａｍ为例，实现了与Ｍａｔｌａｂ的集成，达到了在　ＰＤＭ软件中能够以图形文件形式来管理、浏览Ｍａｔｌａｂ模型文　件和图形文件的目的，详细介绍了集成的关键技术和方法。通　过在相关项目中的实际应用，取得了很好的效果。　参考文献：　【１］　熊光楞，李伯虎，柴旭东．虚拟样机技术ｆＪ］．系统仿真学报，２００１，　图７双通道控制方式导弹偏航舵系统设计　１３（１）：１１４一ｌ１７．　萧健．面向ＰＤＭ／ＣＡＰＰ集成的产品结构建模［ＪＪ．制造业自动　另外，出于安全性的考虑，可以对不同的节点设置不同的　化，２００２，２４（２）：４５—４８．　权限。比如可以设置成只有在ＰＤＭ系统的服务器端才可以　陈宗舜．ＰＤＭ前世今生［Ｊ］．微型机与应用，２００６，１０（１）：３４—３７．　下载各分系统上传的ｍｄｌ（ｉｆｇ）文件，由服务器端进行组装、调　曹昌怀．ＳｍａｒＴｅａｍ在戚墅堰机车车辆厂的应用［Ｊ］．内燃机车，　试，然后它将整个系统相应的包含参数及特性的ｅｐｓ（ｂｍｐ）文　２００６，１２（１）：３０—３３．　件添加到ＰＤＭ系统之中供其它节点参考，而一般节点只能下　沈顺成，郑曦．ＰＤＭ与ＳｏｌｉｄＷｏｒｋｓ集成方法的研究［Ｊ］．计算机　载ｅｐｓ（ｂｍｐ）文件，而不能下载其它节点的ｍｄｌ（ｉｆｇ）文件。因为　应用技术，２００６，９（１）：３６—３７．　ｅｐｓ（ｂｍｐ）文件属于图片格式，无法直接进行仿真，这样就有效　刘志俭．ＭＡＴＬＡＢ应用程序接口用户指南［Ｍ］．北京：科学出版　提高了整个系统相关参数和特性的安伞性。这个例子有效的　社．２０００：３３２—３５　１．　展示了在虚拟样机中ＰＤＭ与Ｍａｔｌａｂ集成技术应用的重要性。　ＳｍａｒＴｅａｍ　Ｃｏｒｐｏｒａｔｉｏｎ　Ｌｔｄ．ＳｍａｒＴｅａｍ　ＡＰＩ　ｐｒｏｇｒａｍｍｅｒ’Ｓ　ｇｕｉｄｅ　６结束语　［Ｍ】．Ｉｓｒａｅｌ：ＳｍａｒＴｅａｍ　Ｃｏｒｐｏｒａｔｉｏｎ　Ｌｔｄ，２００１：５０—５５．　ＳｍａｒＴｅａｍ　Ｃｏｒｐｏｒａｔｉｏｎ　Ｌｔｄ．ＳｍａｒＴｅａｍ　ａｄｍｉｎｉｓｔｒａｔｏｒ＇ｓ　ｇｕｉｄｅ　ＰＤＭ产品数据管理软件作为一个集成的平台和框架，需　［Ｍ］．Ｉｓｒａｅｌ：ＳｍａｒＴｅａｍＣｏｒｐｏｒａｔｉｏｎＬｔｄ，２００１：１４０—１６１，２６２—２７０．　４５１０一