【摘要】　基于内容的图像检索系统中需要提取图像的形状特征，通常情况下为得到形状特征，需要对图像分割来得到的目标边界。在对不均匀图像提取边界曲线时，噪声点和非噪声区域常会干扰导致小的边界变化。 
　　本文采取了一定的措施对该问题进行了改进：首先通过去掉图像的彩色成分，将图像进行灰度化处理，再通过图像增强技术，对图像进行平滑处理，然后提取图像的形状。由于图像增强对图像预制模糊时，已经对图像中的噪声点和颜色不均匀区域进行了处理，所以再次对图像进行形状处理时，可有效去除噪声点和非噪声干扰区域的影响。 
　　【关键词】　图像检索；形状特征；噪声；图像复原；维纳滤波 
　　1 引言 
　　形状特征是描述图像中事物本质的特征。在图像检索过程中，我们可以通过提取图像的形状特征作为一类事物和另一类事物区分的标准。基于形状的图像检索系统是计算机通过对图像中事物的形状判断、并提取相应的特征值，以计算机视觉的角度重新勾勒出图像的形状或者轮廓，并将其保存到相应的图像特征库中。 
　　2 基于形状特征的图像检索系统 
　　基于形状特征的图像检索系统对图像的形状特征进行提取的方法是对图像中物体或者区域的边缘进行提取和分割。通常我们所理解的事物形状是一条封闭曲线所包围的区域，便可形成事物的初步轮廓。对图像形状进行描述时，我们既可以使用这一条弯曲的曲线，也可使用其所包围的区域。 
　　基于区域的图像检索常用到的方法是链码。链码的描述方法是有Freeman首先提出来的，该方法采用曲线起始点坐标和斜率方向来表示曲线。链码是对边界点的一种编码表示方法，特点是利用一系列具有特定长度和方向的相连直线来表示目标的边界。因为每个线段的长度固定而方向数目有限，所以，只有边界的起始点需要绝对坐标方向，其余点都可以仅用连续方向来代表偏移量。由于表示一个方向数比表示一个坐标值所需的比特少，而且对每个点只需要一个方向数就可以代替两个坐标值，所以，链码表可大大减少边界表示所用的数据量。 
　　对图像分割得到的目标边界时，对于平滑的图像，进行区域划分和形状提取时会收到较好的效果，但是当图像边缘较为复杂和噪声和非噪声区域的干扰时，常常会出现两个问题：一是图像边界较为复杂时，用来表示边界的特征值比较长；二是噪声和非噪声区域（颜色分配不均匀）干扰导致小的边界变化。常用的改进方法是对原边界点最接近的点定为新的边界点，但仍不能从根本解决这第二个问题，现在仍然是研究的热点和难点。 
　　如图1所示，左边的图像库中图像从肉眼角度来看是一幅平滑的图像，但是从计算机视觉角度来看，其颜色分布及其不均匀，通过链码技术进行形状特征提取时图像的边缘曲线是理想的、可接受的，但是边缘的内部区域由于收到噪声和非噪声颜色区域的影响，其形状特征中出现了许许多多的小洞，对于这些干扰性状对于形状特征匹配时的干扰是巨大的，以至于无法进行图像匹配而最终获取到理想的匹配图像。这也是目前图像的形状特征提取的一大难点。 
　　3 实施步骤 
　　3.1 图像退化 
　　3.2 图像复原 
　　图像恢复有线性算法和非线性算法两种。一种是线性算法，线性算法方便快捷，并不用循环迭代，仅对图像逆滤波，从而实现反卷积，缺点是无法保证图像的非负性，恢复后的图像效果并不稳定。另外一种是非线性算法，采取连续的循环迭代，不断地提高复原的精度，一直到设定的阈值为止，这种算法效果非常稳定，但是与线性算法相比，它的计算量较大，对计算机资源占用较高，处理时间较长。 
　　4 实验验证 
　　通过退化模型和维纳滤波对图像模糊和增强的过程，理论上可以消除图像形状特征提取过程中的干扰区域，来提取出令人满意的图像特征。 
　　（1）对本文开始部分提取形状特征的图像，再次进行处理，进行图像退化和复原后得到如图3图像所示。 
　　5 效果验证 
　　测试图像共包括50幅图片，全部为图像区域中存在较大干扰区域的图片，文件中包括各种事物的图像，其中汽车共10幅图片，如图5所示。本文选取了汽车作为用户的目标图片进行匹配，最终进行形状匹配的前10幅图像中全部匹配出来，而且与目标图像最为相似的排在了首位，在前10幅图像的结果集中，查全率为90%，查准率为90%完全超越了未进行图像增强处理的查询结果。 
　　参考文献 
　　[1]　曹建农.基于可分解马尔科夫网的图像分割方法研究[D].武汉大学，2006年. 
　　[2]　Bandera　2D　Object　Recognition　Based　on　Curvature　Functions　Obtained　from　Local　Histograms　of　the　Contour　Chain　Code　[J]　Pattern　Recognition　1999. 
　　[3]　张军英，卢志军，石林等.基于脉冲耦合神经网络的椒盐噪声图像滤波[J].中国科学（E辑），2004年08期. 
　　[4]　陈强.图像分割若干理论方法及应用研究[D].南京理工大学，　2007年　06期. 
　　[5]　肖锋.维纳滤波在退化图像恢复中的应用研究[J].　电子设计工程，第8　期　第19　卷　2011　年4　月. 
　　[6]　Wiener，　Norbert　（1949）　Extrapolation，　Interpolation，　and　Smoo-thing　of　Stationary　Time　Series　[M]　New　York：　Wiley.　ISBN　0-262-73005-7. 
　　基金项目： 
　　1.北京高校人才强教资助项目[PHR201106133]。 
　　2.教育教学-本科生科学研究计划项目[PXM2012_014224_000055]。 
　　作者简介： 
　　王金磊（1986-），男，北京信息科技大学，硕士，学生；关注领域：图像处理与匹配。 
　　赵刚（1965-），男，博士，副教授，现任职于北京信息科技大学信息管理学院；研究方向：信息安全、人工智能。