數(shù)位圖書館及博物館之自動(dòng)化資訊處理

1、1.5cm2.5cm中文字體限用新細(xì)明體，英文字體限用Times New Roman。 數(shù)位圖書館及博物館之自動(dòng)化資訊處理Automatic Information Processing for Digital Library and Museum 14pt指導(dǎo)老師：陳淑媛 教授學(xué)生：程雅娟、姚正浩3cm3cm行距皆為倍行高系別：資訊工程學(xué)系12pt摘要 12pt中國是具有悠久歷史的文化大國，文物典藏非常龐大，如何藉由無遠(yuǎn)弗屆的網(wǎng)際網(wǎng)路，讓所有有興趣者能在任何地點(diǎn)、任何時(shí)刻很方便地享有中國藝術(shù)寶藏，是本論文數(shù)位圖書博物館的終極目標(biāo)之一，故提昇此數(shù)位圖書博物館的易用性及親和性，建構(gòu)一以內(nèi)容為基準(zhǔn)

2、的查詢機(jī)制有其顯著的迫切性，及成為本論文之主要目的。透過此查詢機(jī)制，使用者可直接將文物圖像當(dāng)作查詢條件，而不需要再鍵入傳統(tǒng)的文字形式查詢條件，即可擷取出相關(guān)的資訊。另外，因?yàn)閿?shù)位圖書博物館之資料浩瀚，若能針對(duì)查詢圖像之文意進(jìn)行自動(dòng)分類，將可大大降低搜尋範(fàn)圍，如此不但可加快執(zhí)行速率並可提昇查詢的正確性。本論文即就彩色文物圖像之查詢及自動(dòng)分類兩大問題加以研究。首先針對(duì)彩色圖像研發(fā)有效的自動(dòng)內(nèi)容查詢及分類方法，在延續(xù)此一研發(fā)成果，完成一適用於彩色區(qū)塊圖像之自動(dòng)內(nèi)容查詢及分類法，最後則著重於局部彩色紋理區(qū)塊內(nèi)容查詢及分類法，以整合完成一快速有效的文物圖像內(nèi)容查詢及分類法。12pt1.5cm2.5cm關(guān)

3、鍵詞：數(shù)位圖書館、數(shù)位博物館、影像檢索、影像分類、區(qū)塊切割、色彩紋理特徵、文意區(qū)塊。10ptAbstract 12ptChina is an ancient country and has long cultural history. Therefore, the cultural relics are flourished. One goal of digital libraries and museums is to provide the exhibition of all the Chinese arts and crafts to all the people in anywhere

4、 and at anytime through the World Wide Web. However, user will need on-line facilities to help them retrieve information and locate resources that match certain expectation and desires. Therefore, developing an automatic content-based retrieval method for culture relics is the goal of this paper. On

5、 the other hand, for large databases with over tens of thousands of images, effective retrieval and classification method becomes an important issue in content-based retrieval system.In this paper, a content-based retrieval and classification method is implemented for cultural relics. First, we will

6、 focus on a content-based retrieval and classification method for color images, then we will extend the result to image retrieval based on region information. Finally, a robust and integrated content-based retrieval and classification method based on selected region is obtained. 12ptKeyword：Digital

7、library, digital museum, image retrieval, image classification, region segmentation, color texture feature, semantic region. 10pt一、前言12pt0.8cm由於電子及通信技術(shù)的進(jìn)步，促使通訊服務(wù)的時(shí)代加速來臨，此種綜合電子及通訊應(yīng)用的資訊境界，將大大改變?nèi)祟悢X取資訊的方式，更引發(fā)了新的應(yīng)用及服務(wù)，例如：透過數(shù)位圖書館能讓所有使用者在任何地點(diǎn)、任何時(shí)間經(jīng)由通信媒介很容易的擷取數(shù)據(jù)資訊。但是如何提供一個(gè)完善的環(huán)境讓使用者能夠很方便地、很有效地?cái)X取所需資訊，是建構(gòu)一數(shù)位圖書

8、館不容忽視的課題。目前國內(nèi)外從事以影像內(nèi)容基準(zhǔn)查詢研究者不乏其人。也有不少的查詢系統(tǒng)建置於商業(yè)或?qū)W術(shù)領(lǐng)域 1 9pt。這些系統(tǒng)大都採用色彩(color) 2-14 9pt、紋理(texture) 8,12,13,15,16 9pt、及外形(shape) 6,8,17 9pt 等特徵進(jìn)行比對(duì)，這些特徵在 1中有詳盡的介紹與比較。依據(jù)文獻(xiàn)所載，除為數(shù)甚少的論文涉及影像分類之研究9,12-14,17 9pt外，大部分從事影像查詢之研究都偏重於查詢比對(duì)方法之設(shè)計(jì)。故本論文首先著重於彩色圖像之自動(dòng)分類研究。依據(jù)文獻(xiàn)所載，雖有文獻(xiàn)是結(jié)合色彩與紋裡8,12,13 9pt，或是色彩及區(qū)塊特徵3,4-6,10

9、9pt， 但為數(shù)甚少的論文將色彩、紋理及區(qū)塊特徵同時(shí)結(jié)合進(jìn)行檢索8。而且區(qū)塊之切割大多只依據(jù)色彩色特徵3,4-8,10 9pt，而未將紋理特徵加入考慮，故切割成效不佳。本論文接著將著重於提出一將色彩及紋理做一致性處理之影像切割法，以擷取文意區(qū)塊 (semantic regions) ，以利後續(xù)之影像查詢及分類。另外在進(jìn)行影像查詢及分類時(shí)，亦將結(jié)合色彩、紋理及區(qū)塊特徵，以得最佳之效果。依據(jù)文獻(xiàn)所載，除為數(shù)甚少的論文涉局部彩色紋理區(qū)塊影像檢索之研究18外，大部分從事影像查詢之研究都偏重於整張影像查詢比對(duì)方法之設(shè)計(jì)，而且過去的方法都不具放大縮小及旋轉(zhuǎn)不變性。故本論文最後將著重於提出以特定彩色紋理局部

10、區(qū)塊為查詢內(nèi)容之檢索法，以達(dá)到局部區(qū)塊檢索之目的，更重要的是所提方法具放大縮小及旋轉(zhuǎn)不變性。前述三種研發(fā)出之方法不但適用於中國文物圖像，亦可適用於任意圖像的查詢與分類，故所得研究成果有相當(dāng)高的應(yīng)用價(jià)值。另本論文所提出之方法皆實(shí)作應(yīng)用於Corel資料庫或其他具代表性之資料庫，並證實(shí)所提方法確實(shí)有效。二、彩色影像分類（一）方法本研究所提出之方法包括兩大部分：色彩量化及影像分類，後者又包含了兩大步驟：特徵擷取及比對(duì)分類方法設(shè)計(jì)，現(xiàn)分述如下：(1) 色彩量化本研究採用HSV之色彩空間，因?yàn)槿鐖D一所示，H與S分量所擴(kuò)張的範(fàn)圍形成一六角形之蜂巢式結(jié)構(gòu)，我們即根據(jù)行動(dòng)電話蜂巢分解理論19，推導(dǎo)出下列HS六角

11、形結(jié)構(gòu)細(xì)分公式12pt再利用上述公式可得如圖二所示之個(gè)中心點(diǎn)座標(biāo)。假設(shè)原單胞之中心點(diǎn)極座標(biāo)為，則其七個(gè)次衍生單胞之中心點(diǎn)座標(biāo)分別為及，而在V方向則細(xì)切為V=0.9，0.6，0.3三個(gè)中心值，因此我們可得個(gè)色彩量化起始色如圖三所示。之後我們自動(dòng)分析每張彩色影像之用色方式，再利用前述細(xì)切理論進(jìn)行色彩之分割及合併。最後可得一自動(dòng)決定此張影像常用之色數(shù)及色彩之方法，而達(dá)到色彩量化之目的。(2) 特徵擷取 本研究所提出之比對(duì)特徵，可分為兩大類：以影像為基礎(chǔ)之特徵及以群集為基礎(chǔ)之特徵。前者共有5種，分別為用色數(shù)，大區(qū)塊佔(zhàn)全體區(qū)塊數(shù)之比例，邊緣點(diǎn)佔(zhàn)全部點(diǎn)數(shù)之比例、邊緣點(diǎn)分佈均勻度、起始色之直方圖等。後者之特

12、徵，則需根據(jù)色彩量化之結(jié)果，找出查詢及資料庫影像間之相互對(duì)應(yīng)色，並根據(jù)此色彩配對(duì)組合，推導(dǎo)出2種特徵，分別為對(duì)應(yīng)色點(diǎn)數(shù)之差量及對(duì)應(yīng)色區(qū)塊數(shù)之差量。(3) 比對(duì)分類方法設(shè)計(jì)本研究所提之分類方法，是採取由粗略至簡(jiǎn)略之階層性架構(gòu)。在前處理之粗略步驟中，先將與查詢影像極不相似之影像刪除，使後續(xù)細(xì)緻且較費(fèi)時(shí)的比對(duì)運(yùn)算僅作用於有可能相似之較小影像集，以加快處理速度。基此理念，在粗略步驟，當(dāng)然只採用以影像為基礎(chǔ)之簡(jiǎn)易比對(duì)特徵，至。而在細(xì)緻步驟則採用以群集為基礎(chǔ)之繁瑣但較精確的比對(duì)特徵，及。同時(shí)我們還模仿12 9pt所提之同類及異類距離分析法進(jìn)行實(shí)驗(yàn)，而得知、具有較小之同類距離及較大之異類距離，換言之，、具有

13、較佳之分類能力。所以我們也將納入細(xì)緻比對(duì)過程?？偠灾诖致员葘?duì)我們將採用至等5個(gè)特徵，而在細(xì)緻比對(duì)則採用、等3個(gè)特徵。而在比對(duì)函數(shù)設(shè)計(jì)上，我們除考慮各別影像影像間之相似度外，還加入影像類別間之相似度，亦即本法所採之比對(duì)函數(shù)如下：在此，Q及T分別為查詢及資料庫影像，為影像影像間之相似度，為影像類別間之相似度，N為資料庫中類別數(shù)，在本研究之實(shí)驗(yàn)中，是採N=25。最後針對(duì)任一張查詢影像其相似影像排序之結(jié)果，我們可以利用k-鄰近法以投票方式?jīng)Q定此一查詢影像之類別。（二） 結(jié)果本研究已實(shí)際驗(yàn)證於Corel資料庫，我們?nèi)稳×薈orel資料庫中之25個(gè)類別，當(dāng)作本實(shí)驗(yàn)之測(cè)試類別，並將每類100張影像中，

14、20張為查詢測(cè)試影像，而80張為資料庫影像，故測(cè)試影像有500張，資料庫影像有2000張，而k-鄰居法之k值分別為1, 3, 5, 7, 9, 11, 13。同時(shí)我們將所提方法與其它現(xiàn)有之四方法比較 20,21 9pt。圖四及圖五分別為執(zhí)行於2000張資料庫影像（留一法(leave-one-out)）及500張測(cè)試影像之結(jié)果。由圖中可發(fā)現(xiàn)在大部分的類別，所提方法都較其他方法好，且本法之正確率在大部分之類別皆高於60。三、結(jié)合色彩、紋理與區(qū)塊影像分類（一）方法所提方法包括三大部分：（1）區(qū)塊切割（2）色彩、紋理及區(qū)塊特徵擷取（3）結(jié)合色彩、紋理及區(qū)塊特徵之分類，現(xiàn)將此三步驟詳述如下：(1) 區(qū)塊

15、切割本研究採色彩及紋理特徵進(jìn)行影像切割以得文意區(qū)塊。在色彩特徵之?dāng)X取，本研究採一般色彩影像存檔或色彩影像顯示所採用的標(biāo)準(zhǔn)RGB色彩空間，因?yàn)榭擅馊シ彪s之色彩空間轉(zhuǎn)換以加快處理速度。為更進(jìn)一步加快處理速度，本研究將三顏色紅（Red）、綠（Green）、藍(lán)（Blue）各自量化為4 種表示色，亦即最多4´4´4= 64 個(gè)色彩。由此量化結(jié)果，我們可得任一區(qū)塊之色彩直方圖特徵如下在此及分別為此區(qū)塊中具有色彩標(biāo)示i 之點(diǎn)數(shù)及全部點(diǎn)數(shù)。本研究針對(duì)邊緣影像設(shè)計(jì)區(qū)域邊緣樣版（Local Edge Pattern）表示紋理特徵。LEP之設(shè)計(jì)主要導(dǎo)源於 15,169pt 所提出針對(duì)灰階影像描述

16、紋理特性之LBP（Local Block Pattern）特徵。首先針對(duì)Y 分量影像進(jìn)行 Soble 邊緣偵測(cè)，而得邊緣影像。再針對(duì)邊緣影像中任一3´3區(qū)塊（圖六（a），將其中心點(diǎn)及其8個(gè)鄰居（neighbor）間的邊緣分佈關(guān)係加以描述，當(dāng)作紋理特徵，亦即區(qū)域邊緣樣版。所提描述方式圖示於圖六。圖六（a）可視為邊緣影像中之一3´3區(qū)塊，將二值化之邊緣值各乘不同之二項(xiàng)權(quán)重（binomial weight）（如圖六（b）所示），而得圖六（c）之結(jié)果，最後得一加總之純量即為LEP特徵值。而LEP值之直方圖即可用以描述紋理特徵如下在此及分別為此區(qū)塊中具有LEP值i 之點(diǎn)數(shù)及全部點(diǎn)數(shù)。

17、本研究採用文獻(xiàn) 15,16 9pt 所提以LBP進(jìn)行灰階紋理切割之先分割再合併之方式 (split-and- merge) 進(jìn)行區(qū)塊切割，只是將任兩區(qū)塊之紋理同質(zhì)性 (homogeneity) 比對(duì)函數(shù)改以前述色彩及LEP直方圖方程式之差量代替。所得區(qū)塊切割效果相當(dāng)不錯(cuò)，圖示於圖七。（2）色彩、紋理及區(qū)塊特徵擷取本研究所提色彩、紋理及區(qū)塊特徵可區(qū)分整體性特徵及文意區(qū)塊特徵。整體性特徵包括整張影像之色彩及LEP直方圖，其定義類同前述方程式。文意區(qū)塊特徵則需根據(jù)前述區(qū)塊切割所得之文意區(qū)塊加以定義。此類特徵包括此區(qū)塊之色彩及LEP直方圖、色彩用色數(shù)、邊緣點(diǎn)佔(zhàn)的比例、區(qū)塊色彩平均值、區(qū)塊中心點(diǎn)座標(biāo)等6

18、 種特徵。（3）結(jié)合色彩、紋理及區(qū)塊特徵之分類本研究所提之查詢及分類方法，是採取由粗略至簡(jiǎn)略之階層性架構(gòu)。在前處理之粗略步驗(yàn)中，先將與查詢影像極不相似之影像先行刪除，使後續(xù)細(xì)緻且較費(fèi)時(shí)的比對(duì)運(yùn)算僅作用於有可能相似之較小影像集，以加快處理速度?；死砟睿诖致圆襟E，當(dāng)然只採用以較簡(jiǎn)易比對(duì)特徵，即整體性特徵。而在細(xì)緻步驟則採用以文意區(qū)塊為基礎(chǔ)之繁瑣但較精確的比對(duì)特徵。在文意區(qū)塊比對(duì)時(shí)，本研究提出以區(qū)塊為基準(zhǔn)之色彩直方圖、區(qū)域邊緣分佈直方圖、邊緣點(diǎn)比例、色彩用色數(shù)、邊緣點(diǎn)佔(zhàn)的比例、區(qū)塊中心點(diǎn)座標(biāo)等6 種特徵當(dāng)作各區(qū)塊比對(duì)之依據(jù)。另外在細(xì)緻步驟比對(duì)時(shí)，除採用文意區(qū)塊特徵進(jìn)行比對(duì)外，影像相似度之計(jì)算亦則

19、將全體影像特徵納入考量。最後針對(duì)任一張查詢影像其相似影像排序之結(jié)果，我們可以利用k-鄰近法以投票方式?jīng)Q定此一查詢影像之類別。(二) 結(jié)果本研究之分類法已實(shí)際驗(yàn)證於Corel資料庫，我們?nèi)稳×薈orel資料庫中之20個(gè)類別，當(dāng)作本實(shí)驗(yàn)之測(cè)試類別，並將每類100張影像中，20張為查詢測(cè)試影像，而80張為資料庫影像，故測(cè)試影像有400張，資料庫影像有1600張，而k-鄰居法之k值則為1及13。圖八為所提方法與彩色直方圖比對(duì)法之分類成效評(píng)比。由圖中可發(fā)現(xiàn)所提方法都較彩色直方圖比對(duì)法之分類結(jié)果為佳，且本法之正確率皆高於65。四、結(jié)合色彩、紋理與區(qū)塊之局部區(qū)塊影像查詢法（一）方法所提方法包括三大部分：（1

20、）區(qū)塊切割（2）色彩、紋理及區(qū)塊特徵擷取（3）具放大縮小及旋轉(zhuǎn)不變性特徵設(shè)計(jì)（4）結(jié)合色彩、紋理及區(qū)塊特徵之局部區(qū)塊比對(duì)。因?yàn)榈谝患暗诙襟E是沿用第二年之成果，故不再贅述，僅就步驟三及四詳述如下：(3) 放大縮小及旋轉(zhuǎn)不變性特徵設(shè)計(jì)因?yàn)樯手狈綀D原就具有放大縮小及旋轉(zhuǎn)不變性，故僅需針對(duì)對(duì)邊緣邊緣樣版設(shè)計(jì)具有放大縮小及旋轉(zhuǎn)不變性之特徵。其結(jié)果表列於下：在此不具有放大縮小及旋轉(zhuǎn)不變性，而具有放大縮小及旋轉(zhuǎn)不變性，故前者用以進(jìn)行區(qū)塊切割，後者則用於區(qū)塊比對(duì)。而在此分別代表區(qū)塊中具有LEPSEG及LEPROT之個(gè)數(shù)是在之邊緣分佈型態(tài)，其為一的視窗。而LEPROT則須經(jīng)旋轉(zhuǎn)處理，而得具有旋轉(zhuǎn)不變性之特徵

21、。轉(zhuǎn)換觀念可參考文獻(xiàn) 15,22 9pt。（4）結(jié)合色彩、紋理及區(qū)塊特徵之局部區(qū)塊比對(duì)本研究所提之局部區(qū)塊查詢方法，其執(zhí)行方式示意圖圖示於圖九。所提方法是採取以不同重要性比重方式，利用區(qū)塊彩色紋理及區(qū)塊位置進(jìn)行區(qū)塊比對(duì)，最後的比對(duì)公式如下：(二) 結(jié)果本研究之局部區(qū)塊查詢方法已實(shí)際驗(yàn)證於650 張之彩色影像資料庫，並與彩色直方圖法，進(jìn)行查詢成效評(píng)比。其評(píng)比方式是採用AVRR/IAVRR之比值，其定義如下若在檢索結(jié)果影像排序中，第 i 張影像含有查詢區(qū)塊資訊，則，否則，M 是所有資料庫影像張數(shù)，是所有資料庫影像含有查詢區(qū)塊資訊之張數(shù)。而且此比值愈高，表示所採方法愈佳。圖十是所提方法與彩色直方圖法

22、 11 9pt 評(píng)比之結(jié)果，由圖中可發(fā)現(xiàn)不論是就原圖或放大縮小及旋轉(zhuǎn)等變形，所提方法皆有最高的AVRR/IAVRR值，故所提方法有最佳的查詢成效。五、結(jié)論與討論本研究提出一通用之影像檢索及分類方法，透過此一查詢與分類機(jī)制，使用者可直接將圖像當(dāng)作查詢條件，而不需要再鍵入傳統(tǒng)的文字形式查詢條件，即可擷取出相關(guān)的資訊，進(jìn)行自動(dòng)分類。不論是第一年針對(duì)彩色圖像研發(fā)有效的自動(dòng)內(nèi)容查詢及分類方法，第二年適用於彩色區(qū)塊圖像之自動(dòng)內(nèi)容查詢及分類法，或第三年著重於彩色紋理局部區(qū)塊內(nèi)容查詢法，不但適用於中國文物圖像，亦可適用於任意圖像的分類方法，故所得研究成果有相當(dāng)高的應(yīng)用價(jià)值。同時(shí)本論文提出之方法皆實(shí)作應(yīng)用於Co

23、rel資料庫或其他具代表性之資料庫，並證實(shí)所提方法確實(shí)有效，故可整合完成一快速有效的文物圖像內(nèi)容查詢及分類法。另本研究第一年所提之分類方法已發(fā)表於會(huì)議論文23，並投稿國際期刊雜誌24，即將刊登。第二年提出之文意區(qū)塊切割結(jié)果已發(fā)表於會(huì)議論文 25 9pt 及期刊雜誌26 9pt，而結(jié)合結(jié)合色彩、紋理與區(qū)塊之影像分類法已發(fā)表於會(huì)議論文 27 9pt，並投稿於期刊雜誌 28 9pt。第三年之彩色紋理局部區(qū)塊內(nèi)容查詢法則已發(fā)表於會(huì)議論文 29 9pt，並投稿於期刊雜誌 30 9pt，即將刊登。六、參考文獻(xiàn)12pt1 T.S. Huang and Y. Rui, “Image retrieval: pa

24、st, present and future,” in Proc. International Symposium on Multimedia Information Processing, pp. 12-29, 1997.2 D. Androutsos, K.N. Plataniotis, and A.N. Venetsanopoulos, “A novel vector-based approach to color image retrieval using a vector angular-based distance measure,” Computer Vision and Ima

25、ge Understanding, vol. 75, pp.46-58, 1999.3 A.D. Bimbo, M. Mugnaini, P. Pala and F. Turco, “Visual querying by color perceptive regions,” Pattern Recognition, vol. 31, pp. 1241-1253, 1998.4 C. Colombo and A.D. Bimbo, “Color-induced image representation and retrieval,” Pattern Recognition, vol. 32, p

26、p. 1685-1695, 1999.5 C.S. Fuh, S.W. Cho, and K. Essig, “Hierarchical color image region segmentation for content-based image retrieval system,” IEEE Trans. on Image Processing, vol. 9, pp. 156-162, 2000.6 T. Gevers and A.W.M. Smeulders, “PicToSeek: Combining color and shape invariant features for im

27、age retrieval,” IEEE Trans. on Image Processing, vol. 9, pp.102-119, 2000.7 I.K. Park, I.D. Yun, and S.U. Lee, “Color image retrieval using hybrid graph representation,” Image and Vision Computing, vol. 17, pp. 465-474, 1999.8 Y. Rui, T.S. Huang, M. Ortega, and S. Mehrotra, “Relevance feedback: a po

28、wer tool for interactive content-based image retrieval,” IEEE Trans. on Circuits and Systems for Video Technology, vol. 9, pp. 501-512, 1999.9 E. Saker, A.M. Tekalp, R. Eschbach and K. Knox, “Automatic image annotation using adaptive color classification,” Graphical Models and Image Processing, vol.

29、 58, pp. 115-126, 1996.10 J.R. Smith and C.S. Li, “Image classification and querying using composite region templates,” Computer Vision and Image Understanding, vol. 75, pp.165-174, 1999.11 M.J. Swain and D.H. Ballard, “Color indexing,” International Journal of Computer Vision, vol. 7, pp. 11-32, 19

30、91.12 A. Vailaya, A. Jain and H.J. Zhang, “On image classification: city images vs. landscapes,” Pattern Recognition, vol. 31, pp. 1921-1935, 1998.13 A. Vailaya, M.A.T. Figueiredo, A.K. Jain, and H.J. Zhang, “Image classification for content-based indexing,” IEEE Trans. on Image Processing, vol. 10,

31、 pp. 117-130, 2001.14 H.J. Zhang and D. Zhong, “A scheme for visual feature based image indexing,” in Proc. SPIE Conf. On storage on Retrieval for Image and Video Databases, pp. 36-46, 1995.15 M. Pietikäinen, T. Ojala and Z. Xu, “Rotation-invariant texture classification using feature distribut

32、ions,” Pattern Recognition, vol. 33, pp. 43-52, 2000.16 T. Ojala and M. Pietikainen, “Unsupervised texture segmentation using feature distributions,” Pattern Recognition, vol. 32, pp. 477-486, 1999.17 G.K. Lang and P. Seity, “Robust classification of arbitrary object class based on hierarchical spat

33、ial feature matching,” Machine Vision and Applications, vol. 10, pp. 123-135, 1997.18 Y. Zhong and A.K. Jain, “Object localization using color, texture and shape,” Pattern Recognition, vol. 33, pp. 671-684, 2000.19 D.Y. Michel, Foundations of Mobile Radio Engineering, CRC Press, 1993.20 X. Wan and C

34、.-C.J. Kuo, “A new approach to image retrieval with hierarchical color clustering,” IEEE Trans. Circuits and Systems for Video Tech., vol. 8, pp. 628-643, 1998.21 T. Uchiyama and M.A. Arbib, “Color image segmentation using competitive learning,” IEEE Trans. Pattern Analysis and Machine Intelligence,

35、 vol.12, pp. 1197-1206, 1994.22 R.G. Gonzalez and R.E. Woods, Digital Image Processing, Prentice Hall, 2002.23 C.H. Lo and S.Y. Chen, “Image classification using cellular color decomposition,” Proc. of IPPR Conference on Computer Vision, Graphics and Image Processing, Taiwan, R.O.C., pp. 681-688, 1999.24 C.H. Lo and S.Y. Chen, “General image classification using adaptive cellular color decomposition,” International Journal of Pattern Recognition and Artificial Intelligence, accepted and to appear.25 K.M. Chen and