用于颜色分布和纹理分布图像检索的相似度获取方法

暂无

用于颜色分布和纹理分布图像检索的相似度获取方法\n技术领域\n[0001] 本发明涉及图像检索技术，尤其是一种用于颜色分布和纹理分布图像检索的相似度获取方法。\n背景技术\n[0002] 近年来，随着移动互联网的迅速发展，拍照应用获得了很大的发展空间，照片的获取与存储变得十分容易。随着照片数据爆炸式的增长，用户迫切需要对照片的检索和整理的自动化技术。现有的图像检索技术都要依赖数据库中已存图像的训练样本求得相似度。\n而目前云存储的照片基本上都是来自各种用户拍摄的各种场景的照片，并没有可获取的显示标注了的训练样本。因而现有的图像检索技术不便直接应用到云存储图像的检索中。\n发明内容\n[0003] 本发明所要解决的技术问题是：针对上述存在的问题，提供一种适用于云存储颜色分布和纹理分布图像检索的相似度获取方法。\n[0004] 本发明提供的用于颜色分布和纹理分布图像检索的相似度获取方法，其特征在于，包括：\n[0005] 步骤1：提取输入图像的颜色分布特征及纹理分布特征；\n[0006] 步骤2：分别计算所述输入图像的颜色分布特征与数据库中每一幅图像的颜色分布特征的相似度，得到输入图像与数据库中每一幅图像之间的颜色分布特征相似度Sa（i），i取0、1、2…数据库图像总数-1；\n[0007] 分别计算所述输入图像的纹理分布特征与数据库中每一幅图像的纹理分布特征的相似度，得到输入图像与数据库中每一幅图像之间的纹理分布特征相似度Sb（i），i取0、\n1、2…数据库图像总数-1；\n[0008] 步骤3：利用公式S（i）=Wa×Sa（i）+Wb×Sb（i），i取0、1、2…数据库图像总数-1，Wa、Wb为加权系数且Wa+Wb=1，计算输入图像与数据库中每一幅图像的组合相似度S（i）。\n[0009] 优选地，所述颜色分布特征的获取方法包括：\n[0010] 步骤201：将图像转换到HSV颜色空间，得到图像I；\n[0011] 步骤202：将图像各个像素的H、S、V分量映射为颜色特征值G：G=Qs*Qv*H+Qv*S+V；将HSV颜色空间的三个通道的取值范围进行区间划分，分别划分为Hi,Sj,Vk，其中0≤i≤Qh,0≤j≤Qs,0≤k≤Qv，Qh,Qs,Qv分别表示HSV颜色空间的三个通道被分割的区间总数；\n[0012] 步骤203：统计图像中各个像素点的特征值分布情况：遍历每个像素点的颜色特征值，统计落入各个颜色分布直方图区间的像素点数量，将落入各个颜色分布直方图区间的像素点数量分别除以图像像素点总数,得到归一化的颜色分布特征hist(x)，其中x代表颜色分布直方图区间。\n[0013] 优选地，所述颜色分布特征的获取方法还包括：\n[0014] 将图像划分为N块；在所述步骤203中：统计图像中各个像素点的特征值分布情况：\n遍历每个像素点的特征值，统计落入各个颜色分布直方图区间的像素点数量，且将不是图像边界块中的像素点统计两次；将落入各个颜色分布直方图区间的像素点数量分别除以图像像素点总数,得到归一化的颜色分布特征hist(x)，其中x代表颜色直方图。\n[0015] 优选地，所述纹理分布特征的获取方法包括：\n[0016] 步骤301：将图像转换为灰度图，得到图像L；\n[0017] 步骤302：以尺寸为3像素×3像素的模板，遍历所述图像L，得到每个模板的LBP特征，其中得到模板LBP特征的方法包括：\n[0018] 记模板中的9个像素点的灰度值为pi(0≤i≤8)，其中模板正中的像素灰度值记为p0；将模板中其它的像素点的灰度值减去p0得到：\n[0019] gi=pi-p0,(1≤i≤8)；\n[0020] 对每个计算得到的gi进行二值化处理：如果gi≥0则令gi=1，否则gi=0；将位于位置i的像素的gi值扩展为8位2进制数，得到LBP(i)特征为，1≤i≤8：\n[0021]\n[0022] 步骤303：获得每个模板的旋转不变的LBPri特征；其中得到模板的旋转不变的LBPri特征的方法包括：\n[0023] 对模板的每个LBP(i)按进行移位操作，分别可以得到8个二进制数据，取其中最小的一个作为旋转不变的LBPri(i)特征：\n[0024] 式中1≤i≤8，ROR表示移位操作，q表示移位位\n数；\n[0025] 步骤304：统计各个模板中各个旋转不变的LBPri(i)特征的分布情况：遍历各个模板的每个旋转不变的LBPri(i)特征值，统计落入各个纹理分布直方图区间的像素点数量，再将落入各个纹理分布直方图区间的像素点数量分别除以图像像素点总数,得到归一化的纹理分布特征hist(y)，其中y代表纹理分布直方图区间。\n[0026] 优选地，所述步骤2中计算颜色分布特征相似度Sa的方法包括：\n[0027] 步骤401：利用公式 计算颜色分布特征相似度，其中\nhist1(x)为第一幅图像的颜色分布特征，hist2(x)为第二幅图像的颜色分布特征。\n[0028] 优选地，所述步骤2中计算纹理分布特征相似度Sb的方法包括：\n[0029] 步骤401：利用公式 计算纹理分布特征相似度，其中\nhist1(y)为第一幅图像的纹理分布特征，hist2(y)为第二幅图像的纹理分布特征。\n[0030] 优选地，所述Wa>Wb。\n[0031] 本发明还保护一种用于纹理分布图像检索方法的相似度获取方法，包括：\n[0032] 步骤1：提取输入图像的纹理分布特征；\n[0033] 步骤2：分别计算所述输入图像的纹理分布特征与数据库中每一幅图像的纹理分布特征的相似度，得到输入图像与数据库中每一幅图像之间的纹理分布特征相似度Sb（i），i取0、1、2…数据库图像总数-1；\n[0034] 所述纹理分布特征的获取方法包括：\n[0035] 步骤301：将图像转换为灰度图，得到图像L；\n[0036] 步骤302：以尺寸为3像素×3像素的模板，遍历所述图像L，得到每个模板的LBP特征，其中得到模板LBP特征的方法包括：\n[0037] 记模板中的9个像素点的灰度值为pi(0≤i≤8)，其中模板正中的像素灰度值记为p0；将模板中其它的像素点的灰度值减去p0得到：\n[0038] gi=pi-p0,(1≤i≤8)；\n[0039] 对每个计算得到的gi进行二值化处理：如果gi≥0则令gi=1，否则gi=0；将位于位置i的像素的gi值扩展为8位2进制数，得到LBP(i)特征为，1≤i≤8：\n[0040]\n[0041] 步骤303：获得每个模板的旋转不变的LBPri特征；其中得到模板的旋转不变的LBPri特征的方法包括：\n[0042] 对模板的每个LBP(i)按进行移位操作，分别可以得到8个二进制数据，取其中最小的一个作为旋转不变的LBPri(i)特征：\n[0043] 式中1≤i≤8，ROR表示移位操作，q表示移位位\n数；\n[0044] 步骤304：统计各个模板中各个旋转不变的LBPri(i)特征的分布情况：遍历各个模板的每个旋转不变的LBPri(i)特征值，统计落入各个纹理分布直方图区间的像素点数量，再将落入各个纹理分布直方图区间的像素点数量分别除以图像像素点总数,得到归一化的纹理分布特征hist(y)，其中y代表纹理分布直方图区间。\n[0045] 本发明还保护上述中的纹理分布特征的获取方法。\n[0046] 综上所述，由于采用了上述技术方案，本发明的有益效果是：\n[0047] 本发明涉及的图像相似度获取方法不需对图像进行任何假设，也不需要大量的标注样本训练模型，具有容易实现，计算速度快的优点。\n附图说明\n[0048] 本发明将通过例子并参照附图的方式说明，其中：\n[0049] 图1为本发明中颜色分布特征提取流程图。\n[0050] 图2为本发明中纹理分布特征提取流程图。\n[0051] 图3为本发明中图像检索流程图。\n具体实施方式\n[0052] 本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。\n[0053] 本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。\n[0054] 本发明提供了一种用于颜色分布和纹理分布图像检索的相似度获取方法，其具体步骤包括：\n[0055] 步骤1：提取输入图像的颜色分布特征及纹理分布特征；\n[0056] 步骤2：分别计算所述输入图像的颜色分布特征与数据库中每一幅图像的颜色分布特征的相似度，得到输入图像与数据库中每一幅图像之间的颜色分布特征相似度Sa（i），i取0、1、2…数据库图像总数-1；\n[0057] 分别计算所述输入图像的纹理分布特征与数据库中每一幅图像的纹理分布特征的相似度，得到输入图像与数据库中每一幅图像之间的纹理分布特征相似度Sb（i），i取0、\n1、2…数据库图像总数-1；\n[0058] 步骤3：利用公式S（i）=Wa×Sa（i）+Wb×Sb（i），i取0、1、2...数据库图像总数-1，Wa、Wb为加权系数且Wa+Wb=1，计算输入图像与数据库中每一幅图像的组合相似度S（i）。由于人们在一般情况下更关心颜色，因此作为一个优选的实施方式，加权系数Wa>Wb。\n[0059] 如图3，当获得了输入图像与数据库每一幅图像之间的组合相似度后，对各个相似度进行排序，相似度越大说明两幅图像越相似，我们可以根据经验设定一阈值，将大于组合相似度大于该阈值的所有数据库中的图像输出，作为检索结果。\n[0060] 如图1，在本发明一个实施例中，颜色分布特征的获取方法包括：\n[0061] 步骤201：将图像转换到HSV颜色空间，得到图像I；一般来说图片为RGB颜色空间，将RGB颜色空间的图片转换到HSV颜色空间为本领域公知的技术，在此不再赘述其具体过程。\n[0062] 步骤202：将图像各个像素的H、S、V分量按照公式G=Qs*Qv*H+Qv*S+V映射关系转换为颜色特征值G；其中，Qh,Qs,Qv的定义是这样的：将HSV颜色空间的三个通道的取值范围进行区间划分，分别划分为Hi,Sj,Vk，其中0≤i≤Qh,0≤j≤Qs,0￡k≤Qv，Qh,Qs,Qv分别表示HSV颜色空间的三个通道被分割的区间总数；\n[0063] 步骤203：统计图像中各个像素点的特征值分布情况：遍历每个像素点的颜色特征值，统计落入各个颜色分布直方图区间的像素点数量，将落入各个颜色分布直方图区间的像素点数量分别除以图像像素点总数,得到归一化的颜色分布特征hist(x)，其中x代表颜色分布直方图区间。\n[0064] 本领域技术人员均知晓，颜色分布直方图将整幅图像的颜色特征分为若干区间，然后用各个像素在各个区间分布的情况描述不同色彩在整幅图像中所占的比例。\n[0065] 考虑到一幅图像所表达的含义，往往位于图像边界附近的区域不太重要，我们更关心图非边界区域表达的内容。因此，在本发明另一个实施例中，所述颜色分布特征的获取方法还包括：\n[0066] 将图像划分为N块，例如N等于36；包含在图像边界块中的像素仅被统计一次，其余像素被统计两次。具体而言，在所述步骤203中：统计图像中各个像素点的特征值分布情况：\n遍历每个像素点的特征值，统计落入各个颜色分布直方图区间的像素点数量；且将不是图像边界块中的像素点统计两次，即，当有不是图像边界块中的像素点的特征值落入某一颜色分布直方图区间时，将落入该区间的像素点数量加2；当有是图像边界块中的像素点的特征值落入某一颜色分布直方图区间时，则将落入该区间的像素点数量加1；最后再将落入各个颜色分布直方图区间的像素点数量分别除以图像像素点总数,得到归一化的颜色分布特征hist(x)，其中x代表颜色直方图。\n[0067] 这样统计出来的颜色分布特征值更加准确。\n[0068] 如图2，在本发明的另一个实施例中，所述纹理分布特征的获取方法包括：\n[0069] 步骤301：将图像转换为灰度图，得到图像L；将RGB图像转换为灰度图有多种方法，其中一种是利用公式L=0.299*R+0.587*G+0.114*B进行转换，其中，R代表像素的红色分量，G代表像素的绿色分量，B代表像素的蓝色分量。0.299、0.587、0.114为系数，当然这个系数并不唯一，不能理解为对本发明的限制。\n[0070] 步骤302：以尺寸为3像素×3像素的模板，遍历所述图像L，得到每个模板的LBP特征（即纹理特征），其中得到模板LBP特征的方法包括：\n[0071] 记模板中的9个像素点的灰度值为pi(0≤i≤8)，其中模板正中的像素灰度值记为p0；将模板中其它的像素点的灰度值减去p0得到：\n[0072] gi=pi-p0,(1≤i≤8)；\n[0073] 对每个计算得到的gi进行二值化处理：如果gi≥0则令gi=1，否则gi=0；将位于位置i的像素的gi值扩展为8位2进制数，得到LBP(i)特征为，1≤i≤8：\n[0074]\n[0075] 上述计算的LBP特征不能应对旋转不变的要求，为了获得旋转不变的LBP特征，需ri\n要进一步执行步骤303：获得每个模板的旋转不变的LBP 特征；其中得到模板的旋转不变的LBPri特征的方法包括：\n[0076] 对模板的每个LBP(i)按进行移位操作，分别可以得到8个二进制数据，取其中最小的一个作为旋转不变的LBPri(i)特征：\n[0077] 式中1≤i≤8，ROR表示移位操作，q表示移位位\n数；\n[0078] 步骤304：统计各个模板中各个旋转不变的LBPri(i)特征的分布情况：遍历各个模板的每个旋转不变的LBPri(i)特征值，统计落入各个纹理分布直方图区间的像素点数量，再将落入各个纹理分布直方图区间的像素点数量分别除以图像像素点总数,得到归一化的纹理分布特征hist(y)，其中y代表纹理分布直方图区间。\n[0079] 这里纹理分布直方图的定义与前述颜色分布直方图定义类似。纹理分布直方图将整幅图像的纹理特征分为若干区间，然后用各个像素在各个区间分布的情况描述不同纹理在整幅图像中所占的比例。\n[0080] 当得到图像的颜色分布特征后，计算两幅图像的颜色分布特征相似度Sa的一个具体实施方式，包括：\n[0081] 步骤401：利用公式 计算颜色分布特征相似度，其中\nhist1(x)为第一幅图像的颜色分布特征，hist2(x)为第二幅图像的颜色分布特征，其中x代表颜色直方图。\n[0082] 当得到图像的纹理分布特征后，计算两幅图像的纹理分布特征相似度Sb的一个具体实施方式，包括：\n[0083] 步骤501：利用公式 计算纹理分布特征相似度，其中\nhist1(y)为第一幅图像的纹理分布特征，hist2(y)为第二幅图像的纹理分布特征。y代表纹理分布直方图区间。\n[0084] 在上述内容的教导下，本领域技术人员容易想到基于本发明创新思想的一种用于纹理分布图像检索方法的相似度获取方法，包括：\n[0085] 步骤1：提取输入图像的纹理分布特征；\n[0086] 步骤2：分别计算所述输入图像的纹理分布特征与数据库中每一幅图像的纹理分布特征的相似度，得到输入图像与数据库中每一幅图像之间的纹理分布特征相似度Sb（i），i取0、1、2…数据库图像总数-1。\n[0087] 同理，当获得了输入图像与数据库每一幅图像之间的纹理分布特征相似度后，对各个相似度进行排序，相似度越大说明两幅图像越相似，我们可以根据经验设定一阈值，将大于组合相似度大于该阈值的所有数据库中的图像输出，作为检索结果。\n[0088] 本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。