一種圖像相似度的獲取方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開(kāi)了一種圖像相似度的獲取方法及系統(tǒng)，涉及圖像搜索【技術(shù)領(lǐng)域】，本發(fā)明技術(shù)要點(diǎn)包括：分別提取目標(biāo)圖像及被比圖像的GIST特征值、LBP特征值、HSV特征值與神經(jīng)網(wǎng)絡(luò)特征值；計(jì)算目標(biāo)圖像的各特征值與被比圖像的各特征值的相似度；計(jì)算公式：融合相似度＝GIST特征相似度×a1+LBP特征相似度×a2+HSV特征相似度×a3+神經(jīng)網(wǎng)絡(luò)特征相似度×a4，得到目標(biāo)圖像與被比圖像的融合相似度；其中0.1≤a1≤0.5，0.1≤a2≤0.4，0.1≤a3≤0.4，0.1≤a4≤0.5，且a1+a2+a3+a4＝1。
【專利說(shuō)明】一種圖像相似度的獲取方法及系統(tǒng)

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像搜索【技術(shù)領(lǐng)域】，尤其涉及一種基于內(nèi)容的圖像相似度獲取方法。

【背景技術(shù)】
[0002]基于內(nèi)容的圖像搜索是通過(guò)圖像處理，特征提取，采用一定相似算法的搜索圖像的技術(shù)。這種技術(shù)與傳統(tǒng)的人工加入的語(yǔ)義標(biāo)簽的最大不同在于，前者搜索出來(lái)的答案更客觀，不需要有意的花大量時(shí)間和精力為數(shù)據(jù)庫(kù)中的每張圖像做語(yǔ)義標(biāo)簽。
[0003]目前基于內(nèi)容的圖像搜索原理是利用圖像本身包含的色彩、紋理、物體幾何關(guān)系等底層圖像特征來(lái)表述，通過(guò)特有的算法提取以上特征，然后采用不同的準(zhǔn)則函數(shù)去檢索圖像庫(kù)，把最相似圖像的排序提取出來(lái)。
[0004]基于內(nèi)容的圖像搜索目前主流的具體方法是這樣的，采用機(jī)器學(xué)習(xí)方法，這類方法把大千世界的物體和場(chǎng)景分為如干類別，然后人工提取圖像特征，采用監(jiān)督學(xué)習(xí)算法學(xué)習(xí)分類器。這類方法的最大缺點(diǎn)一是不可能把現(xiàn)實(shí)世界都分類，準(zhǔn)確度也不高；二是，不管從計(jì)算機(jī)資源和訓(xùn)練時(shí)間上考慮，開(kāi)銷都很大。


【發(fā)明內(nèi)容】

[0005]本發(fā)明所要解決的技術(shù)問(wèn)題是:針對(duì)上述存在的問(wèn)題，提供一種圖像相似度獲取方法及系統(tǒng)，結(jié)合機(jī)器提取特征值與人工提取的特征值獲取融合相似度方法，為基于內(nèi)容的圖像搜索提供具有更高召回度和準(zhǔn)確度的檢索依據(jù)。
[0006]本發(fā)明提供的一種圖像相似度的獲取方法，包括以下步驟:
[0007]步驟1:分別提取目標(biāo)圖像的GIST特征值、LBP特征值、HSV特征值與神經(jīng)網(wǎng)絡(luò)特征值；分別提取被比圖像的GIST特征值、LBP特征值、HSV特征值與神經(jīng)網(wǎng)絡(luò)特征值；
[0008]步驟2:計(jì)算目標(biāo)圖像的GIST特征值與被比圖像的GIST特征值的相似度得到GIST特征相似度；計(jì)算目標(biāo)圖像的LBP特征值與被比圖像的LBP特征值的相似度得到LBP特征相似度；計(jì)算目標(biāo)圖像的HSV特征值與被比圖像的HSV特征值的相似度得到HSV特征相似度；計(jì)算目標(biāo)圖像的神經(jīng)網(wǎng)絡(luò)特征值與被比圖像的神經(jīng)網(wǎng)絡(luò)特征值的相似度得到神經(jīng)網(wǎng)絡(luò)特征相似度；
[0009]步驟3:按照公式:
[0010]融合相似度=GIST特征相似度Xal+LBP特征相似度Xa2+HSV特征相似度Xa3+神經(jīng)網(wǎng)絡(luò)特征相似度Xa4
[0011]計(jì)算目標(biāo)圖像與被比圖像的融合相似度；
[0012]其中0.1 彡 al 彡 0.5，0.1 彡 a2 彡 0.4，0.1 彡 a3 彡 0.4，0.1 彡 a4 彡 0.5，且
al+a2+a3+a4 = I。
[0013]進(jìn)一步，提取目標(biāo)圖像或被比圖像的GIST特征值的方法包括以下步驟:
[0014]選擇5個(gè)尺度與8個(gè)方向的GABOR核；
[0015]將圖像與上述40個(gè)GABOR核依次做卷積得到40個(gè)處理后的圖像；
[0016]將每個(gè)處理后的圖像分為bXb個(gè)小塊，并計(jì)算每個(gè)小塊的灰度均值得到40XbXb個(gè)灰度均值，40XbXb個(gè)灰度均值組成的向量即為40XbXb維的GIST特征值；
[0017]其中b的取值為3或4。
[0018]進(jìn)一步，提取目標(biāo)圖像或被比圖像的LBP特征值的方法包括以下步驟:
[0019]設(shè)置3像素點(diǎn)X 3像素點(diǎn)的計(jì)算窗口 ；
[0020]將計(jì)算窗口加到圖像上，比較計(jì)算窗口的周圍點(diǎn)像素值是否大于中心點(diǎn)像素值，若大于將該周圍點(diǎn)的像素點(diǎn)設(shè)為I，否則設(shè)為0，將8個(gè)周圍點(diǎn)的像素值依次排列得到一個(gè)8位無(wú)符號(hào)的二進(jìn)制數(shù)，將這個(gè)無(wú)符號(hào)二進(jìn)制數(shù)作為中心點(diǎn)的新像素值；
[0021]利用計(jì)算窗口遍歷整個(gè)圖像，得到圖像中每個(gè)非邊緣像素點(diǎn)的新像素值，并將各邊緣像素點(diǎn)的新像素值設(shè)為某值，即得到經(jīng)過(guò)LBP處理后的圖像；
[0022]將經(jīng)過(guò)LBP處理后的圖像分為cXc個(gè)小塊，并分別計(jì)算每個(gè)小塊灰度直方圖，所述灰度直方圖中的灰度采用64階表示，便得到每個(gè)小塊中64個(gè)灰階上分布的像素點(diǎn)數(shù)；將cXc個(gè)小塊64個(gè)灰階上分布的像素點(diǎn)數(shù)依次排列最終得到cXcX64維的LBP特征值；
[0023]其中c的取值為3或4。
[0024]進(jìn)一步，提取目標(biāo)圖像或被比圖像的神經(jīng)網(wǎng)絡(luò)特征值的方法包括以下步驟:
[0025]選取三級(jí)神經(jīng)網(wǎng)絡(luò)；
[0026]設(shè)置d像素點(diǎn)X d像素點(diǎn)的取值窗口 ；
[0027]利用取值窗口在圖像中多次隨機(jī)取dXd個(gè)像素點(diǎn)；用取出的像素點(diǎn)依次帶入神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元與神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元的值差別小于設(shè)定值時(shí)，則認(rèn)為此時(shí)神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點(diǎn)為神經(jīng)網(wǎng)絡(luò)特征值；
[0028]所述神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)與輸出層神經(jīng)元個(gè)數(shù)均為dXd，且輸入層神經(jīng)元個(gè)數(shù)大于隱藏層神經(jīng)元個(gè)數(shù)；
[0029]d為非零自然數(shù)。
[0030]進(jìn)一步，提取目標(biāo)圖像或被比圖像的HSV特征值的方法包括以下步驟:
[0031]根據(jù)圖像每個(gè)像素點(diǎn)的R、G、B值計(jì)算該像素點(diǎn)的H、S、V值；
[0032]將圖像分為eXe個(gè)小塊，并分別計(jì)算每個(gè)小塊的顏色直方圖，所述顏色直方圖中的顏色采用90階表示，便得到每個(gè)小塊中90個(gè)色階上分布的像素點(diǎn)數(shù)；將eXe個(gè)小塊90個(gè)灰階上分布的像素點(diǎn)數(shù)依次排列最終得到eXeX90維的HSV特征值；
[0033]其中e的取值為2或3。
[0034]本發(fā)明還提供了一種圖像相似度的獲取系統(tǒng)，包括:
[0035]GIST特征值提取模塊，用于提取目標(biāo)圖像與被比圖像的GIST特征值；
[0036]LBP特征值提取模塊，用于提取目標(biāo)圖像與被比圖像的LBP特征值；
[0037]HSV特征值提取模塊，用于提取目標(biāo)圖像與被比圖像的HSV特征值；
[0038]神經(jīng)網(wǎng)絡(luò)特征值提取模塊，用于提取目標(biāo)圖像與被比圖像的神經(jīng)網(wǎng)絡(luò)特征值；
[0039]GIST特征相似度計(jì)算模塊，用于計(jì)算目標(biāo)圖像的GIST特征值與被比圖像的GIST特征值的相似度得到GIST特征相似度；
[0040]LBP特征相似度計(jì)算模塊，用于計(jì)算目標(biāo)圖像的LBP特征值與被比圖像的LBP特征值的相似度得到LBP特征相似度；
[0041]HSV特征相似度計(jì)算模塊，用于計(jì)算目標(biāo)圖像的HSV特征值與被比圖像的HSV特征值的相似度得到HSV特征相似度；
[0042]神經(jīng)網(wǎng)絡(luò)特征相似度計(jì)算模塊，用于計(jì)算目標(biāo)圖像的神經(jīng)網(wǎng)絡(luò)特征值與被比圖像的神經(jīng)網(wǎng)絡(luò)特征值的相似度得到神經(jīng)網(wǎng)絡(luò)特征相似度；
[0043]相似度融合模塊，用于根據(jù)公式
[0044]融合相似度=GIST特征相似度X a I+LBP特征相似度X a2+HSV特征相似度X a3+神經(jīng)網(wǎng)絡(luò)特征相似度Xa4
[0045]計(jì)算目標(biāo)圖像與被比圖像的融合相似度；
[0046]其中0.1 彡 al 彡 0.5，0.1 彡 a2 彡 0.4，0.1 彡 a3 彡 0.4，0.1 彡 a4 彡 0.5，且
al+a2+a3+a4 = I。
[0047]GIST特征值提取模塊進(jìn)一步包括:
[0048]GABOR核確定模塊，用于選擇5個(gè)尺度與8個(gè)方向的GABOR核；
[0049]卷積模塊，用于將圖像與上述40個(gè)GABOR核依次做卷積得到40個(gè)處理后的圖像；
[0050]GIST特征值計(jì)算模塊，用于將每個(gè)處理后的圖像分為bXb個(gè)小塊，并計(jì)算每個(gè)小塊的灰度均值，得到40XbXb個(gè)灰度均值，40XbXb個(gè)灰度均值組成的向量即為40XbXb維的GIST特征值；
[0051]其中b的取值為3或4。
[0052]LBP特征值提取模塊進(jìn)一步包括:
[0053]計(jì)算窗口設(shè)置模塊，用于設(shè)置3像素點(diǎn)X3像素點(diǎn)的計(jì)算窗口 ；
[0054]LBP處理模塊，用于將計(jì)算窗口加到圖像上，比較計(jì)算窗口的周圍點(diǎn)像素值是否大于中心點(diǎn)像素值，若大于將該周圍點(diǎn)的像素點(diǎn)設(shè)為1，否則設(shè)為0，將8個(gè)周圍點(diǎn)的像素值依次排列得到一個(gè)8位無(wú)符號(hào)的二進(jìn)制數(shù)，將這個(gè)無(wú)符號(hào)二進(jìn)制數(shù)作為中心點(diǎn)的新像素值；利用計(jì)算窗口遍歷整個(gè)圖像，得到圖像中每個(gè)非邊緣像素點(diǎn)的新像素值，并將各邊緣像素點(diǎn)的新像素值設(shè)為某值，即得到經(jīng)過(guò)LBP處理后的圖像；
[0055]LBP特征值計(jì)算模塊，用于將經(jīng)過(guò)LBP處理后的圖像分為cXc個(gè)小塊，并分別計(jì)算每個(gè)小塊灰度直方圖，所述灰度直方圖中的灰度采用64階表示，便得到每個(gè)小塊中64個(gè)灰階上分布的像素點(diǎn)數(shù)；將cXc個(gè)小塊64個(gè)灰階上分布的像素點(diǎn)數(shù)依次排列最終得到cXcX64維的LBP特征值；
[0056]其中c的取值為3或4。
[0057]神經(jīng)網(wǎng)絡(luò)特征值提取模塊進(jìn)一步包括:
[0058]取值模塊，用于設(shè)置d像素點(diǎn)Xd像素點(diǎn)的取值窗口 ；利用取值窗口在圖像中多次隨機(jī)取dXd個(gè)像素點(diǎn)；
[0059]神經(jīng)網(wǎng)絡(luò)特征值計(jì)算模塊，用取出的像素點(diǎn)依次帶入神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元與神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元的值差別小于設(shè)定值時(shí)，則認(rèn)為此時(shí)神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點(diǎn)為神經(jīng)網(wǎng)絡(luò)特征值；
[0060]所述神經(jīng)網(wǎng)絡(luò)為三級(jí)神經(jīng)網(wǎng)絡(luò)，且輸入層神經(jīng)元個(gè)數(shù)與輸出層神經(jīng)元個(gè)數(shù)均為dXd，且輸入層神經(jīng)元個(gè)數(shù)大于隱藏層神經(jīng)元個(gè)數(shù)；d為非零自然數(shù)。
[0061 ] HSV特征值提取模塊進(jìn)一步包括:
[0062]HSV轉(zhuǎn)換模塊，用于根據(jù)圖像每個(gè)像素點(diǎn)的R、G、B值計(jì)算該像素點(diǎn)的H、S、V值；
[0063]HSV特征值計(jì)算模塊，用于將圖像分為eXe個(gè)小塊，并分別計(jì)算每個(gè)小塊的顏色直方圖，所述顏色直方圖中的顏色采用90階表示，便得到每個(gè)小塊中90個(gè)色階上分布的像素點(diǎn)數(shù)；將e X e個(gè)小塊90個(gè)灰階上分布的像素點(diǎn)數(shù)依次排列最終得到e X e X 90維的HSV特征值；
[0064]其中e的取值為2或3。
[0065]綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是:
[0066]本發(fā)明對(duì)圖像特征的提取除了包括GIST特征值、LBP特征值及HSV特征值這些人工提取的特征值外，還包括機(jī)器自動(dòng)提取的神經(jīng)網(wǎng)絡(luò)特征值，克服了只有人工提取的特征值時(shí)，特征選擇沒(méi)有標(biāo)準(zhǔn)，不同的特征準(zhǔn)確度不一樣，無(wú)法提取到圖像本身描述的特征值的缺點(diǎn)。
[0067]本發(fā)明還提供了一種相似度融合算法，將多個(gè)特征值按照一定的權(quán)重進(jìn)行融合，與原有的圖像搜索方法相比，兩者在召回率相同的情況下，本發(fā)明方法的準(zhǔn)確率比其他搜索方法的準(zhǔn)確率高5-10%。

【具體實(shí)施方式】
[0068]本說(shuō)明書中公開(kāi)的所有特征，或公開(kāi)的所有方法或過(guò)程中的步驟，除了互相排斥的特征和/或步驟以外，均可以以任何方式組合。
[0069]本說(shuō)明書中公開(kāi)的任一特征，除非特別敘述，均可被其他等效或具有類似目的的替代特征加以替換。即，除非特別敘述，每個(gè)特征只是一系列等效或類似特征中的一個(gè)例子而已。
[0070]本發(fā)明提供了一種圖像相似度的獲取方法，包括以下步驟:
[0071 ] 步驟1:分別提取目標(biāo)圖像的GIST特征值、LBP特征值、HSV特征值與神經(jīng)網(wǎng)絡(luò)特征值；分別提取被比圖像的GIST特征值、LBP特征值、HSV特征值與神經(jīng)網(wǎng)絡(luò)特征值；
[0072]步驟2:計(jì)算目標(biāo)圖像的GIST特征值與被比圖像的GIST特征值的相似度得到GIST特征相似度；計(jì)算目標(biāo)圖像的LBP特征值與被比圖像的LBP特征值的相似度得到LBP特征相似度；計(jì)算目標(biāo)圖像的HSV特征值與被比圖像的HSV特征值的相似度得到HSV特征相似度；計(jì)算目標(biāo)圖像的神經(jīng)網(wǎng)絡(luò)特征值與被比圖像的神經(jīng)網(wǎng)絡(luò)特征值的相似度得到神經(jīng)網(wǎng)絡(luò)特征相似度；
[0073]步驟3:按照公式:
[0074]融合相似度=GIST特征相似度X a I+LBP特征相似度X a2+HSV特征相似度X a3+神經(jīng)網(wǎng)絡(luò)特征相似度Xa4
[0075]計(jì)算目標(biāo)圖像與被比圖像的融合相似度；
[0076]其中0.1 彡 al 彡 0.5，0.1 彡 a2 彡 0.4，0.1 彡 a3 彡 0.4，0.1 彡 a4 彡 0.5，且al+a2+a3+a4 = I ;優(yōu)選的，al = a4 = 0.3 ；a2 = a3 = 0.2。
[0077]GIST特征是一種生物啟發(fā)式的特征，本身模擬生物視覺(jué)系統(tǒng)。GIST特征是通過(guò)多尺度多方向GABOR濾波器組對(duì)圖像濾波后得到的形狀信息。GABOR濾波器組在圖像處理中使用廣泛，主要目的是提取圖像的不同尺度不同方向的輪廓細(xì)節(jié)，在本發(fā)明中，尺度選擇5個(gè)，方向選擇8個(gè)。
[0078]在一個(gè)具體實(shí)施例中，提取目標(biāo)圖像或被比圖像的GIST特征值的方法包括以下步驟:
[0079]選擇5個(gè)尺度與8個(gè)方向的GABOR核；
[0080]將圖像與上述40個(gè)GABOR核依次做卷積得到40個(gè)處理后的圖像?？紤]到本發(fā)明方法主要用于智能手機(jī)上，而GABOR濾波器本身是加窗傅立葉變換，為了加快計(jì)算速度，在本發(fā)明的一個(gè)具體實(shí)施例中先把圖像變換到頻域，與GABOR核依次做乘積后，將結(jié)果變換回時(shí)域得到輪廓信息。
[0081]將每個(gè)處理后的圖像分為bXb個(gè)小塊，并計(jì)算每個(gè)小塊的灰度均值得到40XbXb個(gè)灰度均值，40XbXb個(gè)灰度均值組成的向量即為40XbXb維的GIST特征值；
[0082]其中b的取值為3或4。
[0083]其中，提取目標(biāo)圖像或被比圖像的LBP特征值的方法包括以下步驟:
[0084]設(shè)置3像素點(diǎn)X 3像素點(diǎn)的計(jì)算窗口 ；
[0085]將計(jì)算窗口加到圖像上，比較計(jì)算窗口的周圍點(diǎn)像素值是否大于中心點(diǎn)像素值，若大于將該周圍點(diǎn)的像素點(diǎn)設(shè)為I，否則設(shè)為0，將8個(gè)周圍點(diǎn)的像素值依次排列得到一個(gè)8位無(wú)符號(hào)的二進(jìn)制數(shù)，將這個(gè)無(wú)符號(hào)二進(jìn)制數(shù)作為中心點(diǎn)的新像素值。取8個(gè)周圍點(diǎn)的像素值的順序可以是以計(jì)算窗口左上角的點(diǎn)為起點(diǎn)順時(shí)針取，也可以以其他周圍點(diǎn)為起點(diǎn)，順時(shí)針或逆時(shí)針取，但是不管以什么樣的順序取值組合得到8位二進(jìn)制數(shù)，只要保證遍歷整幅圖像的每個(gè)計(jì)算窗口中的取值順序一致即可。
[0086]利用計(jì)算窗口遍歷整個(gè)圖像，得到圖像中每個(gè)非邊緣像素點(diǎn)的新像素值，并將各邊緣像素點(diǎn)的新像素值設(shè)為某值，即得到經(jīng)過(guò)LBP處理后的圖像。其中，邊緣像素點(diǎn)是指圖像四條邊上的像素點(diǎn)，非邊緣像素點(diǎn)是指圖像中除了四條邊上的像素點(diǎn)以外的像素點(diǎn)。
[0087]將經(jīng)過(guò)LBP處理后的圖像分為cXc個(gè)小塊，并分別計(jì)算每個(gè)小塊灰度直方圖，所述灰度直方圖中的灰度采用64階表示，便得到每個(gè)小塊中64個(gè)灰階上分布的像素點(diǎn)數(shù)；將cX c個(gè)小塊64個(gè)灰階上分布的像素點(diǎn)數(shù)依次排列最終得到cX cX64維的LBP特征值；其中c的取值為3或4。本發(fā)明沒(méi)有采用傳統(tǒng)的全局直方圖而是提取LBP圖像的4*4的局部區(qū)域直方圖，為了加快計(jì)算，沒(méi)有采用256個(gè)灰階，采用64個(gè)灰階。
[0088]其中，提取目標(biāo)圖像或被比圖像的神經(jīng)網(wǎng)絡(luò)特征值的方法包括以下步驟:
[0089]本發(fā)明采用3級(jí)神經(jīng)網(wǎng)絡(luò)的autoencoder (自編碼神經(jīng)網(wǎng)絡(luò))，自編碼神經(jīng)網(wǎng)絡(luò)目的是學(xué)習(xí)一個(gè)函數(shù)，使輸出盡可能的接近輸入，網(wǎng)絡(luò)的隱藏層的神經(jīng)元就是提取到的特征。Autoencoder的工作原理是輸入層的神經(jīng)元個(gè)數(shù)與輸出層個(gè)數(shù)相等，隱藏層神經(jīng)元個(gè)數(shù)必須少于其他兩層。只有這樣，自編碼神經(jīng)網(wǎng)絡(luò)才能壓縮冗余信息，提取能表征圖像特征的主要信息。
[0090]本發(fā)明一個(gè)實(shí)施例中采用的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如下:
[0091]輸入層神經(jīng)元個(gè)數(shù):8X8，隱藏層神經(jīng)元個(gè)數(shù):25，輸出層神經(jīng)元個(gè)數(shù):8X8。采用的訓(xùn)練算法為反向傳播算法。
[0092]設(shè)置8像素點(diǎn)X 8像素點(diǎn)的取值窗口。
[0093]利用取值窗口在圖像中多次隨機(jī)取8X8個(gè)像素點(diǎn)；用取出的像素點(diǎn)帶入神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果與輸入的值差別小于設(shè)定值時(shí)，則認(rèn)為此時(shí)神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點(diǎn)為我們需要的特征值。
[0094]具體的，當(dāng)輸入值與輸出結(jié)果的均方差小于0.2時(shí)，則認(rèn)為此時(shí)神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點(diǎn)為我們需要的特征值。
[0095]其中，提取目標(biāo)圖像或被比圖像的HSV特征值的方法包括以下步驟:
[0096]根據(jù)圖像每個(gè)像素點(diǎn)的R、G、B值計(jì)算該像素點(diǎn)的H、S、V值。
[0097]將圖像分為eXe個(gè)小塊，并分別計(jì)算每個(gè)小塊的顏色直方圖，所述顏色直方圖中的顏色采用90階表示，便得到每個(gè)小塊中90個(gè)色階上分布的像素點(diǎn)數(shù)；將eXe個(gè)小塊90個(gè)灰階上分布的像素點(diǎn)數(shù)依次排列最終得到eXeX90維的HSV特征值；其中e的取值為2或3。
[0098]相似準(zhǔn)則選擇:有很多相似函數(shù)可以判斷兩個(gè)特征向量之間的相似度，比如歐式距離函數(shù)、余弦函數(shù)、Hausdorff函數(shù)等。在本發(fā)明中，經(jīng)過(guò)多次測(cè)試，最終選擇余弦函數(shù)作為圖像相似判斷的標(biāo)準(zhǔn)。
[0099]例如將目標(biāo)圖像與被比圖像的GIST特征值帶入余弦函數(shù)，經(jīng)過(guò)計(jì)算得到兩者的相似度。以此類推，得到其他特征相似度。
[0100]本發(fā)明并不局限于前述的【具體實(shí)施方式】。本發(fā)明擴(kuò)展到任何在本說(shuō)明書中披露的新特征或任何新的組合，以及披露的任一新的方法或過(guò)程的步驟或任何新的組合。
【權(quán)利要求】
1.一種圖像相似度的獲取方法，其特征在于，包括以下步驟: 步驟1:分別提取目標(biāo)圖像的GIST特征值、LBP特征值、HSV特征值與神經(jīng)網(wǎng)絡(luò)特征值；分別提取被比圖像的GIST特征值、LBP特征值、HSV特征值與神經(jīng)網(wǎng)絡(luò)特征值； 步驟2:計(jì)算目標(biāo)圖像的GIST特征值與被比圖像的GIST特征值的相似度得到GIST特征相似度；計(jì)算目標(biāo)圖像的LBP特征值與被比圖像的LBP特征值的相似度得到LBP特征相似度；計(jì)算目標(biāo)圖像的HSV特征值與被比圖像的HSV特征值的相似度得到HSV特征相似度；計(jì)算目標(biāo)圖像的神經(jīng)網(wǎng)絡(luò)特征值與被比圖像的神經(jīng)網(wǎng)絡(luò)特征值的相似度得到神經(jīng)網(wǎng)絡(luò)特征相似度； 步驟3:按照公式: 融合相似度=GIST特征相似度Xal+LBP特征相似度Xa2+HSV特征相似度Xa3+神經(jīng)網(wǎng)絡(luò)特征相似度Xa4 計(jì)算目標(biāo)圖像與被比圖像的融合相似度； 其中 0.1 彡 al 彡 0.5，0.1 彡 a2 彡 0.4，0.1 彡 a3 彡 0.4，0.1 彡 a4 彡 0.5，且al+a2+a3+a4 = I。
2.根據(jù)權(quán)利要求1所述的一種圖像相似度的獲取方法，其特征在于，提取目標(biāo)圖像或被比圖像的GIST特征值的方法包括以下步驟: 選擇5個(gè)尺度與8個(gè)方向的GABOR核； 將圖像與上述40個(gè)GABOR核依次做卷積得到40個(gè)處理后的圖像； 將每個(gè)處理后的圖像分為b X b個(gè)小塊，并計(jì)算每個(gè)小塊的灰度均值，得到40 X b X b個(gè)灰度均值，40XbXb個(gè)灰度均值組成的向量即為40XbXb維的GIST特征值； 其中b的取值為3或4。
3.根據(jù)權(quán)利要求1所述的一種圖像相似度的獲取方法，其特征在于，提取目標(biāo)圖像或被比圖像的LBP特征值的方法包括以下步驟: 設(shè)置3像素點(diǎn)X3像素點(diǎn)的計(jì)算窗口 ； 將計(jì)算窗口加到圖像上，比較計(jì)算窗口的周圍點(diǎn)像素值是否大于中心點(diǎn)像素值，若大于將該周圍點(diǎn)的像素點(diǎn)設(shè)為1，否則設(shè)為0，將8個(gè)周圍點(diǎn)的像素值依次排列得到一個(gè)8位無(wú)符號(hào)的二進(jìn)制數(shù)，將這個(gè)無(wú)符號(hào)二進(jìn)制數(shù)作為中心點(diǎn)的新像素值； 利用計(jì)算窗口遍歷整個(gè)圖像，得到圖像中每個(gè)非邊緣像素點(diǎn)的新像素值，并將各邊緣像素點(diǎn)的新像素值設(shè)為某值，即得到經(jīng)過(guò)LBP處理后的圖像； 將經(jīng)過(guò)LBP處理后的圖像分為cXc個(gè)小塊，并分別計(jì)算每個(gè)小塊灰度直方圖，所述灰度直方圖中的灰度采用64階表示，便得到每個(gè)小塊中64個(gè)灰階上分布的像素點(diǎn)數(shù)；將cXc個(gè)小塊64個(gè)灰階上分布的像素點(diǎn)數(shù)依次排列最終得到cXcX64維的LBP特征值；其中c的取值為3或4。
4.根據(jù)權(quán)利要求1所述的一種圖像相似度的獲取方法，其特征在于，提取目標(biāo)圖像或被比圖像的神經(jīng)網(wǎng)絡(luò)特征值的方法包括以下步驟: 選取三級(jí)神經(jīng)網(wǎng)絡(luò)； 設(shè)置d像素點(diǎn)X d像素點(diǎn)的取值窗口 ； 利用取值窗口在圖像中多次隨機(jī)取d X d個(gè)像素點(diǎn)；用取出的像素點(diǎn)依次帶入神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元與神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元的值差別小于設(shè)定值時(shí)，則認(rèn)為此時(shí)神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點(diǎn)為神經(jīng)網(wǎng)絡(luò)特征值；所述神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)與輸出層神經(jīng)元個(gè)數(shù)均為山且輸入層神經(jīng)元個(gè)數(shù)大于隱藏層神經(jīng)元個(gè)數(shù)； (1為非零自然數(shù)。
5.根據(jù)權(quán)利要求1所述的一種圖像相似度的獲取方法，其特征在于，提取目標(biāo)圖像或被比圖像的肥乂特征值的方法包括以下步驟: 根據(jù)圖像每個(gè)像素點(diǎn)的1 6、8值計(jì)算該像素點(diǎn)的隊(duì)3、V值； 將圖像分為6X6個(gè)小塊，并分別計(jì)算每個(gè)小塊的顏色直方圖，所述顏色直方圖中的顏色采用90階表示，便得到每個(gè)小塊中90個(gè)色階上分布的像素點(diǎn)數(shù)；將6 X 6個(gè)小塊90個(gè)灰階上分布的像素點(diǎn)數(shù)依次排列最終得到6X6X90維的特征值； 其中6的取值為2或3。
6.一種圖像相似度的獲取系統(tǒng)，其特征在于，包括: 6181特征值提取模塊，用于提取目標(biāo)圖像與被比圖像的以31特征值； 18？特征值提取模塊，用于提取目標(biāo)圖像與被比圖像的18？特征值； 肥乂特征值提取模塊，用于提取目標(biāo)圖像與被比圖像的特征值； 神經(jīng)網(wǎng)絡(luò)特征值提取模塊，用于提取目標(biāo)圖像與被比圖像的神經(jīng)網(wǎng)絡(luò)特征值； 6181特征相似度計(jì)算模塊，用于計(jì)算目標(biāo)圖像的以31特征值與被比圖像的以31特征值的相似度得到6131特征相似度； 18？特征相似度計(jì)算模塊，用于計(jì)算目標(biāo)圖像的特征值與被比圖像的特征值的相似度得到特征相似度； 肥乂特征相似度計(jì)算模塊，用于計(jì)算目標(biāo)圖像的!！^特征值與被比圖像的!！^特征值的相似度得到特征相似度； 神經(jīng)網(wǎng)絡(luò)特征相似度計(jì)算模塊，用于計(jì)算目標(biāo)圖像的神經(jīng)網(wǎng)絡(luò)特征值與被比圖像的神經(jīng)網(wǎng)絡(luò)特征值的相似度得到神經(jīng)網(wǎng)絡(luò)特征相似度； 相似度融合模塊，用于根據(jù)公式 融合相似度=以31'特征相似度X 4+18？特征相似度特征相似度^￡13+神經(jīng)網(wǎng)絡(luò)特征相似度X# 計(jì)算目標(biāo)圖像與被比圖像的融合相似度；
其中 0.1 彡 &1 彡 0.5,0.1 彡 32 彡 0.4,0.1 彡 33 彡 0.4,0.1 彡 34 彡 0.5，且&1+&2+&3+&4 = 1。
7.根據(jù)權(quán)利要求6所述的一種圖像相似度的獲取系統(tǒng)，其特征在于，6181特征值提取模塊進(jìn)一步包括: 6^801？核確定模塊，用于選擇5個(gè)尺度與8個(gè)方向的以801？核； 卷積模塊，用于將圖像與上述40個(gè)以801？核依次做卷積得到40個(gè)處理后的圖像；6131特征值計(jì)算模塊，用于將每個(gè)處理后的圖像分為6X13個(gè)小塊，并計(jì)算每個(gè)小塊的灰度均值，得到40 X 6 X 6個(gè)灰度均值，40X1^X13個(gè)灰度均值組成的向量即為40 X 6 X 6維的6181特征值； 其中6的取值為3或4。
8.根據(jù)權(quán)利要求6所述的一種圖像相似度的獲取系統(tǒng)，其特征在于，特征值提取模塊進(jìn)一步包括: 計(jì)算窗口設(shè)置模塊，用于設(shè)置3像素點(diǎn)X3像素點(diǎn)的計(jì)算窗口 ； LBP處理模塊，用于將計(jì)算窗口加到圖像上，比較計(jì)算窗口的周圍點(diǎn)像素值是否大于中心點(diǎn)像素值，若大于將該周圍點(diǎn)的像素點(diǎn)設(shè)為I，否則設(shè)為O，將8個(gè)周圍點(diǎn)的像素值依次排列得到一個(gè)8位無(wú)符號(hào)的二進(jìn)制數(shù)，將這個(gè)無(wú)符號(hào)二進(jìn)制數(shù)作為中心點(diǎn)的新像素值；利用計(jì)算窗口遍歷整個(gè)圖像，得到圖像中每個(gè)非邊緣像素點(diǎn)的新像素值，并將各邊緣像素點(diǎn)的新像素值設(shè)為某值，即得到經(jīng)過(guò)LBP處理后的圖像； LBP特征值計(jì)算模塊，用于將經(jīng)過(guò)LBP處理后的圖像分為c X c個(gè)小塊，并分別計(jì)算每個(gè)小塊灰度直方圖，所述灰度直方圖中的灰度采用64階表示，便得到每個(gè)小塊中64個(gè)灰階上分布的像素點(diǎn)數(shù)；將c X c個(gè)小塊64個(gè)灰階上分布的像素點(diǎn)數(shù)依次排列最終得到c X c X 64維的LBP特征值； 其中c的取值為3或4。
9.根據(jù)權(quán)利要求6所述的一種圖像相似度的獲取系統(tǒng)，其特征在于，神經(jīng)網(wǎng)絡(luò)特征值提取模塊進(jìn)一步包括: 取值模塊，用于設(shè)置d像素點(diǎn)Xd像素點(diǎn)的取值窗口 ；利用取值窗口在圖像中多次隨機(jī)取dXd個(gè)像素點(diǎn)； 神經(jīng)網(wǎng)絡(luò)特征值計(jì)算模塊，用取出的像素點(diǎn)依次帶入神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元與神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元的值差別小于設(shè)定值時(shí)，則認(rèn)為此時(shí)神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點(diǎn)為神經(jīng)網(wǎng)絡(luò)特征值； 所述神經(jīng)網(wǎng)絡(luò)為三級(jí)神經(jīng)網(wǎng)絡(luò)，且輸入層神經(jīng)元個(gè)數(shù)與輸出層神經(jīng)元個(gè)數(shù)均為dXd，且輸入層神經(jīng)元個(gè)數(shù)大于隱藏層神經(jīng)元個(gè)數(shù)；d為非零自然數(shù)。
10.根據(jù)權(quán)利要求6所述的一種圖像相似度的獲取系統(tǒng)，其特征在于，HSV特征值提取模塊進(jìn)一步包括: HSV轉(zhuǎn)換模塊，用于根據(jù)圖像每個(gè)像素點(diǎn)的R、G、B值計(jì)算該像素點(diǎn)的H、S、V值； HSV特征值計(jì)算模塊，用于將圖像分為e X e個(gè)小塊，并分別計(jì)算每個(gè)小塊的顏色直方圖，所述顏色直方圖中的顏色采用90階表示，便得到每個(gè)小塊中90個(gè)色階上分布的像素點(diǎn)數(shù)；將e X e個(gè)小塊90個(gè)灰階上分布的像素點(diǎn)數(shù)依次排列最終得到e X e X 90維的HSV特征值； 其中e的取值為2或3。
【文檔編號(hào)】G06F17/30GK104504007SQ201410755506
【公開(kāi)日】2015年4月8日 申請(qǐng)日期:2014年12月10日 優(yōu)先權(quán)日:2014年12月10日
【發(fā)明者】張楠 申請(qǐng)人:成都品果科技有限公司