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)的人工加入的語義標(biāo)簽的最大不同在于，前者搜索出來的答案更客觀，不需要有意的花大量時間和精力為數(shù)據(jù)庫中的每張圖像做語義標(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表述，通過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，把最相似圖像的排序提取出來。
[0004]基于內(nèi)容的圖像搜索目前主流的具體方法是這樣的，采用機器學(xué)習(xí)方法，這類方法把大千世界的物體和場景分為如干類別，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一是不可能把現(xiàn)實世界都分類，準(zhǔn)確度也不高；二是，不管從計算機資源和訓(xùn)練時間上考慮，開銷都很大。


【發(fā)明內(nèi)容】

[0005]本發(fā)明所要解決的技術(shù)問題是:針對上述存在的問題，提供一種圖像相似度獲取方法及系統(tǒng)，結(jié)合機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個尺度與8個方向的GABOR核；
[0015]將圖像與上述40個GABOR核依次做卷積得到40個處理后的圖像；
[0016]將每個處理后的圖像分為bXb個小塊，并計算每個小塊的灰度均值得到40XbXb個灰度均值，40XbXb個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X 3像素點的計算窗口 ；
[0020]將計算窗口加到圖像上，比較計算窗口的周圍點像素值是否大于中心點像素值，若大于將該周圍點的像素點設(shè)為I，否則設(shè)為0，將8個周圍點的像素值依次排列得到一個8位無符號的二進制數(shù)，將這個無符號二進制數(shù)作為中心點的新像素值；
[0021]利用計算窗口遍歷整個圖像，得到圖像中每個非邊緣像素點的新像素值，并將各邊緣像素點的新像素值設(shè)為某值，即得到經(jīng)過LBP處理后的圖像；
[0022]將經(jīng)過LBP處理后的圖像分為cXc個小塊，并分別計算每個小塊灰度直方圖，所述灰度直方圖中的灰度采用64階表示，便得到每個小塊中64個灰階上分布的像素點數(shù)；將cXc個小塊64個灰階上分布的像素點數(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]選取三級神經(jīng)網(wǎng)絡(luò)；
[0026]設(shè)置d像素點X d像素點的取值窗口 ；
[0027]利用取值窗口在圖像中多次隨機取dXd個像素點；用取出的像素點依次帶入神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，對神經(jīng)網(wǎng)絡(luò)進行訓(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，則認為此時神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點為神經(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)元個數(shù)與輸出層神經(jīng)元個數(shù)均為dXd，且輸入層神經(jīng)元個數(shù)大于隱藏層神經(jīng)元個數(shù)；
[0029]d為非零自然數(shù)。
[0030]進一步，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)圖像每個像素點的R、G、B值計算該像素點的H、S、V值；
[0032]將圖像分為eXe個小塊，并分別計算每個小塊的顏色直方圖，所述顏色直方圖中的顏色采用90階表示，便得到每個小塊中90個色階上分布的像素點數(shù)；將eXe個小塊90個灰階上分布的像素點數(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特征相似度計算模塊，用于計算目標(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特征相似度計算模塊，用于計算目標(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特征相似度計算模塊，用于計算目標(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)特征相似度計算模塊，用于計算目標(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特征值提取模塊進一步包括:
[0048]GABOR核確定模塊，用于選擇5個尺度與8個方向的GABOR核；
[0049]卷積模塊，用于將圖像與上述40個GABOR核依次做卷積得到40個處理后的圖像；
[0050]GIST特征值計算模塊，用于將每個處理后的圖像分為bXb個小塊，并計算每個小塊的灰度均值，得到40XbXb個灰度均值，40XbXb個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特征值提取模塊進一步包括:
[0053]計算窗口設(shè)置模塊，用于設(shè)置3像素點X3像素點的計算窗口 ；
[0054]LBP處理模塊，用于將計算窗口加到圖像上，比較計算窗口的周圍點像素值是否大于中心點像素值，若大于將該周圍點的像素點設(shè)為1，否則設(shè)為0，將8個周圍點的像素值依次排列得到一個8位無符號的二進制數(shù)，將這個無符號二進制數(shù)作為中心點的新像素值；利用計算窗口遍歷整個圖像，得到圖像中每個非邊緣像素點的新像素值，并將各邊緣像素點的新像素值設(shè)為某值，即得到經(jīng)過LBP處理后的圖像；
[0055]LBP特征值計算模塊，用于將經(jīng)過LBP處理后的圖像分為cXc個小塊，并分別計算每個小塊灰度直方圖，所述灰度直方圖中的灰度采用64階表示，便得到每個小塊中64個灰階上分布的像素點數(shù)；將cXc個小塊64個灰階上分布的像素點數(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)特征值提取模塊進一步包括:
[0058]取值模塊，用于設(shè)置d像素點Xd像素點的取值窗口 ；利用取值窗口在圖像中多次隨機取dXd個像素點；
[0059]神經(jīng)網(wǎng)絡(luò)特征值計算模塊，用取出的像素點依次帶入神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，對神經(jīng)網(wǎng)絡(luò)進行訓(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，則認為此時神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點為神經(jīng)網(wǎng)絡(luò)特征值；
[0060]所述神經(jīng)網(wǎng)絡(luò)為三級神經(jīng)網(wǎng)絡(luò)，且輸入層神經(jīng)元個數(shù)與輸出層神經(jīng)元個數(shù)均為dXd，且輸入層神經(jīng)元個數(shù)大于隱藏層神經(jīng)元個數(shù)；d為非零自然數(shù)。
[0061 ] HSV特征值提取模塊進一步包括:
[0062]HSV轉(zhuǎn)換模塊，用于根據(jù)圖像每個像素點的R、G、B值計算該像素點的H、S、V值；
[0063]HSV特征值計算模塊，用于將圖像分為eXe個小塊，并分別計算每個小塊的顏色直方圖，所述顏色直方圖中的顏色采用90階表示，便得到每個小塊中90個色階上分布的像素點數(shù)；將e X e個小塊90個灰階上分布的像素點數(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，還包括機器自動提取的神經(jīng)網(wǎng)絡(luò)特征值，克服了只有人工提取的特征值時，特征選擇沒有標(biāo)準(zhǔn)，不同的特征準(zhǔn)確度不一樣，無法提取到圖像本身描述的特征值的缺點。
[0067]本發(fā)明還提供了一種相似度融合算法，將多個特征值按照一定的權(quán)重進行融合，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%。

【具體實施方式】
[0068]本說明書中公開的所有特征，或公開的所有方法或過程中的步驟，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]本說明書中公開的任一特征，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，每個特征只是一系列等效或類似特征中的一個例子而已。
[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，本身模擬生物視覺系統(tǒng)。GIST特征是通過多尺度多方向GABOR濾波器組對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節(jié)，在本發(fā)明中，尺度選擇5個，方向選擇8個。
[0078]在一個具體實施例中，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個尺度與8個方向的GABOR核；
[0080]將圖像與上述40個GABOR核依次做卷積得到40個處理后的圖像?？紤]到本發(fā)明方法主要用于智能手機上，而GABOR濾波器本身是加窗傅立葉變換，為了加快計算速度，在本發(fā)明的一個具體實施例中先把圖像變換到頻域，與GABOR核依次做乘積后，將結(jié)果變換回時域得到輪廓信息。
[0081]將每個處理后的圖像分為bXb個小塊，并計算每個小塊的灰度均值得到40XbXb個灰度均值，40XbXb個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X 3像素點的計算窗口 ；
[0085]將計算窗口加到圖像上，比較計算窗口的周圍點像素值是否大于中心點像素值，若大于將該周圍點的像素點設(shè)為I，否則設(shè)為0，將8個周圍點的像素值依次排列得到一個8位無符號的二進制數(shù)，將這個無符號二進制數(shù)作為中心點的新像素值。取8個周圍點的像素值的順序可以是以計算窗口左上角的點為起點順時針取，也可以以其他周圍點為起點，順時針或逆時針取，但是不管以什么樣的順序取值組合得到8位二進制數(shù)，只要保證遍歷整幅圖像的每個計算窗口中的取值順序一致即可。
[0086]利用計算窗口遍歷整個圖像，得到圖像中每個非邊緣像素點的新像素值，并將各邊緣像素點的新像素值設(shè)為某值，即得到經(jīng)過LBP處理后的圖像。其中，邊緣像素點是指圖像四條邊上的像素點，非邊緣像素點是指圖像中除了四條邊上的像素點以外的像素點。
[0087]將經(jīng)過LBP處理后的圖像分為cXc個小塊，并分別計算每個小塊灰度直方圖，所述灰度直方圖中的灰度采用64階表示，便得到每個小塊中64個灰階上分布的像素點數(shù)；將cX c個小塊64個灰階上分布的像素點數(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，為了加快計算，沒有采用256個灰階，采用64個灰階。
[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)元個數(shù)與輸出層個數(shù)相等，隱藏層神經(jīng)元個數(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)明一個實施例中采用的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如下:
[0091]輸入層神經(jīng)元個數(shù):8X8，隱藏層神經(jīng)元個數(shù):25，輸出層神經(jīng)元個數(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X 8像素點的取值窗口。
[0093]利用取值窗口在圖像中多次隨機取8X8個像素點；用取出的像素點帶入神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，對神經(jīng)網(wǎng)絡(luò)進行訓(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，則認為此時神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點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，則認為此時神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點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)圖像每個像素點的R、G、B值計算該像素點的H、S、V值。
[0097]將圖像分為eXe個小塊，并分別計算每個小塊的顏色直方圖，所述顏色直方圖中的顏色采用90階表示，便得到每個小塊中90個色階上分布的像素點數(shù)；將eXe個小塊90個灰階上分布的像素點數(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)過多次測試，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)過計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【具體實施方式】。本發(fā)明擴展到任何在本說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個尺度與8個方向的GABOR核； 將圖像與上述40個GABOR核依次做卷積得到40個處理后的圖像； 將每個處理后的圖像分為b X b個小塊，并計算每個小塊的灰度均值，得到40 X b X b個灰度均值，40XbXb個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X3像素點的計算窗口 ； 將計算窗口加到圖像上，比較計算窗口的周圍點像素值是否大于中心點像素值，若大于將該周圍點的像素點設(shè)為1，否則設(shè)為0，將8個周圍點的像素值依次排列得到一個8位無符號的二進制數(shù)，將這個無符號二進制數(shù)作為中心點的新像素值； 利用計算窗口遍歷整個圖像，得到圖像中每個非邊緣像素點的新像素值，并將各邊緣像素點的新像素值設(shè)為某值，即得到經(jīng)過LBP處理后的圖像； 將經(jīng)過LBP處理后的圖像分為cXc個小塊，并分別計算每個小塊灰度直方圖，所述灰度直方圖中的灰度采用64階表示，便得到每個小塊中64個灰階上分布的像素點數(shù)；將cXc個小塊64個灰階上分布的像素點數(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: 選取三級神經(jīng)網(wǎng)絡(luò)； 設(shè)置d像素點X d像素點的取值窗口 ； 利用取值窗口在圖像中多次隨機取d X d個像素點；用取出的像素點依次帶入神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，對神經(jīng)網(wǎng)絡(luò)進行訓(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，則認為此時神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點為神經(jīng)網(wǎng)絡(luò)特征值；所述神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個數(shù)與輸出層神經(jīng)元個數(shù)均為山且輸入層神經(jīng)元個數(shù)大于隱藏層神經(jīng)元個數(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)圖像每個像素點的1 6、8值計算該像素點的隊3、V值； 將圖像分為6X6個小塊，并分別計算每個小塊的顏色直方圖，所述顏色直方圖中的顏色采用90階表示，便得到每個小塊中90個色階上分布的像素點數(shù)；將6 X 6個小塊90個灰階上分布的像素點數(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特征相似度計算模塊，用于計算目標(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？特征相似度計算模塊，用于計算目標(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； 肥乂特征相似度計算模塊，用于計算目標(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)特征相似度計算模塊，用于計算目標(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特征值提取模塊進一步包括: 6^801？核確定模塊，用于選擇5個尺度與8個方向的以801？核； 卷積模塊，用于將圖像與上述40個以801？核依次做卷積得到40個處理后的圖像；6131特征值計算模塊，用于將每個處理后的圖像分為6X13個小塊，并計算每個小塊的灰度均值，得到40 X 6 X 6個灰度均值，40X1^X13個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，特征值提取模塊進一步包括: 計算窗口設(shè)置模塊，用于設(shè)置3像素點X3像素點的計算窗口 ； LBP處理模塊，用于將計算窗口加到圖像上，比較計算窗口的周圍點像素值是否大于中心點像素值，若大于將該周圍點的像素點設(shè)為I，否則設(shè)為O，將8個周圍點的像素值依次排列得到一個8位無符號的二進制數(shù)，將這個無符號二進制數(shù)作為中心點的新像素值；利用計算窗口遍歷整個圖像，得到圖像中每個非邊緣像素點的新像素值，并將各邊緣像素點的新像素值設(shè)為某值，即得到經(jīng)過LBP處理后的圖像； LBP特征值計算模塊，用于將經(jīng)過LBP處理后的圖像分為c X c個小塊，并分別計算每個小塊灰度直方圖，所述灰度直方圖中的灰度采用64階表示，便得到每個小塊中64個灰階上分布的像素點數(shù)；將c X c個小塊64個灰階上分布的像素點數(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)特征值提取模塊進一步包括: 取值模塊，用于設(shè)置d像素點Xd像素點的取值窗口 ；利用取值窗口在圖像中多次隨機取dXd個像素點； 神經(jīng)網(wǎng)絡(luò)特征值計算模塊，用取出的像素點依次帶入神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，對神經(jīng)網(wǎng)絡(luò)進行訓(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，則認為此時神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點為神經(jīng)網(wǎng)絡(luò)特征值； 所述神經(jīng)網(wǎng)絡(luò)為三級神經(jīng)網(wǎng)絡(luò)，且輸入層神經(jīng)元個數(shù)與輸出層神經(jīng)元個數(shù)均為dXd，且輸入層神經(jīng)元個數(shù)大于隱藏層神經(jīng)元個數(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特征值提取模塊進一步包括: HSV轉(zhuǎn)換模塊，用于根據(jù)圖像每個像素點的R、G、B值計算該像素點的H、S、V值； HSV特征值計算模塊，用于將圖像分為e X e個小塊，并分別計算每個小塊的顏色直方圖，所述顏色直方圖中的顏色采用90階表示，便得到每個小塊中90個色階上分布的像素點數(shù)；將e X e個小塊90個灰階上分布的像素點數(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】G06F17/30GK104504007SQ201410755506
【公開日】2015年4月8日 申請日期:2014年12月10日 優(yōu)先權(quán)日:2014年12月10日
【發(fā)明者】張楠 申請人:成都品果科技有限公司