CN102253989A - 图像处理方法、装置及图像检索方法、系统 - Google Patents

Abstract

本发明提供了一种图像处理方法、装置及图像检索方法、系统，其中，图像处理方法包括：将源图像处理成预设大小的标准图像；提取标准图像各像素点的色度向量因子；根据各像素点的色度向量因子计算对比度向量因子；根据对比度向量因子计算亮度因子L；根据色度向量因子和亮度因子组建新像素点；将新像素点构成的图像划分为预设数目的块；分别提取每个块中RGBL维度分量的特征点；将同一行中不同块的同一类型参数的特征点按大小进行排序，得到N个特征值表征的图像。本发明提出的图像处理方法，只需耗费少量存储空间，同时具有计算速度快等优点。该图像处理方法用于图像检索技术中，能有效提高图像检索效率。

Description

图像处理方法、装置及图像检索方法、系统

技术领域

本发明涉及图像检索技术领域，特别地，涉及一种图像处理方法、装置及图像检索方法、系统。

背景技术

图像检索是当今信息科学领域的研究热点和难点，分为基于文本的图像检索和基于内容的图像检索等方式。

当时主要是基于文本的图像检索技术(Text-based Image Retrieval，简称TBIR)，利用文本描述的方式描述图像的特征，如绘画作品的作者、年代、流派、尺寸等。到90年代以后，出现了对图像的内容语义，如图像的颜色、纹理、布局等进行分析和检索的图像检索技术，即基于内容的图像检索(Content-basedImage Retrieval，简称CBIR)技术。CBIR属于基于内容检索(Content-basedRetrieval，简称CBR)的一种，CBR中还包括对动态视频、音频等其它形式多媒体信息的检索技术。

基于文本的图像检索技术(Text-based Image Retrieval，简称TBIR)是通过人工标记的方式，利用文本描述图像名称、图像尺寸、作者、压缩类型等方面标引图像，该方法的最大特点是检索速度快，目前互联网的图像检索基本采用这种方式。但随着信息量的增大，需要人工标记的图像也越来越多，这将导致人力成本的大量增加，而且也违背了以图搜图的图像检索发展趋势。

基于内容的图像检索技术(Content-based Image Retrieval，简称CBIR)是根据图像、图像的内容语义如图像的颜色、纹理、布局以及上下文联系等特征进行查找，以图像内容语义特征为线索从图像数据库中检出具有相似特性的其它图像。

基于内容的图像检索系统一般包括图像处理模块、查询模块、对象库和特征知识库，其规模一般要大于纯粹的文本信息，因此基于内容的图像检索在检索效率和数据存储上要求更高。

发明内容

本发明所要解决的技术问题是提供一种图像处理方法、装置及图像检索方法、系统，能够从源图像中提取少数特征向量，只需耗费少量的存储空间，实现高效检索。

为了解决上述问题，一方面提供了一种图像处理方法，包括：将源图像处理成预设大小的标准图像；提取所述标准图像各像素点的色度向量因子；根据所述各像素点的色度向量因子计算对比度向量因子；根据所述对比度向量因子计算亮度因子L；根据所述色度向量因子和所述亮度因子组建新像素点；将所述新像素点构成的图像划分为预设数目的块；分别提取每个所述块中RGBL维度分量的特征点；将同一行中不同块的同一类型参数的所述特征点按大小进行排序，得到N个特征值表征的图像，记为：

优选的，所述提取所述标准图像各像素点的色度向量因子步骤中，对于某一像素点p(i，j)，其色度向量因子

的RGB三个维度分量定义如下：

$C_{R_P}=\frac{r_P+1}{b_P+1}$

$C_{G_P}=\frac{g_P+1}{b_P+1}$

$C_{B_P}=\sqrt{(r_p^2+g_p^2+b_p^2)/3}.$

优选的，所述根据所述各像素点的色度向量因子计算对比度向量因子步骤中，对于所述像素点p(i，j)，各维度的对比度相量因子的计算方法如下：

$G_{R_P}=\max (C_{R_P},C_{R_n})/\min (C_{R_P},C_{R_n})$

$G_{G_P}=\max (C_{G_P},C_{G_n})/\min (C_{G_P},C_{G_n})$

$G_{B_P}=\max (C_{B_P},C_{B_n})/\min (C_{B_P},C_{B_n})$

其中，分别代表像素点P的色度向量因子在RGB维度上的分量；分别代表围绕像素点P的n个像素点的色度向量因子在RGB维度上的分量的平均值。

优选的，所述根据所述对比度向量因子计算亮度因子L的步骤中，所述像素点P(i，j)的亮度因子L_P的数学表达式如下：

$L_P={\left(\sqrt{({G_{R_P}}^2+{G_{G_P}}^2+{G_{B_P}}^2)/3}\right)}^m$

其中，

分别代表像素点P的对比度向量因子在RGB维度上的分量；m为自定义的一个可调的灵敏度因子，对所述亮度因子进行约束。

优选的，所述分别提取每个所述块中RGBL维度分量的特征点步骤中，所述特征点包括：最大值、最小值、平均值。

另一方面提供了一种图像检索方法，包括：输入符合检索数据库提问的参考图像；按照上述任一所述的图像处理方法处理所述参考图像，得到参考图像的N个特征值；根据所述N个特征值表征的参考图像从利用上述任一所述的图像处理方法得到的图像检索数据库中寻找相似图像；输出检索到的相似图像对应的源图像。

优选的，所述根据所述N个特征值表征的参考图像从利用上述任一所述的图像处理方法得到的图像数据库中寻找相似图像；具体为：

将处理成N个特征值表征的任一图像看作N维空间的一个向量点；

利用以下公式计算两幅图像的相似度：

$D=\cos ({\stackrel{\→}{F}}_1,{\stackrel{\→}{F}}_2)=\frac{{\stackrel{\→}{F}}_1\·{\stackrel{\→}{F}}_2}{\left|{\stackrel{\→}{F}}_1\right|\left|{\stackrel{\→}{F}}_2\right|}=\frac{{\mathrm{\Σ}}_{i=1}^n{f}_1\left(i\right)f_2\left(i\right)}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{f_1}^2\left(i\right)}\sqrt{{\mathrm{\Σ}}_{i=1}^n{f_2}^2\left(i\right)}}$ 其中，f(i)表示图像对应的第i个特征值；

将所述图像距离D∈[T，1]的图像认为相似图像，其中T为设定的下限阈值。

对应上述图像处理方法，本发明还提供了一种图像处理装置，包括：

图像处理单元，用于将源图像处理成预设大小的标准图像；

色度向量因子计算单元，用于提取所述标准图像中各像素点的色度向量因子；

对比度向量因子计算单元，用于根据所述色度向量因子计算单元获得的各像素点的色度向量因子计算对比度向量因子；

亮度因子计算单元，用于根据所述对比度向量因子计算单元获得的对比度向量因子计算亮度因子L；

新像素点组建单元，用于根据所述色度向量因子计算单元获得的色度向量因子和所述亮度因子计算单元获得的亮度因子组建新像素点；

划分单元，用于将所述新像素点组建单元组建的新像素点划分为预设数目的块；

特征点提取单元，用于对所述划分单元划分后的每个所述块提取RGBL维度分量的特征点，获得由所述特征点组成的图像数据；

特征值获取单元，用于将所述特征点提取单元获得的图像数据的同一行中不同块的同一类型参数的特征点按大小进行排序，得到N个特征值表征的图像，记为：

优选的，所述色度向量因子计算单元计算某一像素点p(i，j)的色度向量因子

的RGB三个维度分量的公式如下：

$C_{R_P}=\frac{r_P+1}{b_P+1}$

$C_{G_P}=\frac{g_P+1}{b_P+1}$

$C_{B_P}=\sqrt{(r_p^2+g_p^2+b_p^2)/3}.$

优选的，所述对比度向量因子计算单元对所述像素点p(i，j)的对比度相量因子的各维度分量计算方法如下：

$G_{R_P}=\max (C_{R_P},C_{R_n})/\min (C_{R_P},C_{R_n})$

$G_{G_P}=\max (C_{G_P},C_{G_n})/\min (C_{G_P},C_{G_n})$

$G_{B_P}=\max (C_{B_P},C_{B_n})/\min (C_{B_P},C_{B_n})$

其中，

分别代表像素点P的色度向量因子在RGB维度上的分量；分别代表围绕像素点P的n个像素点的色度向量因子在RGB维度上的分量的平均值。

优选的，所述亮度因子计算单元计算所述像素点p(i，j)的亮度因子L_P的数学表达式如下：

$L_P={\left(\sqrt{({G_{R_P}}^2+{G_{G_P}}^2+{G_{B_P}}^2)/3}\right)}^m$

其中，分别代表像素点P的对比度向量因子在RGB维度上的分量；m为自定义的一个可调的灵敏度因子，对所述亮度因子进行约束。

优选的，所述特征点提取单元分别提取每个所述块中RGBL维度分量的最大值、最小值、平均值。

对应上述图像处理方法，本发明还提供了一种图像检索系统，包括：上述任一所述的图像处理装置，参考图像输入模块、图像检索数据库、检索模块和输出模块，其中，

所述参考图像输入模块，用于输入符合检索数据库提问的参考图像；

所述图像检索数据库，存储利用所述图像处理装置得到的图像检索数据；

所述检索模块，用于根据所述图像处理装置获得的所述N个特征值表征的参考图像从所述图像检索数据库中检索相似图像；

所述输出模块，用于输出所述检索模块检索到的相似图像对应的源图像。

优选的，所述检索模块具体包括：

距离计算单元，用于将处理成N个特征值表达的任一图像看作N维空间的一个向量点

利用以下公式计算两幅图像的相似度：

$D=\cos ({\stackrel{\→}{F}}_1,{\stackrel{\→}{F}}_2)=\frac{{\stackrel{\→}{F}}_1\·{\stackrel{\→}{F}}_2}{\left|{\stackrel{\→}{F}}_1\right|\left|{\stackrel{\→}{F}}_2\right|}=\frac{{\mathrm{\Σ}}_{i=1}^n{f}_1\left(i\right)f_2\left(i\right)}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{f_1}^2\left(i\right)}\sqrt{{\mathrm{\Σ}}_{i=1}^n{f_2}^2\left(i\right)}}$ 其中，f(i)表示图像对应的第i个特征值；

判断单元，用于判断所述图像距离是否满足D∈[T，1]，若是，则认为两图像相似，其中T为设定的下限阈值。

上述技术方案中的一个技术方案具有如下优点或有益效果：

本发明提供的图像处理方法，因为采用了标准化技术，降低了对源图片尺寸一致性的要求；利用图像分块参数排序的位置不变性特征，克服了图像旋转、缩放、扭曲等因素的影响；由于最终提取的特征向量只有少数字节如768个字节，从而降低了图像处理对存储空间的要求，提高了图像处理和图像搜索速度，特别适用于云计算时代的图像搜索，有效克服了传统图像搜索不够智能化的缺陷。

附图说明

图1是本发明图像处理方法实施例的示意图；

图2是本发明图像检索方法实施例的示意图；

图3是本发明图像处理装置实施例的结构框图；

图4是本发明图像检索系统实施例的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，示出了本发明一种图像处理方法实施例的示意图，包括：

步骤1、将源图像处理成预设大小的标准图像；例如，预设最终的标准图像大小为160×120。

步骤2、提取标准图像各像素点的色度向量因子

该色度向量因子可以用RGB三个维度上的分量表示。

步骤3、根据各像素点的色度向量因子计算对比度向量因子

步骤4、根据对比度向量因子计算亮度因子L；

步骤5、根据色度向量因子和亮度因子L组建新像素点；

步骤6、将上述新像素点构成的图像划分为预设数目的块；

步骤7、分别提取每个块的RGBL维度分量的特征点；

该步骤7中，上述特征点包括：色度向量因子中RGB纬度分量和亮度因子L的最大值、最小值、平均值。

步骤8、根据图像分块参数排序的位置不变性特征，将同一行中不同块的同一类型参数的特征点按大小进行排序，得到N个特征值表征的图像，记为：

上述步骤1将源图像处理成预设大小的标准图像的具体过程为：

假设输入的源图像宽和高为(W，H)，而上述预设的标准图的大小为(W0，H0)，那么，就需要在图像的宽度上做W/W0倍的拉伸，同样，高度上做H/H0倍的拉伸。上述操作相当于把源图像(W，H)划分为W0×H0个块，每个块的宽度为：W/W0，高度为：H/H0。然后计算每个块的像素平均值，把该均值当成是一个像素点，由于有W0×H0个块，这样就形成了一幅大小为(W0，H0)的标准图像。

采用上述步骤1的图像标准化技术处理，降低了该方法对图像尺寸一致性的要求，该技术应用于图像检索技术时，降低了检索条件的限制。

作为优选实施方式，上述步骤2中，对于某一像素点p(i，j)，其色度向量因子

的RGB三个维度分量提取公式如下：

$C_{R_P}=\frac{r_P+1}{b_P+1}---\left(1\right)$

$C_{G_P}=\frac{g_P+1}{b_P+1}---\left(2\right)$

$C_{B_P}=\sqrt{(r_p^2+g_p^2+b_p^2)/3}---\left(3\right)$

其中，r_P表示像素点P的R色度值；同理，g_P表示像素点P的G色度值；b_P表示像素点P的B色度值。

作为优选实施方式，上述步骤3中，对于某一像素点p(i，j)，其对比度相量因子

各维度分量的计算方法如下：

$G_{R_P}=\max (C_{R_P},C_{R_n})/\min (C_{R_P},C_{R_n})---\left(4\right)$

$G_{G_P}=\max (C_{G_P},C_{G_n})/\min (C_{G_P},C_{G_n})---\left(5\right)$

$G_{B_P}=\max (C_{B_P},C_{B_n})/\min (C_{B_P},C_{B_n})---\left(6\right)$

其中，

分别代表像素点P的色度向量因子

在RGB维度上的分量；

分别代表围绕像素点P的n个像素点的色度向量因子在RGB维度上的分量的平均值。

作为优选实施方式，上述步骤4中，计算上述像素点p(i，j)的亮度因子L_P的数学表达式如下：

$L_P={\left(\sqrt{({G_{R_P}}^2+{G_{G_P}}^2+{G_{B_P}}^2)/3}\right)}^m---\left(7\right)$

其中，

分别代表像素点P的对比度向量因子

在RGB维度上的分量；m为技术人员根据经验值自定义的一个可调的灵敏度因子，对上述亮度因子L进行约束。

下面以将源图像处理成大小为160×120的标准图像为例，说明本发明图像处理方法的具体实施方式。

步骤一、接收输入的源图像，并将上述源图像处理成大小为：160×120的标准图像，即宽为160，高为120；

该步骤一对图像进行标准化矫正，若源图像大于标准图像的尺寸，则对源图像进行分块模糊化，例如，源图像大小为800×600，则按每5×5个相邻像素为一块进行划分，计算每一块的像素平均值，成为标准图像的像素点；若源图像小于标准图像的尺寸，则对源图像进行双线性插值放大。

步骤一完成后，图像的160×120像素结构如表一所示：

表一

步骤二、提取上述标准图像各像素点的色度向量因子

共160×120个；

该步骤对标准化后的图像进行行列扫描，提取各像素点的色度向量因子

分为RGB三个维度分量。

该步骤中，对于任一像素点p(i，j)，其色度向量因子

的三个维度分量定义如上述公式(1)、(2)、(3)所示。

步骤三，提取对比度向量因子

该步骤根据步骤二获得的色度向量因子

计算对比度向量因子

各维度的分量。

对标准图像上的任一像素点p(i，j)，其周围其它8个像素点分别记为n₁，n₂，...，n₈，具体结构如表二所示：

表二

n1	n2	n3
			n4	p	n5
n6	n7	n8

该步骤中对比度向量因子

的各维度定义如上述公式(4)、(5)、(6)所示：

$\left\{\begin{array}{c}{G}_{R_p}=\max (C_{R_p},C_{R_n})/\min (C_{R_p},C_{R_n})\\ G_{G_p}=\max (C_{G_p},C_{G_n})/\min (C_{G_p},C_{G_n})\\ G_{B_p}=\max (C_{B_p},C_{B_n})/\min (C_{B_p},C_{B_n})\end{array}\right.$

其中max和min分别为求最大值和求最小值函数，

是p点的色度向量因子

在R上的分量，

是p周围8个像素点n₁，n₂，...，n₈色度向量因子

在R上的分量平均值，即：

$C_{R_n}=\left(\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{C}_{R_k}\right)/8---\left(8\right)$

同理，按照上述公式(8)计算出

步骤四、按照上述公式(7)计算亮度因子L；

该步骤中对于任一像素点p(i，j)点的亮度因子L的数学表达如公式(7)所示：

$L_p={\left(\sqrt{({G_{R_p}}^2+{G_{G_p}}^2+{G_{B_p}}^2)/3}\right)}^n$

该步骤对对比度向量

进行取模运算求得亮度因子L，同时技术人员根据经验定义一个可调的灵敏度因子m，对亮度因子L进行约束。

步骤五、根据步骤二输出的

和步骤四输出L_p组建新的像素点

记为

共160×120个点。

步骤六、对步骤五得到的新像素点，按大小为20×15进行分块操作，共8×8个块。

步骤七、分别提取上述每个块的特征点，包括该块中所有

各分量的最大值Max、最小值Min、平均值Ave，即每块提取4×3个特征点。

例如，对于第s块，其特征点排列如下：

R_s-max，R_s-min，R_s-ave

G_s-max，G_s-max，G_s-ave

B_s-max，B_s-max，B_s-ave

L_s-max，L_s-max，L_s-ave

步骤八、根据图像分块参数排序的位置不变性特征，将同一行中8小块的同一类型值按大小进行排序，比如对于第一行的8个小块，先对R_s-max(s＝1，2，...，8)按大小进行排序，然后排序R_s-min，依此类推，最后排序L_s-ave。

同理，对2至8行各自的特征点进行相同排序，最后可得8×8×12＝768个特征值，记为n＝768。

上述各图像处理方法实施例主要用于基于内容的图像检索技术，尤其是以图搜图的图像检索技术。当上述处理后的图像用于图像检索时，可以把步骤八得到的768个特征值表征的图像当成n维空间内的一个向量点。

对应上述各实施例提供的图像处理方法，本发明还提供了一种图像检索方法，该检索方法是基于上述各图像处理方法实施例中建立的向量空间模型实施的。参照图2所示的图像检索方法实施例，具体包括：

步骤21、输入符合检索数据库提问的参考图像；

步骤22、按照上述任一图像处理方法实施例处理所述参考图像，得到参考图像的N个特征值；

步骤23、根据上述N个特征值表征的参考图像从利用上述任一图像处理方法实施例得到的图像检索数据库中寻找相似图像；

其中，步骤23可以具体为：

将处理成N个特征值表征的任意一幅图像看作N维空间的一个向量点

利用下述公式(9)所示的余弦距离来表示两幅图像

的相似度，即：

$D=\cos ({\stackrel{\→}{F}}_1,{\stackrel{\→}{F}}_2)=\frac{{\stackrel{\→}{F}}_1\·{\stackrel{\→}{F}}_2}{\left|{\stackrel{\→}{F}}_1\right|\left|{\stackrel{\→}{F}}_2\right|}=\frac{{\mathrm{\Σ}}_{i=1}^n{f}_1\left(i\right)f_2\left(i\right)}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{f_1}^2\left(i\right)}\sqrt{{\mathrm{\Σ}}_{i=1}^n{f_2}^2\left(i\right)}}---\left(9\right)$

其中，f(i)表示图像对应的第i个特征值；将图像距离D∈[T，1]的图像认为相似图像，其中T为设定的下限阈值。

当余弦值越大时，两幅图像的相似度越高；当余弦值为1时，表示两幅图像完全相似；当余弦值为0时，则两幅图像完全正交；计算相似度时，只要设定一个下限阈值T，当图像距离D∈[T，1]时，则认为图像相似。

步骤24、输出检索到的相似图像对应的源图像。可以根据检索出的特征值表征的相似图像所在的存储位置，查找其被处理前的源图像对应的位置，之后输出给检索客户端。

对于上述图像检索方法实施例，需要说明的是：一、步骤22和步骤23中采用的图像处理方法，已在图1所示的图像处理方法实施例、以及步骤一至步骤八所述的具体实施方式中详细描述，此处不再赘述。

二、步骤22中对参考图像的处理和步骤23中检索图像数据库中检索图像的获取可以采用并行计算的方式同时进行。

对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或同时进行。

其次，本领域技术人员也应该知悉，说明书所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

对应上述图像处理方法实施例，本发明还提供了一种图像处理装置，参照图3示出的图像处理装置的结构框图，包括：

图像处理单元31，用于将源图像处理成预设大小的标准图像；

色度向量因子计算单元32，用于提取标准图像各像素点的色度向量因子在RGB三个维度上的分量；

对比度向量因子计算单元33，用于根据色度向量因子计算单元32获得的各像素点的色度向量因子计算对比度向量因子；

亮度因子计算单元34，用于根据对比度向量因子计算单元33获得的对比度向量因子计算亮度因子L；

新像素点组建单元35，用于根据色度向量因子计算单元32获得的色度向量因子和亮度因子计算单元34获得的亮度因子组建新像素点；

划分单元36，用于将新像素点组建单元35组建的新像素点划分为预设数目的块；

特征点提取单元37，分别提取划分单元36划分的每个块中RGBL维度分量的特征点，得到由特征点组成的图像；上述特征点可以是每个块RGBL维度分量的最大值、最小值、平均值。

特征值获取单元38，用于根据图像分块参数排序的位置不变性特征，将特征点提取单元37获得的图像数据的同一行中不同块的同一类型参数的所述特征点按大小进行排序，得到N个特征值表征的图像，记为：

其中，色度向量因子计算单元32在计算某一像素点p(i，j)，其色度向量因子

的RGB三个维度分量的公式如下：

$C_{R_P}=\frac{r_P+1}{b_P+1}$

$C_{G_P}=\frac{g_P+1}{b_P+1}$

$C_{B_P}=\sqrt{(r_p^2+g_p^2+b_p^2)/3}.$

即上述公式(1)、(2)、(3)。

对比度向量因子计算单元33对像素点p(i，j)各维度的对比度相量因子的计算方法如下：

$G_{R_P}=\max (C_{R_P},C_{R_n})/\min (C_{R_P},C_{R_n})$

$G_{G_P}=\max (C_{G_P},C_{G_n})/\min (C_{G_P},C_{G_n})$

$G_{B_P}=\max (C_{B_P},C_{B_n})/\min (C_{B_P},C_{B_n})$

即上述公式(4)、(5)、(6)。其中，

分别代表像素点P的色度向量因子在RGB维度上的分量；

分别代表围绕像素点P的n个像素点的色度向量因子在RGB维度上的分量的平均值。

亮度因子计算单元34计算像素点p(i，j)的亮度因子L_P的数学表达式如下：

$L_P={\left(\sqrt{({G_{R_P}}^2+{G_{G_P}}^2+{G_{B_P}}^2)/3}\right)}^m$

其中，

分别代表像素点P的对比度向量因子在RGB维度上的分量；m为自定义的一个可调的灵敏度因子，对亮度因子进行约束。

此外，对应上述图像检索方法实施例，本发明还提供了一种基于向量空间模型的图像检索系统，参照图4所示的图像检索系统实施例的结构框图，包括：

参考图像输入模块41，用于输入符合检索数据库提问的参考图像；

图像处理装置42，用于按照上述任一图像处理方法处理参考图像输入模块41输入的参考图像得到参考图像的N个特征值；图像处理装置42的具体结构可以参见图3所示的图像处理装置实施例。

图像检索数据库43，存储有利用上述任一图像处理方法实施例得到的图像数据；

图像检索数据库43中的数据可以由图3所示图像处理装置42实施例按照图1所示图像处理方法实施例处理得到。

检索模块44，用于根据图像处理装置42获得的N个特征值表征的参考图像从图像检索数据库43中检索相似图像；

输出模块45，用于输出检索模块44检索到的相似图像对应的源图像。

其中，检索模块44可以进一步具体包括：

距离计算单元441，用于将处理成N个特征值表达的任意一幅图像看作N维空间的一个向量点利用以下公式计算两幅图像的相似度：

$D=\cos ({\stackrel{\→}{F}}_1,{\stackrel{\→}{F}}_2)=\frac{{\stackrel{\→}{F}}_1\·{\stackrel{\→}{F}}_2}{\left|{\stackrel{\→}{F}}_1\right|\left|{\stackrel{\→}{F}}_2\right|}=\frac{{\mathrm{\Σ}}_{i=1}^n{f}_1\left(i\right)f_2\left(i\right)}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{f_1}^2\left(i\right)}\sqrt{{\mathrm{\Σ}}_{i=1}^n{f_2}^2\left(i\right)}}$ 其中，f(i)表示图像对应的第i个特征值。

判断单元442，用于判断图像距离是否满足D∈[T，1]，若是，则认为两幅图像相似，将相似图像发送给输出模块45。其中T为设定的下限阈值。

本发明提供的图像处理方法、装置和图像检索方法、系统实施例，因为采用了标准化技术，降低了对源图片尺寸一致性的要求；利用图像分块参数排序的位置不变性特征，克服了图像旋转、缩放、扭曲等因素的影响；由于最终提取的特征向量只有少数个字节如768个字节，从而降低了对存储空间的要求，提高了图像处理和图像搜索速度，特别适用于云计算时代的图像搜索，有效克服了传统图像搜索不够智能化的缺陷；利用计算复杂度比较低的向量余弦距离，来表征两幅图像的相似度，有效提高了计算速度快，适合在大规模集群机上做并行检索，而且符合人类思维逻辑的一贯性。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本发明所提供的一种图像处理方法和装置、图像检索方法和系统，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (14)

1.一种图像处理方法，其特征在于，包括：

将源图像处理成预设大小的标准图像；

提取所述标准图像各像素点的色度向量因子；

根据所述各像素点的色度向量因子计算对比度向量因子；

根据所述对比度向量因子计算亮度因子L；

根据所述色度向量因子和所述亮度因子组建新像素点；

将所述新像素点构成的图像划分为预设数目的块；

分别提取每个所述块中RGBL维度分量的特征点；

将同一行中不同块的同一类型参数的所述特征点按大小进行排序，得到N个特征值表征的图像，记为：

2.根据权利要求1所述的图像处理方法，其特征在于，所述提取所述标准图像各像素点的色度向量因子步骤中，对于某一像素点p(i，j)，其色度向量因子

的RGB三个维度分量定义如下：

$C_{R_P}=\frac{r_P+1}{b_P+1}$

$C_{G_P}=\frac{g_P+1}{b_P+1}$

$C_{B_P}=\sqrt{(r_p^2+g_p^2+b_p^2)/3}.$

3.根据权利要求2所述的图像处理方法，其特征在于，所述根据所述各像素点的色度向量因子计算对比度向量因子步骤中，对于所述像素点p(i，j)，各维度的对比度相量因子的计算方法如下：

$G_{R_P}=\max (C_{R_P},C_{R_n})/\min (C_{R_P},C_{R_n})$

$G_{G_P}=\max (C_{G_P},C_{G_n})/\min (C_{G_P},C_{G_n})$

$G_{B_P}=\max (C_{B_P},C_{B_n})/\min (C_{B_P},C_{B_n})$

其中，

分别代表像素点P的色度向量因子在RGB维度上的分量；

分别代表围绕像素点P的n个像素点的色度向量因子在RGB维度上的分量的平均值。

4.根据权利要求3所述的图像处理方法，其特征在于，所述根据所述对比度向量因子计算亮度因子L的步骤中，所述像素点P(i，j)的亮度因子L_P的数学表达式如下：

$L_P={\left(\sqrt{({G_{R_P}}^2+{G_{G_P}}^2+{G_{B_P}}^2)/3}\right)}^m$

其中，

分别代表像素点P的对比度向量因子在RGB维度上的分量；m为自定义的一个可调的灵敏度因子，对所述亮度因子进行约束。

5.根据权利要求1所述的图像处理方法，其特征在于，所述分别提取每个所述块中RGBL维度分量的特征点步骤中，所述特征点包括：最大值、最小值、平均值。

6.一种图像检索方法，其特征在于，包括：

输入符合检索数据库提问的参考图像；

按照所述权利要求1至5任一所述的图像处理方法处理所述参考图像，得到参考图像的N个特征值；

根据所述N个特征值表征的参考图像从利用所述权利要求1至5任一所述的图像处理方法得到的图像检索数据库中寻找相似图像；

输出检索到的相似图像对应的源图像。

7.根据权利要求6所述的图像检索方法，其特征在于，所述根据所述N个特征值表征的参考图像从利用所述权利要求1至5任一所述的图像处理方法得到的图像数据库中寻找相似图像；具体为：

将处理成N个特征值表征的任一图像看作N维空间的一个向量点；

利用以下公式计算两幅图像的相似度：

$D=\cos ({\stackrel{\→}{F}}_1,{\stackrel{\→}{F}}_2)=\frac{{\stackrel{\→}{F}}_1\·{\stackrel{\→}{F}}_2}{\left|{\stackrel{\→}{F}}_1\right|\left|{\stackrel{\→}{F}}_2\right|}=\frac{{\mathrm{\Σ}}_{i=1}^n{f}_1\left(i\right)f_2\left(i\right)}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{f_1}^2\left(i\right)}\sqrt{{\mathrm{\Σ}}_{i=1}^n{f_2}^2\left(i\right)}}$ 其中，f(i)表示图像对应的第i个特征值；

将所述图像距离D∈[T，1]的图像认为相似图像，其中T为设定的下限阈值。

8.一种图像处理装置，其特征在于，包括：

图像处理单元，用于将源图像处理成预设大小的标准图像；

色度向量因子计算单元，用于提取所述标准图像中各像素点的色度向量因子；

对比度向量因子计算单元，用于根据所述色度向量因子计算单元获得的各像素点的色度向量因子计算对比度向量因子；

亮度因子计算单元，用于根据所述对比度向量因子计算单元获得的对比度向量因子计算亮度因子L；

新像素点组建单元，用于根据所述色度向量因子计算单元获得的色度向量因子和所述亮度因子计算单元获得的亮度因子组建新像素点；

划分单元，用于将所述新像素点组建单元组建的新像素点划分为预设数目的块；

特征点提取单元，用于对所述划分单元划分后的每个所述块提取RGBL维度分量的特征点，获得由所述特征点组成的图像数据；

特征值获取单元，用于将所述特征点提取单元获得的图像数据的同一行中不同块的同一类型参数的特征点按大小进行排序，得到N个特征值表征的图像，记为：

9.根据权利要求8所述的图像处理装置，其特征在于，所述色度向量因子计算单元计算某一像素点p(i，j)的色度向量因子的RGB三个维度分量的公式如下：

$C_{R_P}=\frac{r_P+1}{b_P+1}$

$C_{G_P}=\frac{g_P+1}{b_P+1}$

$C_{B_P}=\sqrt{(r_p^2+g_p^2+b_p^2)/3}.$

10.根据权利要求8所述的图像处理装置，其特征在于，所述对比度向量因子计算单元对所述像素点p(i，j)的对比度相量因子的各维度分量计算方法如下：

$G_{R_P}=\max (C_{R_P},C_{R_n})/\min (C_{R_P},C_{R_n})$

$G_{G_P}=\max (C_{G_P},C_{G_n})/\min (C_{G_P},C_{G_n})$

$G_{B_P}=\max (C_{B_P},C_{B_n})/\min (C_{B_P},C_{B_n})$

其中，分别代表像素点P的色度向量因子在RGB维度上的分量；分别代表围绕像素点P的n个像素点的色度向量因子在RGB维度上的分量的平均值。

11.根据权利要求8所述的图像处理装置，其特征在于，所述亮度因子计算单元计算所述像素点P(i，j)的亮度因子L_P的数学表达式如下：

$L_P={\left(\sqrt{({G_{R_P}}^2+{G_{G_P}}^2+{G_{B_P}}^2)/3}\right)}^m$

其中，

分别代表像素点P的对比度向量因子在RGB维度上的分量；m为自定义的一个可调的灵敏度因子，对所述亮度因子进行约束。

12.根据权利要求8所述的图像处理装置，其特征在于，所述特征点提取单元分别提取每个所述块中RGBL维度分量的最大值、最小值、平均值。

13.一种图像检索系统，其特征在于，包括：权利要求8至12任一所述的图像处理装置，参考图像输入模块、图像检索数据库、检索模块和输出模块，其中，

所述参考图像输入模块，用于输入符合检索数据库提问的参考图像；

所述图像检索数据库，存储利用所述图像处理装置得到的图像检索数据；

所述检索模块，用于根据所述图像处理装置获得的所述N个特征值表征的参考图像从所述图像检索数据库中检索相似图像；

所述输出模块，用于输出所述检索模块检索到的相似图像对应的源图像。

14.根据权利要求13所述的图像检索系统，其特征在于，所述检索模块具体包括：

距离计算单元，用于将处理成N个特征值表达的任一图像看作N维空间的一个向量点利用以下公式计算两幅图像的相似度：

$D=\cos ({\stackrel{\→}{F}}_1,{\stackrel{\→}{F}}_2)=\frac{{\stackrel{\→}{F}}_1\·{\stackrel{\→}{F}}_2}{\left|{\stackrel{\→}{F}}_1\right|\left|{\stackrel{\→}{F}}_2\right|}=\frac{{\mathrm{\Σ}}_{i=1}^n{f}_1\left(i\right)f_2\left(i\right)}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{f_1}^2\left(i\right)}\sqrt{{\mathrm{\Σ}}_{i=1}^n{f_2}^2\left(i\right)}}$ 其中，f(i)表示图像对应的第i个特征值；

判断单元，用于判断所述图像距离是否满足D∈[T，1]，若是，则认为两图像相似，其中T为设定的下限阈值。

Images