CN102375987A - 图像处理设备及图像特征向量提取与图像匹配方法 - Google Patents

Abstract

本发明提供一种图像处理设备，包括：图像获取单元，用于获取图像；图像特征向量提取单元，用于对图像进行处理，以提取出该图像的特征向量；及图像匹配单元，用于根据图像的特征向量，对图像进行相似度的匹配。本发明还提供一种图像特征向量提取与图像匹配方法。本发明根据图像的形状提取出该图像的特征向量，以利用该特征向量进行图像的匹配操作。

Description

图像处理设备及图像特征向量提取与图像匹配方法

技术领域

本发明涉及一种图像匹配技术，尤其是一种图像处理设备及利用该图像处理设备进行图像特征向量提取与图像匹配的方法。

背景技术

近年来，随着人们对图像检索需求的日益增加，相关的图像检索技术的开发日显迫切。图像检索的目的就是在大规模的图像库中找到与检索者要求的图像相关或者相似的图像。

当前，有关学者提出了基于内容进行图像检索的方案。基于内容的图像检索可以使图像检索的结果更加准确。所谓基于内容的图像检索就是根据图像的内容信息建立表征其特征的描述子，使用描述子在图像库中查找具有相似特征描述子的图像。图像的特征描述子主要包括图像的颜色、纹理、或形状等。其中，形状是最重要的特征描述子。因此，如何利用形状这个描述子来描述一个图像，以进行图像的识别、匹配等操作，是实现基于内容的图像检索的重要课题。

发明内容

鉴于以上内容，有必要提出一种图像处理设备，其根据图像的形状提取出该图像的特征向量，以利用该特征向量进行图像的匹配操作。

此外，还有必要提出一种图像特征向量提取与图像匹配方法，其根据图像的形状提取出该图像的特征向量，以利用该特征向量进行图像的匹配操作。

一种图像处理设备，包括用于获取图像的图像获取单元，还包括图像特征向量提取单元及图像匹配单元。所述图像特征向量提取单元包括：图像读取模块，用于从上述图像获取单元处读取图像，该图像为灰度图；灰度中心计算模块，用于计算上述图像的灰度中心，所述灰度中心是指图像上被认为灰度值集中于该点的一个假想点；及特征向量计算模块，用于以上述灰度中心为中心点将上述图像等分为n份图像，计算每一份图像的灰度密度值，从而得到n个灰度密度值，并将上述n个灰度密度值组成一个矩阵作为上述图像的特征向量，其中，n为大于或者等于1的正整数。所述图像匹配单元包括：图像特征向量读取模块，用于读取待比较的图像A的特征向量u与图像B的特征向量v，其中，特征向量u与特征向量v都包括n个灰度密度值；图像相似度计算模块，用于比较特征向量u与特征向量v的相似度，以得到图像A与图像B的匹配结果；及结果输出模块，用于将对图像A与图像B的匹配结果通过显示单元输出。

一种图像特征向量提取方法，包括：(a)读取图像，该图像为灰度图；(b)计算上述图像的灰度中心，所述灰度中心是指图像上被认为灰度值集中于该点的一个假想点；及(c)以上述灰度中心为中心点将上述图像等分为n份图像，计算每一份图像的灰度密度值，从而得到n个灰度密度值，并将上述n个灰度密度值组成一个矩阵作为上述图像的特征向量，其中，n为大于或者等于1的正整数。

一种图像匹配方法，包括：(d)读取待比较的图像A的特征向量u与图像B的特征向量v，其中，特征向量u与特征向量v都包括n个灰度密度值；(e)比较特征向量u与特征向量v的相似度，以得到图像A与图像B的匹配结果；及(f)将对图像A与图像B的匹配结果通过一个显示单元输出。

本发明所提供的图像处理设备及图像特征向量提取与图像匹配方法能够提取出图像的特征向量，其操作简单、稳定，所提取的特征向量可广泛应用在图像存储、比较、检索、分割、及识别等方面。

附图说明

图1是本发明图像处理设备的较佳实施例的结构图。

图2是图1中图像处理设备的较佳实施例中图像特征向量提取单元的功能模块图。

图3是图1中图像处理设备的较佳实施例中图像匹配单元的功能模块图。

图4是本发明图像特征向量提取方法的较佳实施例的流程图。

图5是本发明图像匹配方法的较佳实施例的流程图。

主要元件符号说明

图像处理设备                1

图像获取单元                2

图像特征向量提取单元        3

图像匹配单元                4

显示单元                    5

存储单元                    6

处理单元                    7

图像读取模块                30

图像转换模块                31

轮廓判断模块                32

灰度中心计算模块            33

特征向量计算模块            34

特征向量存储模块            35

特征向量读取模块            40

图像相似度计算模块          41

结果输出模块                42

具体实施方式

参阅图1所示，是本发明图像处理设备1的较佳实施例的结构图。本发明所述图像处理设备1可以是计算机、服务器、手机等电子设备。该图像处理设备1包括图像获取单元2、图像特征向量提取单元3、图像匹配单元4、显示单元5、存储单元6及处理单元7。

所述图像获取单元2用于获取图像。该图像获取单元2可以是捕获新图像的相机单元，也可以是能够从因特网上下载已有图像的数据下载单元。所述的图像特征向量提取单元3包括多个功能模块(下述图2中描述)，用于对图像进行处理，以提取出该图像的特征向量。所述图像匹配单元4包括多个功能模块(下述图3中描述)，用于根据图像的特征向量，对图像进行相似度的匹配。所述显示单元5用于显示对图像相似度的匹配结果。所述存储单元6可以是硬盘、磁盘等，用于存储上述图像特征向量提取单元3及图像匹配单元4的各个功能模块，以及存储上述图像的特征向量。所述处理单元可以是中央处理器(centralprocessing unit)，用于执行上述图像特征向量提取单元3及图像匹配单元4中的各个功能模块。

参阅图2所示，是本发明图像处理设备1的较佳实施例中图像特征向量提取单元3的功能模块图。该图像特征向量提取单元3包括图像读取模块30、图像转换模块31、轮廓判断模块32、灰度中心计算模块33、特征向量计算模块34及特征向量存储模块35。

上述各功能模块30-35是完成特定功能的各个程序段，比软件程序本身更适合于描述软件在图像处理设备1中的执行过程，因此本发明对软件程序的描述都以模块描述。

所述图像读取模块30用于从图像获取单元2处读取图像A。

所述图像转换模块31用于当上述读取的图像A为彩图的情况下，将该图像A转换为灰度图。

所述轮廓判断模块32用于计算上述灰度图的轮廓，以生成轮廓图。计算轮廓的方法可以采用已知的CANNY算法。

所述灰度中心计算模块33用于计算上述轮廓图的灰度中心。本实施例中，所述灰度中心是指图像上被认为灰度值集中于该点的一个假想点。灰度中心(r₀，c₀)的计算方法如下：

$r_0==\frac{\mathrm{\Σi}\×g_{\mathrm{ij}}}{\mathrm{\Σ}{g}_{\mathrm{ij}}}.$

$c_0==\frac{\mathrm{\Σj}\×g_{\mathrm{ij}}}{\mathrm{\Σ}{g}_{\mathrm{ij}}}$

其中，i表示图像中的行，j表示图像中的列，及g_ij表示图像中第i行第j列的点的灰度值。

所述特征向量计算模块34用于以上述灰度中心为中心点将轮廓图等分为n份图像D_k(k＝1～n)，计算每一份图像的灰度密度值，从而得到n个灰度密度值V_k(k＝1～n)，并将该n个灰度密度值组成一个n维矩阵(V₁，...V_n)作为图像A的n维特征向量。其中，n为大于或者等于1的正整数。所述每一份图像D_k(k＝1～n)的灰度密度值V_k的计算方法如下：

$V_k=\frac{\mathrm{\Σ}{r}_{i^{\′}{j}^{\′}}\×g_{i^{\′}{j}^{\′}}}{\mathrm{\Σ}{r}_{\mathrm{ij}}\×g_{\mathrm{ij}}}.$

其中，(i’，j’)是某一份图像D_k(k＝1～n)中的点，(i，j)是整个轮廓图中的点。r_i’j’表示(i’，j’)点到上述灰度中心(r₀，c₀)的距离，r_ij表示(i，j)点到上述灰度中心(r₀，c₀)的距离。g_i’j’表示(i’，j’)点的灰度值，g_ij表示(i，j)点的灰度值。

所述特征向量存储模块35用于将该图像A的特征向量存储到存储单元6中。

所述图像特征向量提取单元3利用上述图像读取模块30、图像转换模块31、轮廓判断模块32、灰度中心计算模块33、特征向量计算模块34及特征向量存储模块35也可以提取出图像B、图像C...的特征向量，并存储于存储单元6中。

需要说明的是，在图像获取单元2获取的图像为灰度图而非彩图的情况下，所述图像特征向量提取单元3可以不包括图像转换模块31。

此外，利用轮廓判断模块32计算灰度图的轮廓，生成轮廓图的目的是为了灰度中心计算模块33及特征向量计算模块34在计算灰度中心与图像A的特征向量时减少计算量。因此，本发明的另一实施例中，图像特征向量提取单元3不包括轮廓判断模块32。

应该可以理解，上述计算出来的图像的n维特征向量具有如下特征：

(1)图像平移、等比缩放后，该图像的特征向量具有不变性。

(2)图像旋转后，只需要对应改变该图像的特征向量中n个灰度密度值的顺序。例如，假设图像以灰度中心为中心点被等分成12份(即30度为1份)，则该图像的特征向量为(V₁，V₂，V₃，...V₁₂)，当该图像顺时针旋转30度后，旋转后的图像的特征向量为(V₁₂，V₁，V₂，...V₁₁)。

(3)图像翻转后，也只需要对应改变该图像的特征向量中n个灰度密度值的顺序。例如，假设图像以灰度中心为中心点被等分成12份(即30度为1份)，则该图像的特征向量为(V₁，V₂，V₃，...V₁₂)，当该图像水平翻转后，翻转后的图像的特征向量为(V₇，V₈，...V₁₂，V₁，V₂...V₆)。

(4)图像的高维特征向量可以转换为低维特征向量。例如，图像的12维特征向量(V₁，V₂，...V₁₂)可以转换为6维特征向量(V₁’，V₂’，...V₆’)，其中，V₁’＝V₁+V₂，V₂’＝V₃+V₄，V₃’＝V₅+V₆，V₄’＝V₇+V₈，V₅’＝V₉+V₁₀，V₆’＝V₁₁+V₁₂。

参阅图3所示，是图像处理设备1的较佳实施例中图像匹配单元4的功能模块图。该图像匹配单元4包括图像特征向量读取模块40、图像相似度计算模块41及结果输出模块42。

上述各功能模块40-42是完成特定功能的各个程序段，比软件程序本身更适合于描述软件在图像处理设备1中的执行过程，因此本发明对软件程序的描述都以模块描述。

所述图像特征向量读取模块40用于从存储单元6中读取两个待比较的图像A与图像B的特征向量u与v。其中，特征向量u与特征向量v都是n维的，即都包括n个灰度密度值。本实施例所述n为大于或者等于1的正整数。

所述图像相似度计算模块41用于比较特征向量u与特征向量v的相似度，以得到图像A与图像B的匹配结果。详细地，该图像相似度计算模块41首先读取图像A的特征向量u中的灰度密度值V_{ai(i＝1～n)}及图像B的特征向量v中的灰度密度值V_{bi(i＝1～n)}。之后，该图像相似度计算模块41利用函数γ(V_ai，V_bi)＝100-|V_ai-V_bi|÷((V_ai+V_bi)÷2)*100计算出灰度密度值V_ai与V_bi的相似度γ(V_ai，V_bi)，从而得到n个相似度，即γ(V_a1，V_b1)...γ(V_an，V_bn)。随后，该图像相似度计算模块41利用函数β(n，u，v)＝[∑γ(V_ai，V_bi)]÷n计算出图像A与图像B的特征向量的相似度。

此外，假设图像B是经过旋转或者翻转的图像，那么即使图像A与未旋转或者未翻转的图像B很相似，上述计算出来的图像A与图像B的特征向量的相似度可能也很低。为了解决该问题，需要将图像A的特征向量u与图像B经旋转、翻转之后的所有特征向量v₁～v_d相比较。图像相似度计算模块41根据计算出来的所有β(n，u，v)，找出其中的最大值作为图像A与图像B的特征向量的相似度。

所述结果输出模块42用于将对图像A与图像B的匹配结果，即上述相似度或者最大相似度通过显示单元5输出。

参阅图4所示，是本发明图像特征向量提取方法的较佳实施例的流程图。

步骤S10，图像读取模块30从图像获取单元2处读取一个图像A。

步骤S11，图像转换模块31判断该图像A是否为灰度图。若图像A不是灰度图，则流程进入步骤S12。否则，若图像A是灰度图，则流程直接进入步骤S13。

在步骤S12中，图像转换模块31将图像A转换为灰度图。

在步骤S13中，轮廓判断模块32计算上述灰度图中物体的轮廓，以生成轮廓图。计算轮廓的方法可以采用已知的CANNY算法。

步骤S14，灰度中心计算模块33计算上述轮廓图的灰度中心。本实施例中，所述灰度中心是指图像上被认为灰度值集中于该点的一个假想点。灰度中心(r₀，c₀)的计算方法如下：

$r_0==\frac{\mathrm{\Σi}\×g_{\mathrm{ij}}}{\mathrm{\Σ}{g}_{\mathrm{ij}}}.$

$c_0==\frac{\mathrm{\Σj}\×g_{\mathrm{ij}}}{\mathrm{\Σ}{g}_{\mathrm{ij}}}$

其中，i表示图像中的行，j表示图像中的列，及g_ij表示图像中第i行第j列的点的灰度值。

步骤S15，特征向量计算模块34以上述灰度中心为中心点将轮廓图等分为n份图像D_k(k＝1～n)。

步骤S16，特征向量计算模块34计算每一份图像的灰度密度值，从而得到n个灰度密度值V_k(k＝1～n)。其中，n为大于或者等于1的正整数。所述每一份图像D_k(k＝1～n)的灰度密度值V_k的计算方法如下：

$V_k=\frac{\mathrm{\Σ}{r}_{i^{\′}{j}^{\′}}\×g_{i^{\′}{j}^{\′}}}{\mathrm{\Σ}{r}_{\mathrm{ij}}\×g_{\mathrm{ij}}}.$

其中，(i’，j’)是某一份图像D_k(k＝1～n)中的点，(i，j)是整个轮廓图中的点。r_i’j’表示(i’j’)点到上述灰度中心(r₀，c₀)的距离，r_ij表示(i，j)点到上述灰度中心(r₀，c₀)的距离。g_i’j’表示(i’，j’)点的灰度值，g_ij表示(i，j)点的灰度值。

步骤S17，特征向量存储模块35将上述n个灰度密度值组成一个n维矩阵(V₁，...V_n)作为图像A的n维特征向量，并将该图像A的特征向量存储到存储单元6中。

进一步的，为了提取图像B、图像C...的特征向量，可以重复执行上述步骤S10至步骤S17。

需要说明的是，计算灰度图的轮廓，生成轮廓图的目的是在计算灰度中心与图像A的特征向量时减少计算量。因此，本发明的另一实施例中，图4所示图像特征向量提取方法中不包括步骤S13，并于步骤S14中直接计算图像A的灰度中心。

如上所述，上述计算出来的图像的特征向量具有如下特征：

(1)图像平移、等比缩放后，该图像的特征向量具有不变性。

(2)图像旋转后，只需要对应改变该图像的特征向量中n个灰度密度值的顺序。例如，假设图像被等分成12份(即30度为1份)，则该图像的特征向量为(V₁，V₂，V₃，...V₁₂)，当该图像顺时针旋转30度后，旋转后的图像的特征向量为(V₁₂，V₁，V₂，...V₁₁)。

(3)图像翻转后，也只需要对应改变该图像的特征向量中n个灰度密度值的顺序。例如，假设图像被等分成12份(即30度为1份)，则该图像的特征向量为(V₁，V₂，V₃，...V₁₂)，当该图像水平翻转后，翻转后的图像的特征向量为(V₇，V₈，...V₁₂，V₁，V₂...V₆)。

(4)图像的高维特征向量可以转换为低维特征向量。例如，图像的12维特征向量(V₁，V₂，...V₁₂)可以转换为(V₁’，V₂’，...V₆’)，其中，V₁’＝V₁+V₂，V₂’＝V₃+V₄，V₃’＝V₅+V₆，V₄’＝V₇+V₈，V₅’＝V₉+V₁₀，V₆’＝V₁₁+V₁₂。

参阅图5所示，是本发明图像匹配方法的较佳实施例的流程图。

步骤S20，图像特征向量读取模块40从存储单元6中读取待比较的图像A与图像B的特征向量u与v。其中，特征向量u与特征向量v都是n维的，即都包括n个灰度密度值。本实施例所述n为大于或者等于1的正整数。

步骤S21，图像相似度计算模块41读取图像A的特征向量u中的第一个灰度密度值V_a1及图像B的特征向量v中的第一个灰度密度值V_b1。

步骤S22，图像相似度计算模块41利用第一函数γ(V_ai，V_bi)＝100-|V_ai-V_bi|÷((V_ai+V_bi)÷2)*100计算出灰度密度值V_a1与V_b1的相似度γ(V_a1，V_b1)。

步骤S23，图像相似度计算模块41判断特征向量u与特征向量v中是否还存在下一个灰度密度值。若存在，则流程进入步骤S24。否则，若特征向量u与特征向量v中不存在下一个灰度密度值，则流程进入下述的步骤S25。

在步骤S24中，图像相似度计算模块41读取图像A的特征向量u中的下一个灰度密度值V_{ai(i＝2～n)}，及读取图像B的特征向量v中的下一个灰度密度值V_{bi(i＝2～n)}，并重新执行步骤S22，从而得到n个相似度，即γ(V_a1，V_b1)...γ(V_an，V_bn)。

在步骤S25中，图像相似度计算模块41根据上述γ(V_ai，V_bi)，利用第二函数β(n，u，v)＝[∑γ(V_{ai(i＝1～n)}，V_{bi(i＝1～n)})]÷n计算出图像A与图像B的特征向量的相似度。

步骤S26，图像相似度计算模块41判断图像B经过旋转或者翻转后是否会发生变化。若会发生变化，则流程进入步骤S27。否则，若图像B经过旋转及垂直或者水平翻转后不会发生变化，则流程直接进入步骤S30。

在步骤S27中，图像相似度计算模块41计算图像B经旋转及垂直或者水平翻转后的所有特征向量v₁～v_d。

步骤S28，图像相似度计算模块41判断特征向量v₁～v_d是否都与图像A的特征向量u进行了相似度计算。若特征向量v₁～v_d中有任何一个没有与图像A的特征向量u进行过相似度计算，则进入步骤S29，图像相似度计算模块41选择特征向量v₁～v_d中没有图像A的特征向量u进行相似度计算的特征向量，并重新执行步骤S21至S25，从而获得多个相似度β(n，u，v)。否则，若特征向量v₁～v_d都与图像A的特征向量u进行了相似度计算，则流程直接进入步骤S30。

在步骤S30中，图像相似度计算模块41找出所有计算出来的β(n，u，v)中的最大值，并将该最大的β(n，u，v)作为图像A与图像B的特征向量的相似度。

步骤S31，结果输出模块42将对图像A与图像B的匹配结果，即上述图像A与图像B的特征向量的相似度通过显示单元5输出。

Claims (16)

1.一种图像处理设备，包括用于获取图像的图像获取单元，其特征在于，该图像处理设备还包括图像特征向量提取单元，该图像特征向量提取单元包括：

图像读取模块，用于从上述图像获取单元处读取图像，该图像为灰度图；

灰度中心计算模块，用于计算上述图像的灰度中心，所述灰度中心是指图像上被认为灰度值集中于该点的一个假想点；及

特征向量计算模块，用于以上述灰度中心为中心点将上述图像等分为n份图像，计算每一份图像的灰度密度值，从而得到n个灰度密度值，并将上述n个灰度密度值组成一个矩阵作为上述图像的特征向量，其中，n为大于或者等于1的正整数。

2.如权利要求1所述的图像处理设备，其特征在于，所述灰度中心计算模块通过如下函数计算灰度中心：

$r_0==\frac{\mathrm{\Σi}\×g_{\mathrm{ij}}}{\mathrm{\Σ}{g}_{\mathrm{ij}}},$

$c_0==\frac{\mathrm{\Σj}\×g_{\mathrm{ij}}}{\mathrm{\Σ}{g}_{\mathrm{ij}}}$

其中，(r₀，c₀)为所述灰度中心，i表示图像中的行，j表示图像中的列，及g_ij表示图像中第i行第j列的点的灰度值。

3.如权利要求1所述的图像处理设备，其特征在于，所述特征向量计算模块通过如下函数计算每一份图像的灰度密度值：

$V_k=\frac{\mathrm{\Σ}{r}_{i^{\′}{j}^{\′}}\×g_{i^{\′}{j}^{\′}}}{\mathrm{\Σ}{r}_{\mathrm{ij}}\×g_{\mathrm{ij}}},$

其中，V_k为其中一份图像的灰度密度值，(i’，j’)是该份图像中的点，(i，j)是整个图像中的点。r_i’j’表示点(i’，j’)到上述灰度中心的距离，r_ij表示点(i，j)到上述灰度中心的距离，g_i’j’表示点(i’，j’)的灰度值，及g_ij表示点(i，j)的灰度值。

4.如权利要求1所述的图像处理设备，其特征在于，当图像获取单元获取的图像为彩图时，该图像处理设备还包括：

图像转换模块，用于将该彩图转换为灰度图。

5.如权利要求1所述的图像处理设备，其特征在于，该图像处理设备还包括：

轮廓判断模块，用于计算上述图像的轮廓，以生成轮廓图；及

上述灰度中心计算模块计算该轮廓图的灰度中心，上述特征向量计算模块以该轮廓图的灰度中心为中心点将该轮廓图等分为n份图像，计算每一份图像的灰度密度值，从而得到n个灰度密度值，并将上述n个灰度密度值组成一个n维矩阵作为上述图像的特征向量。

6.如权利要求1所述的图像处理设备，其特征在于，该图像处理设备还包括：

特征向量存储模块，用于将图像的特征向量存储到一个存储单元中。

7.如权利要求6所述的图像处理设备，其特征在于，该图像处理设备还包括图像匹配单元，该图像匹配单元包括：

图像特征向量读取模块，用于从上述存储单元中读取待比较的图像A的特征向量u与图像B的特征向量v，其中，特征向量u与特征向量v都包括n个灰度密度值；

图像相似度计算模块，用于比较特征向量u与特征向量v的相似度，以得到图像A与图像B的匹配结果；及

结果输出模块，用于将对图像A与图像B的匹配结果通过一个显示单元输出。

8.如权利要求7所述的图像处理设备，其特征在于，所述图像相似度计算模块通过如下操作比较特征向量u与特征向量v的相似度：

读取图像A的特征向量u中的灰度密度值V_{ai(i＝1～n)}及图像B的特征向量v中的灰度密度值V_{bi(i＝1～n)}；

利用函数γ(V_ai，V_bi)＝100-|V_ai-V_bi|÷((V_ai+V_bi)÷2)*100计算出灰度密度值V_ai与V_bi的相似度γ(V_ai，V_bi)，从而得到n个相似度，即γ(V_a1，V_b1)...γ(V_an，V_bn)；及

利用函数β(n，u，v)＝[∑γ(V_ai，V_bi)]÷n计算出图像A与图像B的特征向量的相似度。

9.一种图像特征向量提取方法，其特征在于，该方法包括：

(a)读取图像，该图像为灰度图；

(b)计算上述图像的灰度中心，所述灰度中心是指图像上被认为灰度值集中于该点的一个假想点；及

(c)以上述灰度中心为中心点将上述图像等分为n份图像，计算每一份图像的灰度密度值，从而得到n个灰度密度值，并将上述n个灰度密度值组成一个矩阵作为上述图像的特征向量，其中，n为大于或者等于1的正整数。

10.如权利要求9所述的图像特征向量提取方法，其特征在于，步骤(b)中的灰度中心通过如下函数计算：

$r_0==\frac{\mathrm{\Σi}\×g_{\mathrm{ij}}}{\mathrm{\Σ}{g}_{\mathrm{ij}}},$

$c_0==\frac{\mathrm{\Σj}\×g_{\mathrm{ij}}}{\mathrm{\Σ}{g}_{\mathrm{ij}}}$

其中，(r₀，c₀)为所述灰度中心，i表示图像中的行，j表示图像中的列，及g_ij表示图像中第i行第j列的点的灰度值。

11.如权利要求9所述的图像特征向量提取方法，其特征在于，步骤(c)中每一份图像的灰度密度值通过如下函数计算：

$V_k=\frac{\mathrm{\Σ}{r}_{i^{\′}{j}^{\′}}\×g_{i^{\′}{j}^{\′}}}{\mathrm{\Σ}{r}_{\mathrm{ij}}\×g_{\mathrm{ij}}},$

其中，V_k为其中一份图像的灰度密度值，(i’，j’)是该份图像中的点，(i，j)是整个图像中的点。r_i’j’表示点(i’，j’)到上述灰度中心的距离，r_ij表示点(i，j)到上述灰度中心的距离，g_i’j’表示点(i’，j’)的灰度值，及g_ij表示点(i，j)的灰度值。

12.如权利要求9所述的图像特征向量提取方法，其特征在于，当步骤(a)中读取的图像为彩图时，该方法还包括：

将该彩图转换为灰度图。

13.如权利要求9所述的图像特征向量提取方法，其特征在于，在步骤(a)之后，步骤(b)之前该方法还包括：

计算上述图像的轮廓，以生成轮廓图；及

在步骤(b)中，计算该轮廓图的灰度中心，在步骤(c)中，以该轮廓图的灰度中心为中心点将该轮廓图等分为n份图像，计算每一份图像的灰度密度值，从而得到n个灰度密度值，并将上述n个灰度密度值组成一个n维矩阵作为上述图像的特征向量。

14.如权利要求9所述的图像特征向量提取方法，其特征在于，在步骤(c)之后，该方法还包括：

将图像的特征向量存储到一个存储单元中。

15.一种利用权利要求9中的图像的特征向量进行图像匹配的方法，其特征在于，该方法包括：

(d)读取待比较的图像A的特征向量u与图像B的特征向量v，其中，特征向量u与特征向量v都包括n个灰度密度值；

(e)比较特征向量u与特征向量v的相似度，以得到图像A与图像B的匹配结果；及

(f)将对图像A与图像B的匹配结果通过一个显示单元输出。

16.如权利要求15所述的图像匹配的方法，其特征在于，步骤(e)包括：

(e1)读取图像A的特征向量u中的灰度密度值V_{ai(i＝1～n)}及图像B的特征向量v中的灰度密度值V_{bi(i＝1～n)}；

(e2)利用函数γ(V_ai，V_bi)＝100-|V_ai-V_bi|÷((V_ai+V_bi)÷2)*100计算出灰度密度值V_ai与V_bi的相似度γ(V_ai，V_bi)，从而得到n个相似度，即γ(V_a1，V_b1)...γ(V_an，V_bn)；

(e3)利用函数β(n，u，v)＝[∑γ(V_ai，V_bi)]÷n计算出图像A与图像B的特征向量的相似度；

(e4)在图像B经过旋转或者翻转后会发生变化的情况下，计算图像B经旋转或者翻转后的所有特征向量v₁～v_d；

(e5)选择特征向量v₁～v_d中没有图像A的特征向量u进行相似度计算的特征向量，并重新执行步骤(e1)至(e3)，从而获得多个相似度β(n，u，v)；及

(e6)找出所有计算出来的β(n，u，v)中的最大值，并将该最大的β(n，u，v)作为特征向量u与特征向量v的相似度。

Images