CN102509109A - 一种唐卡图像与非唐卡图像的区分方法 - Google Patents

一种唐卡图像与非唐卡图像的区分方法 Download PDF

Info

Publication number
CN102509109A
CN102509109A CN2011103206623A CN201110320662A CN102509109A CN 102509109 A CN102509109 A CN 102509109A CN 2011103206623 A CN2011103206623 A CN 2011103206623A CN 201110320662 A CN201110320662 A CN 201110320662A CN 102509109 A CN102509109 A CN 102509109A
Authority
CN
China
Prior art keywords
image
tangka
information entropy
color
change
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2011103206623A
Other languages
English (en)
Other versions
CN102509109B (zh
Inventor
王维兰
尹路
王铁君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwest Minzu University
Original Assignee
Northwest Minzu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwest Minzu University filed Critical Northwest Minzu University
Priority to CN201110320662.3A priority Critical patent/CN102509109B/zh
Publication of CN102509109A publication Critical patent/CN102509109A/zh
Application granted granted Critical
Publication of CN102509109B publication Critical patent/CN102509109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

唐卡图像与非唐卡图像的区分方法，在计算机上按下述步骤实现，实现过程包括训练阶段与识别阶段；训练阶段包括预处理、特征提取、相似性度量和分类器设计；识别阶段包括预处理、特征提取、相似性度量和分类器识别。训练阶段首先是对训练集图像进行归一化、分块和灰度化等预处理；通过对图像信息熵、图像颜色变化率以及图像对称性等特征的提取，得到用于区分唐卡图像与非唐卡图像的鉴别特征；然后对图像信息熵特征、图像颜色变化率特征和图像对称性特征进行模板、阈值训练和相似性度量；最后采用间隔阈值渐进算法设计分类器。识别阶段是对待识别图像预处理；再对提取图像特征使用分类器进行唐卡图像与非唐卡图像的分类识别。本发明判断正确率达到95%。

Description

一种唐卡图像与非唐卡图像的区分方法
技术领域
本发明涉及图像信息处理和图像识别领域，特别涉及我国藏族唐卡数字图像与非唐卡数字图像的区分方法。
背景技术
所谓唐卡图像与非唐卡图像的区分或识别，就是计算机通过一种数字化仪将待分类的图像进行预处理、特征提取等，然后对所得的数据进行自动识别，进而将该图像分到唐卡图像类或非唐卡图像类的一种技术。这是如何让计算机识别某一类图像或实现对数字图像自动分类的一个实际应用问题，具有重要的实际意义和理论价值。
唐卡具有鲜明的文化特色、浓厚的宗教色彩和独特的艺术风格，是藏学研究领域极为珍贵的形象资料和实物史料，在国内外具有很高的学术价值。对其收集、挖掘、整理、保护、开发和应用，从而满足有关博物馆、图书馆、寺院、宗教场所、唐卡电子商务，以及人们对唐卡艺术的欣赏、研究、教学和创作等具有重要的价值。而如何区分唐卡图像与非唐卡图像的方法对海量的图像管理具有重要的意义。截止目前，国内外还没有唐卡图像与非唐卡图像的区分方法的专门研究和文献报道。
发明内容
本发明的目的是利用计算机实现自动区分唐卡图像与其他图像，解决数字图像中的分类问题，提供一种唐卡图像与非唐卡图像的区分方法。
为实现上述目的，本发明的采取的技术方案是：一种唐卡图像与非唐卡图像的区分方法，在计算机上按下述步骤实现，整个实现过程包括训练阶段与识别阶段；训练阶段包括预处理、特征提取、相似性度量和分类器设计；识别阶段包括预处理、特征提取、相似性度量和分类器识别。
训练阶段首先是对训练集图像进行归一化、分块和灰度化等预处理；通过对图像信息熵、图像颜色变化率以及图像对称性等特征的提取，得到用于区分唐卡图像与非唐卡图像的鉴别特征；然后对图像信息熵特征、图像颜色变化率特征和图像对称性特征进行模板、阈值训练和相似性度量；最后采用间隔阈值渐进算法设计分类器。
识别阶段首先是对待识别图像进行归一化、分块和灰度化等预处理；通过对图像信息熵、图像颜色变化率以及图像对称性等特征的提取，得到用于区分唐卡图像与非唐卡图像的鉴别特征；然后对图像信息熵特征、图像颜色变化率特征和图像对称性特征，使用分类器进行唐卡图像与非唐卡图像的分类识别。所以，本发明的整个过程包括两大步骤：第一，对训练集图像实施的训练阶段，
第二，对待识别图像进行的识别阶段，具体步骤如下：
第一，对训练集图像实施的训练阶段
Figure 2011103206623100002DEST_PATH_IMAGE001
a.1归一化处理
将图像大小即宽度与长度归一化为：400×540。
a.2分块处理
按照每个像素块20×20的大小进行均匀分块，宽度上分为20块，高度上分为27块，把归一化后的图像分为540块。按照从左向右，从下往上的顺序进行编号，组成一个二维的分块矩阵。
a.3图像的灰度化处理
    采用平均值法，即求出彩色图像中每个像素点的R、G、B三分量亮度的平均值，然后将这个平均值赋给该像素的三个分量。
Figure 2011103206623100002DEST_PATH_IMAGE002
b.1提取图像信息熵特征
图像信息熵特征提取的计算步骤：
b.1.1大小归一化和分块、灰度化图像，灰度级为 
Figure 2011103206623100002DEST_PATH_IMAGE003
；
b.1.2对图像中的每一个子块分别操作，在每个子块内部逐个像素点扫描，统计每个灰度级出现的概率
Figure 2011103206623100002DEST_PATH_IMAGE004
；
b.1.3按照式（1）计算出每一个子块图像的信息熵
Figure 2011103206623100002DEST_PATH_IMAGE005
,式(1)：
             
Figure 2011103206623100002DEST_PATH_IMAGE006
540个子块计算完成之后，得到图像信息熵矩阵，也就是图像信息熵特征；
b.1.4采用直方图排序法将540个子块的信息熵按照从小到大的顺序进行排列，得到图像信息熵直方图。 
b.2提取图像颜色变化率特征
    使用
Figure 2011103206623100002DEST_PATH_IMAGE007
颜色空间，图像相邻像素点的颜色变化率算法如下： 
b.2.1以图像像素点矩阵的左下角的像素点作为原点建立坐标系；
b.2.2两像素点
Figure 2011103206623100002DEST_PATH_IMAGE008
、
Figure 2011103206623100002DEST_PATH_IMAGE009
之间的颜色变化用颜色值的欧氏距离式（2）计算，式（2）：  
Figure 2011103206623100002DEST_PATH_IMAGE010
其中，
Figure 2011103206623100002DEST_PATH_IMAGE011
分别是像素点的坐标颜色值；
b.2.3横向和纵向两个方向的颜色变化分别用式（3）和式（4）计算；式（3）和式（4）分别是：
        
Figure 2011103206623100002DEST_PATH_IMAGE012
其中的
Figure 2011103206623100002DEST_PATH_IMAGE013
和
Figure 2011103206623100002DEST_PATH_IMAGE014
分别为图像的高和宽；
b.2.4将式（3）和式（4）计算结果求和再除以像素个数即得到式(5)所表示的颜色变化率参数
Figure 2011103206623100002DEST_PATH_IMAGE015
，式(5)： 
Figure 2011103206623100002DEST_PATH_IMAGE016
按照上述的图像颜色变化率算法计算，在每一子块图像内部计算得到图像颜色变化率，540个子块都计算完成之后，组成图像颜色变化率矩阵；就是图像颜色变化率特征。
b.3提取图像对称性特征
b.3.1对图像的颜色变化率矩阵，每一子块设置一个标志为
Figure 2011103206623100002DEST_PATH_IMAGE017
，如果该子块颜色变化率参数小于50，则的值为1，如果该子块颜色变化率参数大于或等于50，则
Figure 737983DEST_PATH_IMAGE017
的值为0； 
b.3.2对图像的左半区域进行搜索，遍历每一子块，并将其与图像右半区域的对称位置的块进行比较，判断是否具有相同的标志，如果标志相同则对称性系数
Figure 2011103206623100002DEST_PATH_IMAGE018
加1，否则对称性系数
Figure 2011103206623100002DEST_PATH_IMAGE019
减1。位置对称关系是：颜色变化率矩阵中位置为
Figure 2011103206623100002DEST_PATH_IMAGE020
的子块其对称像素块的位置为
Figure 2011103206623100002DEST_PATH_IMAGE021
 （
Figure 2011103206623100002DEST_PATH_IMAGE022
）。
c.1训练图像的信息熵直方图模板与获取信息熵低阈值边界与高阈值边界
c.1.1训练图像的信息熵直方图模板
分别对850幅唐卡图像和850幅非唐卡图像的训练集通过如下三步进行：
c.1.1.1计算图像信息熵矩阵，然后用直方图进行统计，横轴表示分块的标号，纵轴表示熵值；
c.1.1.2采用直方图排序法将540子块的信息熵按照从小到大的顺序进行排列；
c.1.1.3对统计的所有唐卡图像按照式（6）进行训练，式（6）：
         
Figure 2011103206623100002DEST_PATH_IMAGE024
其中，
Figure 2011103206623100002DEST_PATH_IMAGE025
表示训练所用的图像数，
Figure 2011103206623100002DEST_PATH_IMAGE026
表示图像的灰度级；
Figure 2011103206623100002DEST_PATH_IMAGE027
表示第幅图像的信息熵直方图中，经过排序后处于第
Figure 2011103206623100002DEST_PATH_IMAGE029
 个位置上的子块的信息熵。式（6）每计算一遍，即求得一个位置上的信息熵平均值；对所有灰度级完成训练之后得到的即为训练集图像的信息熵直方图模板。 
c.1.2 获取信息熵低阈值边界与高阈值边界
采用式（7）进行图像信息熵特征的相似性度量，式（7）：                         
      
其中，
Figure 2011103206623100002DEST_PATH_IMAGE031
是图像
Figure 2011103206623100002DEST_PATH_IMAGE032
的信息熵直方图，
Figure 2011103206623100002DEST_PATH_IMAGE033
为图像的信息熵直方图模板
Figure 2011103206623100002DEST_PATH_IMAGE034
，
Figure 2011103206623100002DEST_PATH_IMAGE035
为灰度等级。为
Figure 2011103206623100002DEST_PATH_IMAGE037
之间的相似性距离，即图像信息熵特征的相似性度量结果。显然，相似性距离的值越小，表明图像的统计直方图与图像的信息熵直方图模板越接近。
将200幅图像信息熵直方图与c.1.1获得的唐卡图像的信息熵直方图模板、非唐卡图像的信息熵直方图模板分别进行相似性计算，并将求得的相似性结果进行统计，结果显示，唐卡图像信息熵直方图与唐卡图像的信息熵直方图模板的相似性更强。通过大量的统计与综合分析，获得图像相似的信息熵低阈值边界
Figure 2011103206623100002DEST_PATH_IMAGE039
的数值为63，信息熵高阈值边界
Figure 2011103206623100002DEST_PATH_IMAGE040
的数值为416，从而确定了图像信息熵特征相似性度量的范围，在相似性度量中以它们为标准进行信息熵比较计算。 
c.2 训练颜色变化率特征的高阈值和低阈值
将图像颜色变化率矩阵中的每个子块数据予以统计和分析，把颜色变化率参数低于50的子块称为颜色变化率低值子块。分别对850幅唐卡图像和850幅非唐卡图像计算颜色变化率低值子块的个数，综合统计结果得到：图像颜色变化率参数下边界阈值
Figure 2011103206623100002DEST_PATH_IMAGE041
的数值为100，图像颜色变化率参数上边界阈值
Figure 2011103206623100002DEST_PATH_IMAGE042
的数值为157，从而确定了图像颜色变化率特征相似性度量的范围，在相似性度量中以它们为标准进行颜色变化率比较计算。
c.3训练对称性特征阈值
将图像颜色变化率矩阵中的每个子块数据加以统计，图像颜色变化率矩阵的对称性判断如下：对图像的颜色变化率矩阵每一子块设置一个标志为，如果该子块颜色变化率参数小于50，则
Figure 476712DEST_PATH_IMAGE017
为1；如果该子块颜色变化率参数大于或等于50，则
Figure 291084DEST_PATH_IMAGE017
为0；对图像的左半区域进行搜索，遍历每一子块，并将其与图像右半区域的位置对称位置的子块进行比较，判断是否具有相同的标志，如果标志相同则对称性系数
Figure 113546DEST_PATH_IMAGE019
加1，否则对称性系数
Figure 318263DEST_PATH_IMAGE019
减1，最后得到对称性特征阈值的数值为
Figure 2011103206623100002DEST_PATH_IMAGE044
，位置对称关系是：颜色变化率矩阵中位置为
Figure 517163DEST_PATH_IMAGE020
的子块其对称像素块的位置为
Figure 123725DEST_PATH_IMAGE021
 （
Figure 117088DEST_PATH_IMAGE022
）；
Figure 2011103206623100002DEST_PATH_IMAGE045
d.1图像信息熵特征的相似性度量
通过c.1.2的方法计算图像
Figure 871418DEST_PATH_IMAGE038
的信息熵直方图与训练得到的图像的信息熵直方图模板之间的距离参数 
Figure 2011103206623100002DEST_PATH_IMAGE046
，若
Figure 2011103206623100002DEST_PATH_IMAGE047
，则图像
Figure 2011103206623100002DEST_PATH_IMAGE048
为唐卡图像，若
Figure 2011103206623100002DEST_PATH_IMAGE049
则图像
Figure 2011103206623100002DEST_PATH_IMAGE050
判断为非唐卡图像，若
Figure 2011103206623100002DEST_PATH_IMAGE051
Figure 2011103206623100002DEST_PATH_IMAGE052
，则需要进一步的判断。其中
Figure 2011103206623100002DEST_PATH_IMAGE053
，。 
d.2图像颜色变化率特征的相似性度量
用
Figure 421479DEST_PATH_IMAGE025
表示一幅图像的颜色变化率参数小于50的低值子块个数；低阈值下边界为、低阈值上边界为
Figure 882547DEST_PATH_IMAGE042
，低值子块相似度量方法是：若，则这幅图像为唐卡图像；若
Figure 2011103206623100002DEST_PATH_IMAGE057
，则待分类图像为非唐卡图像；如果
Figure 2011103206623100002DEST_PATH_IMAGE058
则需要进一步判断；
Figure 2011103206623100002DEST_PATH_IMAGE059
，
Figure 2011103206623100002DEST_PATH_IMAGE060
。 
d.3图像对称性特征的相似性度量
将一幅图像的对称性特征与唐卡图像的对称性特征阈值进行比较，如果一幅图像的对称性特征大于或等于
Figure 491700DEST_PATH_IMAGE043
则为唐卡图像，对称性特征小于
Figure 704507DEST_PATH_IMAGE043
则为非唐卡图像，其中的
Figure 2011103206623100002DEST_PATH_IMAGE061
。
Figure 2011103206623100002DEST_PATH_IMAGE062
用下述间隔阈值渐近算法，对唐卡与非唐卡图像进行分类识别：
 f.1对归一化和灰度化处理的图像
Figure 2011103206623100002DEST_PATH_IMAGE063
，用步骤b.1计算待识别图像
Figure 347978DEST_PATH_IMAGE063
的信息熵直方图，并与c.1所得的唐卡图像信息熵直方图模板进行相似性匹配，获得图像相似性距离参数
Figure 2011103206623100002DEST_PATH_IMAGE064
； 
f.2若
Figure 2011103206623100002DEST_PATH_IMAGE065
，则图像
Figure 620827DEST_PATH_IMAGE063
为唐卡图像，若
Figure 2011103206623100002DEST_PATH_IMAGE066
则图像判断为非唐卡图像，若，则转入：
f.3对大小归一化图像，用步骤b.2计算待识别图像的颜色变化率矩阵，统计颜色变化率参数小于50的低值子块的个数，记为
Figure 2011103206623100002DEST_PATH_IMAGE068
,若
Figure 2011103206623100002DEST_PATH_IMAGE069
，则判断为唐卡图像，若
Figure 2011103206623100002DEST_PATH_IMAGE070
，则判断
Figure 573554DEST_PATH_IMAGE063
为非唐卡图像，若
Figure 2011103206623100002DEST_PATH_IMAGE071
，则转入：
f.4应用对称性特征算法的步骤对待识别图像
Figure 461875DEST_PATH_IMAGE063
的对称性进行计算并得到对称性系数
Figure 2011103206623100002DEST_PATH_IMAGE072
，若
Figure 2011103206623100002DEST_PATH_IMAGE073
则判断
Figure 344381DEST_PATH_IMAGE063
为唐卡图像，若
Figure 2011103206623100002DEST_PATH_IMAGE074
，则判断
Figure 634548DEST_PATH_IMAGE063
为非唐卡图像，算法结束。
第二，对待识别图像进行的识别阶段
a.预处理
与训练阶段的预处理相同；
b．提取特征
与训练阶段的提取特征相同；
c. 用第一阶段步骤f所得分类器对唐卡图像与非唐卡图像进行分类识别：
 c.1对归一化和灰度化处理的图像，用步骤b.1计算待识别图像
Figure 15031DEST_PATH_IMAGE063
的信息熵直方图，并与第一阶段的步骤c.1所得的唐卡图像信息熵直方图模板进行相似性匹配，获得图像相似性距离参数
Figure 373331DEST_PATH_IMAGE064
； 
c.2若，则图像为唐卡图像，若
Figure 884581DEST_PATH_IMAGE066
则图像为非唐卡图像，若，则转入：
c.3对大小归一化图像，用步骤b.2计算待识别图像
Figure 404138DEST_PATH_IMAGE063
的颜色变化率矩阵，统计颜色变化率参数小于50的低值子块的个数，记为
Figure 754348DEST_PATH_IMAGE068
,若
Figure 782347DEST_PATH_IMAGE069
，则判断
Figure 963930DEST_PATH_IMAGE063
为唐卡图像，若
Figure 153602DEST_PATH_IMAGE070
，则判断
Figure 991108DEST_PATH_IMAGE063
为非唐卡图像，若，则转入：
c.4应用对称性特征算法的步骤对待识别图像
Figure 858887DEST_PATH_IMAGE063
的对称性进行计算并得到对称性系数
Figure 219462DEST_PATH_IMAGE072
，若
Figure 544264DEST_PATH_IMAGE073
则判断
Figure 914065DEST_PATH_IMAGE063
为唐卡图像，若
Figure 804661DEST_PATH_IMAGE074
，则判断
Figure 601715DEST_PATH_IMAGE063
为非唐卡图像，算法结束。
本发明已经用于2000幅图像的区分，选800幅自然图像和1200幅唐卡图像用于测试实验。应用本发明唐卡与非唐卡图像判别的算法进行区别，对上述2000幅图像进行判别，最终判断正确的有1900幅图像，正确率达到95%。
附图说明
图1是图像分块编号格式的结构示意图；
图2(a)是唐卡图像的信息熵直方图与模板进行相似性计算的统计示意图，
图2(b)是非唐卡图像的信息熵直方图与模板进行相似性计算的统计示意图；
图3是唐卡图像和非唐卡图像低阈值子块个数示意图；
图4是唐卡图像和非唐卡图像的鉴别流程示意图。   
图2、图3中：TK—唐卡图像，ZR—自然图像，即非唐卡图像。
具体实施方式
整个实现过程包括训练阶段与识别阶段；训练阶段包括预处理、特征提取、相似性度量和分类器设计；识别阶段包括预处理、特征提取、相似性度量和分类器识别。
训练阶段首先是对训练集图像进行归一化、分块和灰度化等预处理；通过对图像信息熵、图像颜色变化率以及图像对称性等特征的提取，得到用于区分唐卡图像与非唐卡图像的鉴别特征；然后对图像信息熵特征、图像颜色变化率特征和图像对称性特征进行模板、阈值训练和相似性度量；最后采用间隔阈值渐进算法设计分类器。
识别阶段首先是对待识别图像进行归一化、分块和灰度化等预处理；通过对图像信息熵、图像颜色变化率以及图像对称性等特征的提取，得到用于区分唐卡图像与非唐卡图像的鉴别特征；然后对图像信息熵特征、图像颜色变化率特征和图像对称性特征，使用分类器进行唐卡图像与非唐卡图像的分类识别。所以，本发明的整个过程包括两大步骤：第一，对训练集图像实施的训练阶段，
第二，对待识别图像进行的识别阶段，具体步骤如下：
第一，对训练集图像实施的训练阶段
Figure 148234DEST_PATH_IMAGE001
按照现有的常规方法对图像进行大小归一化、分块和灰度化处理。
a.1归一化处理
通过对唐卡的数字图像实验统计，得出适合唐卡图像处理与识别的图像大小为：400×540，所以对训练集图像都将大小归一化为400×540。
a.2分块处理
为了体现图像的空间位置信息，按照每个像素块20×20的大小进行均匀分块，宽度上分为20块，高度上分为27块，把大小归一化后的图像分为540块。按照从左向右，从下往上的顺序进行编号，组成一个二维的分块矩阵，如图1所示的图像分块编号格式。
a.3图像的灰度化处理
采用平均值法，即求出每个像素点的R、G、B三分量亮度的平均值，然后将彩色图像中的这个平均值赋给这个像素的三个分量。
Figure 321727DEST_PATH_IMAGE002
b.1提取图像信息熵特征
图像信息熵特征提取的计算步骤：
b.1.1大小归一化和分块、灰度化图像，灰度级为；
b.1.2对图像中的每一个子块分别操作，在每个子块内部逐个像素点扫描，统计每个灰度级出现的概率
Figure 300364DEST_PATH_IMAGE004
；
b.1.3按照式（1）计算出每一个子块图像的信息熵
Figure 334179DEST_PATH_IMAGE005
,式(1)：
             
Figure 2011103206623100002DEST_PATH_IMAGE075
540个子块计算完成之后，得到图像信息熵矩阵，也就是图像信息熵特征；
b.1.4采用直方图排序法将540个子块的信息熵按照从小到大的顺序进行排列，得到图像信息熵直方图； 
b.2提取图像颜色变化率特征
    使用颜色空间，对图像相邻像素点的颜色变化率算法如下： 
b.2.1以图像像素点矩阵的左下角的像素点作为原点建立坐标系；
b.2.2两像素点
Figure 2011103206623100002DEST_PATH_IMAGE076
之间的颜色变化用颜色值的欧氏距离式（2）计算，式（2）：  
Figure 2011103206623100002DEST_PATH_IMAGE077
其中，
Figure 848654DEST_PATH_IMAGE011
分别是像素点的颜色坐标值；
b.2.3横向和纵向两个方向的颜色变化分别用式（3）和式（4）计算；式（3）和式（4）分别是：          
Figure 2011103206623100002DEST_PATH_IMAGE078
其中的
Figure 2011103206623100002DEST_PATH_IMAGE079
和
Figure 2011103206623100002DEST_PATH_IMAGE080
分别为图像的高和宽；
b.2.4将式（3）和式（4）计算结果求和再除以像素个数即得到式(5)所表示的颜色变化率参数
Figure 2011103206623100002DEST_PATH_IMAGE081
，式(5)： 
颜色变化率的计算是在归一化和分块预处理后，按照上述的图像颜色变化率算法计算，在每一子块图像内部计算得到图像颜色变化率，540个子块都计算完成之后，组成图像颜色变化率矩阵；就是图像颜色变化率特征。
b.3提取图像对称性特征
b.3.1对图像的颜色变化率矩阵，每一子块设置一个标志为
Figure 925195DEST_PATH_IMAGE017
，如果该子块颜色变化率参数小于50，则的值为1，如果该子块颜色变化率参数大于或等于50，
Figure 696022DEST_PATH_IMAGE017
的值为0； 
b.3.2对图像的左半区域进行搜索，遍历每一子块，并将其与图像右半区域的对称位置的块进行比较，判断是否具有相同的标志，如果标志相同则对称性系数
Figure 681295DEST_PATH_IMAGE019
加1，否则对称性系数
Figure 991054DEST_PATH_IMAGE019
减1。位置对称关系的是：颜色变化率矩阵中位置为
Figure 61778DEST_PATH_IMAGE020
的子块其对称像素块的位置为
Figure 52868DEST_PATH_IMAGE021
 （
Figure 892648DEST_PATH_IMAGE022
）。
通过实验检验可知：具有视觉上对称性的唐卡图像对称性系数普遍大于不具有视觉对称性的图像；唐卡图像具有视觉对称性的比率远大于自然图像。
同时，唐卡图像中有相当比例的图像具有视觉上的对称性，因此把颜色变化率矩阵中的低阈值子块统计并与一幅图像颜色变化率矩阵中的低阈值子块进行对比，对一幅视觉上对称的唐卡图像，经过分块计算后颜色变化率矩阵的低阈值子块也较为对称。从而得出在视觉上有对称性的图像，其对应的颜色变化率矩阵也具有对称性。
Figure 373308DEST_PATH_IMAGE023
c.1训练图像的信息熵直方图模板与获取信息熵低阈值边界与高阈值边界
c.1.1训练图像的信息熵直方图模板
分别对850幅唐卡图像和850幅非唐卡图像的训练集通过如下三步进行：
c.1.1.1计算分块熵矩阵，然后用直方图进行统计，横轴表示分块的标号，纵轴表示熵值；
c.1.1.2采用直方图排序法将540个子块的信息熵按照从小到大的顺序进行排列；
c.1.1.3对统计的所有唐卡图像按照式（6）进行训练，式（6）：
        
Figure 2011103206623100002DEST_PATH_IMAGE083
其中，
Figure 603432DEST_PATH_IMAGE025
表示训练所用的图像数，
Figure 460529DEST_PATH_IMAGE026
表示图像的灰度级；
Figure 2011103206623100002DEST_PATH_IMAGE084
表示第
Figure 154816DEST_PATH_IMAGE028
幅图像的信息熵直方图中，经过排序后处于第
Figure 2011103206623100002DEST_PATH_IMAGE085
 个位置上的子块的信息熵。式（6）每计算一遍，即求得一个位置上的信息熵平均值；对所有灰度级完成训练之后得到的即为训练集图像的信息熵直方图模板；
c.1.2 获取信息熵低阈值边界与高阈值边界
采用直方图相交距相似性进行图像信息熵特征的度量。
传统的直方图相交距定义为： 
            
Figure 2011103206623100002DEST_PATH_IMAGE086
其中，
Figure 2011103206623100002DEST_PATH_IMAGE087
两幅图像的统计直方图，灰度等级为
Figure 744060DEST_PATH_IMAGE026
。由于唐卡图像的信息熵直方图模板是每幅图像在同一位置上信息熵的平均值的集合，所以在相似性度量的过程中，每一位置上只求取最小值熵是不合理的，会丢失度量信息。本发明采用式（7）进行图像信息熵特征的相似性度量，式（7）：                         
      
Figure 2011103206623100002DEST_PATH_IMAGE088
其中，是图像
Figure 2011103206623100002DEST_PATH_IMAGE089
的统计直方图，
Figure 122269DEST_PATH_IMAGE033
为c.1训练得到的信息熵直方图模板
Figure 2011103206623100002DEST_PATH_IMAGE090
，
Figure 608745DEST_PATH_IMAGE035
为灰度等级。
Figure 696787DEST_PATH_IMAGE036
为
Figure 2011103206623100002DEST_PATH_IMAGE091
之间的相似性距离，即图像信息熵特征的相似性度量结果。显然，相似性距离的值越小，表明图像
Figure 901503DEST_PATH_IMAGE038
的统计直方图与信息熵模板值直方图越接近。
将200幅图像信息熵直方图与c.1.1获得的唐卡图像的信息熵直方图模板、非唐卡图像的信息熵直方图模板分别进行相似性计算，并将求得的相似性结果进行统计，如图2（a）为100幅唐卡图像与唐卡图像的信息熵直方图模板的相似性计算结果，图2（b）为100幅非唐卡图像与非唐卡图像信息熵直方图模板的相似性计算结果。其中，横轴为图像编号，纵轴为相似距离。统计结果显示，唐卡图像信息熵直方图与模板的相似性更强。通过大量的统计与综合分析，获得图像相似的信息熵低阈值边界
Figure 100403DEST_PATH_IMAGE039
的数值为63，信息熵高阈值边界
Figure 503703DEST_PATH_IMAGE040
的数值为416，从而确定了图像信息熵特征相似性度量的范围，在相似性度量中以它们为标准进行信息熵特征的比较计算；
c.2 训练颜色变化率特征的高阈值和低阈值
将图像颜色变化率参数矩阵中的每个分块数据予以统计与分析，把颜色变化率参数低于50的称为颜色变化率低值子块。分别对850幅唐卡图像和850幅非唐卡图像计算颜色变化率低值子块的个数，综合统计结果得到：图像颜色变化率参数下边界阈值的数值为100，图像颜色变化率参数上边界阈值
Figure 762646DEST_PATH_IMAGE042
的数值为157，从而确定了图像颜色变化率特征相似性度量的范围，在相似性度量中以它们为标准进行颜色变化率特征的比较计算。
如图3是对100幅唐卡图像和100幅非唐卡图像分别计算颜色变化率低值个数的示意图，其中，横轴表示图像标号，纵轴表示颜色变化率低值个数，将颜色变化率低值子块的个数表示为，且。菱形块折线TK表示唐卡图像，正方形折线ZR表示非唐卡图像。从统计示意图看出，唐卡图像的颜色变化率低值子块个数较少，而非唐卡图像的颜色变化率低值子块个数较多。本发明中对图像颜色变化率参数确定下边界阈值
Figure 454658DEST_PATH_IMAGE092
和上边界阈值
Figure 191670DEST_PATH_IMAGE042
，由此判断图像颜色变化率特征的相似性。
 c.3训练对称性特征阈值
可以发现，唐卡图像的颜色变化率低值子块个数较少，而自然图像的颜色变化率低值子块个数较多。原因是，在唐卡图像整体空间信息都比较复杂，而自然图像相对简单且容易存在大面积的相近色区域。实验检验也表明：(1)具有视觉上对称性的图像，对称性系数普遍大于不具有视觉对称性的其他图像；(2)唐卡图像具有视觉对称性的比率远大于非唐卡图像。通过对训练集的图像颜色变化率参数矩阵中每个子块数据的统计，图像颜色变化率矩阵的对称性判断如下：对图像的颜色变化率矩阵每一子块设置一个标志为
Figure 652739DEST_PATH_IMAGE017
，如果该子块颜色变化率参数小于50，则
Figure 82583DEST_PATH_IMAGE017
为1；如果该子块颜色变化率参数大于或等于50，则
Figure 58629DEST_PATH_IMAGE017
为0；对图像的左半区域进行搜索，遍历每一子块，并将其与图像右半区域的位置对称块进行比较，判断是否具有相同的标志，如果标志相同则对称性系数
Figure 537015DEST_PATH_IMAGE019
加1，否则对称性系数
Figure 180486DEST_PATH_IMAGE019
减1，最后得到对称性特征阈值
Figure 515652DEST_PATH_IMAGE043
的数值为
Figure 244574DEST_PATH_IMAGE044
，在相似性度量中以它为标准进行对称性比较计算。颜色变化率矩阵中位置为
Figure 323388DEST_PATH_IMAGE020
的子块其对称像素块的位置为
Figure 759049DEST_PATH_IMAGE021
 （
Figure 265117DEST_PATH_IMAGE022
）。
Figure 481334DEST_PATH_IMAGE045
d.1图像信息熵特征的相似性度量
使用c.1.2的方法计算图像的信息熵直方图与信息熵直方图模板之间的距离参数 ，若
Figure 596555DEST_PATH_IMAGE047
，则图像
Figure 34489DEST_PATH_IMAGE048
为唐卡图像，若
Figure 455106DEST_PATH_IMAGE049
则图像
Figure 865359DEST_PATH_IMAGE050
判断为非唐卡图像，若
Figure 713230DEST_PATH_IMAGE051
Figure 638460DEST_PATH_IMAGE052
，则需要进一步的判断。其中
Figure 862768DEST_PATH_IMAGE053
，
Figure 127527DEST_PATH_IMAGE054
。 
d.2图像颜色变化率特征的相似性度量
用
Figure 411878DEST_PATH_IMAGE025
表示一幅图像的颜色变化率参数小于50的低值子块个数；低阈值下边界为
Figure 824405DEST_PATH_IMAGE055
、低阈值上边界为
Figure 586825DEST_PATH_IMAGE042
，低值子块相似度量方法是：若
Figure 706090DEST_PATH_IMAGE056
，则这幅图像为唐卡图像；若
Figure 161343DEST_PATH_IMAGE057
，则待分类图像为非唐卡图像；如果
Figure 2011103206623100002DEST_PATH_IMAGE095
则需要进一步判断；
Figure 61165DEST_PATH_IMAGE059
，
Figure 564959DEST_PATH_IMAGE060
。
d.3图像对称性特征的相似性度量
将待分类图像的对称性特征与唐卡图像的对称性特征阈值
Figure 601048DEST_PATH_IMAGE043
进行比较，如果待分类图像的对称性特征大于或等于
Figure 227202DEST_PATH_IMAGE043
则为唐卡图像，对称性特征小于
Figure 614321DEST_PATH_IMAGE043
则为非唐卡图像，其中
Figure 656226DEST_PATH_IMAGE061
。
Figure 812401DEST_PATH_IMAGE062
用下述间隔阈值渐近算法，对唐卡与非唐卡图像进行分类识别：
 f.1对归一化和灰度化处理的图像
Figure 609455DEST_PATH_IMAGE063
，用步骤b.1计算待识别图像
Figure 218291DEST_PATH_IMAGE063
的信息熵直方图，并与c.1所得的唐卡图像信息熵直方图模板进行相似性匹配，获得图像相似性距离参数
Figure 329467DEST_PATH_IMAGE064
； 
f.2若
Figure 340148DEST_PATH_IMAGE065
，则图像
Figure 308104DEST_PATH_IMAGE063
为唐卡图像，若
Figure 404236DEST_PATH_IMAGE066
则图像
Figure 787944DEST_PATH_IMAGE063
判断为非唐卡图像，若
Figure 918711DEST_PATH_IMAGE067
，则转入：
f.3对大小归一化图像，用步骤b.2计算待识别图像
Figure 57568DEST_PATH_IMAGE063
的颜色变化率矩阵，统计颜色变化率参数小于50的低值子块的个数，记为
Figure 640997DEST_PATH_IMAGE068
,若
Figure 828395DEST_PATH_IMAGE069
，则判断
Figure 813669DEST_PATH_IMAGE063
为唐卡图像，若
Figure 123428DEST_PATH_IMAGE070
，则判断
Figure 194152DEST_PATH_IMAGE063
为非唐卡图像，若
Figure 185241DEST_PATH_IMAGE071
，则转入：
f.4应用对称性特征算法的步骤对待识别图像
Figure 25021DEST_PATH_IMAGE063
的对称性进行计算并得到对称性系数
Figure 505681DEST_PATH_IMAGE072
，若则判断
Figure 592903DEST_PATH_IMAGE063
为唐卡图像，若
Figure 287190DEST_PATH_IMAGE074
，则
Figure 938751DEST_PATH_IMAGE063
为非唐卡图像，算法结束。
第二，对待识别图像进行的识别阶段
a.  预处理
与训练阶段的预处理相同；
b．提取特征
与训练阶段的提取特征相同；
c. 用第一阶段步骤f所得分类器对唐卡与非唐卡图像进行分类识别：
 c.1对归一化和灰度化处理的图像
Figure 984067DEST_PATH_IMAGE063
，用步骤b.1计算待识别图像
Figure 316960DEST_PATH_IMAGE063
的信息熵直方图，并与第一阶段步骤c.1所得的唐卡图像信息熵直方图模板进行相似性匹配，获得图像相似性距离参数
Figure 865753DEST_PATH_IMAGE064
； 
c.2若
Figure 953794DEST_PATH_IMAGE065
，则图像
Figure 220828DEST_PATH_IMAGE063
为唐卡图像，若则图像
Figure 760710DEST_PATH_IMAGE063
判断为非唐卡图像，若
Figure 19653DEST_PATH_IMAGE067
，则转入：
c.3对大小归一化图像，用步骤b.2计算待识别图像
Figure 508404DEST_PATH_IMAGE063
的颜色变化率矩阵，统计颜色变化率参数小于50的低值子块的个数，记为
Figure 436959DEST_PATH_IMAGE068
,若
Figure 960344DEST_PATH_IMAGE069
，则判断
Figure 124609DEST_PATH_IMAGE063
为唐卡图像，若
Figure 366235DEST_PATH_IMAGE070
，则判断
Figure 844621DEST_PATH_IMAGE063
为非唐卡图像，若
Figure 222512DEST_PATH_IMAGE071
，则转入：
c.4应用对称性特征算法的步骤对待识别图像
Figure 823258DEST_PATH_IMAGE063
的对称性进行计算并得到对称性系数，若
Figure 568677DEST_PATH_IMAGE073
则判断
Figure 66655DEST_PATH_IMAGE063
为唐卡图像，若
Figure 572722DEST_PATH_IMAGE074
，则判断
Figure 788940DEST_PATH_IMAGE063
为非唐卡图像，算法结束。
本发明提供的方法其鉴别流程如图4所示，首先要通过唐卡与非唐卡图像训练集统计图像信息熵低阈值边界和高阈值边界、图像颜色变化率特征低阈值边界和高阈值边界，以及图像对称性特征参数。然后对待识别图像进行大小归一化和分块、以及灰度化处理，通过以下三层对待分类的图像进行判定实现唐卡与非唐卡图像的分类：第一，对待分类图像预处理后，进行信息熵特征提取及统计信息熵直方图，并与唐卡图像信息熵直方图模板进行直方图相交矩的相似度量，如果所得度量参数满足分类的条件则予以判定，否则采用第二层方法判定。第二，对大小归一化和分块的图像，进行颜色变化率特征提取，采用颜色变化率低值子块相似度量方法，如果相似度量的结果满足分类的条件则予以判定，否则采用第三层方法判定。第三，提取图像对称性特征，根据阈值判断条件予以判定。

Claims (1)

1.一种唐卡图像与非唐卡图像的区分方法，在计算机上按下述步骤实现，整个实现过程包括训练阶段与识别阶段；训练阶段包括预处理、特征提取、相似性度量和分类器设计；识别阶段包括预处理、特征提取、相似性度量和分类器识别；训练阶段首先是对训练集图像进行归一化、分块和灰度化等预处理；通过对图像信息熵、图像颜色变化率以及图像对称性等特征的提取，得到用于区分唐卡图像与非唐卡图像的鉴别特征；然后对图像信息熵特征、图像颜色变化率特征和图像对称性特征进行模板、阈值训练和相似性度量；最后采用间隔阈值渐进算法设计分类器；识别阶段首先是对待识别图像进行归一化、分块和灰度化等预处理；通过对图像信息熵、图像颜色变化率以及图像对称性等特征的提取，得到用于区分唐卡图像与非唐卡图像的鉴别特征；然后对图像信息熵特征、图像颜色变化率特征和图像对称性特征，使用分类器进行唐卡图像与非唐卡图像的分类识别；所以，本发明的整个过程包括两大步骤：第一，对训练集图像实施的训练阶段，第二，对待识别图像进行的识别阶段，具体步骤如下：
第一，对训练集图像实施的训练阶段
Figure 260055DEST_PATH_IMAGE001
a.1归一化处理
将图像宽度与长度大小归一化为：400×540；
a.2分块处理
按照每个像素块20×20的大小进行均匀分块，宽度上分为20块，高度上分为27块，把归一化后的图像分为540块；按照从左向右，从下往上的顺序进行编号，组成一个二维的分块矩阵；
a.3图像的灰度化处理
    采用平均值法，即求出每个像素点的R、G、B三分量亮度的平均值，然后将彩色图像中的这个平均值赋给这个像素的三个分量；
b.1提取图像信息熵特征
图像信息熵特征提取的计算步骤：
b.1.1大小归一化和分块、灰度化图像，灰度级为 ；
b.1.2对图像中的每一个子块分别操作，在每个子块内部逐个像素点扫描，统计每个灰度级出现的概率
Figure 788306DEST_PATH_IMAGE004
；
b.1.3按照式（1）计算出每一个子块图像的信息熵
Figure 2011103206623100001DEST_PATH_IMAGE005
,式(1)：
            
Figure 886712DEST_PATH_IMAGE006
540个子块计算完成之后，得到图像信息熵矩阵，也就是图像信息熵特征；
b.1.4采用直方图排序法将540个子块的信息熵按照从小到大的顺序进行排列，得到图像信息熵直方图； 
b.2提取图像颜色变化率特征
    使用
Figure 512865DEST_PATH_IMAGE007
颜色空间，对图像相邻像素点的颜色变化率算法如下： 
b.2.1以图像像素点矩阵的左下角的像素点作为原点建立坐标系；
b.2.2两像素点
Figure 2011103206623100001DEST_PATH_IMAGE008
之间的颜色变化用颜色值的欧氏距离式（2）计算，式（2）：  
Figure 696722DEST_PATH_IMAGE009
其中，
Figure 66523DEST_PATH_IMAGE010
分别是像素点的颜色坐标值；
b.2.3横向和纵向两个方向的颜色变化分别用式（3）和式（4）计算；式（3）和式（4）分别是：          
Figure 2011103206623100001DEST_PATH_IMAGE011
其中的
Figure 789410DEST_PATH_IMAGE012
和分别为图像的高和宽；
b.2.4将式（3）和式（4）计算结果求和再除以像素个数即得到式(5)所表示的颜色变化率参数
Figure 586464DEST_PATH_IMAGE014
，式(5)： 
Figure 2011103206623100001DEST_PATH_IMAGE015
对图像中的每一个子块都按照上述的图像颜色变化率算法计算，在每一子块图像内部计算得到图像颜色变化率，540个子块计算完成之后，组成图像颜色变化率矩阵；就是图像颜色变化率特征；
b.3提取图像对称性特征
b.3.1对图像的颜色变化率矩阵，每一子块设置一个标志为
Figure 257617DEST_PATH_IMAGE016
，如果该子块颜色变化率参数小于50，则
Figure 165530DEST_PATH_IMAGE016
的值为1，如果该子块颜色变化率参数大于或等于50，则
Figure 176212DEST_PATH_IMAGE016
的值为0；
b.3.2对图像的左半区域进行搜索，遍历每一子块，并将其与图像右半区域的对称位置块进行比较，判断是否具有相同的标志，如果标志相同则对称性系数
Figure 2011103206623100001DEST_PATH_IMAGE017
加1，否则对称性系数
Figure 206484DEST_PATH_IMAGE017
减1；颜色变化率矩阵中位置为的子块其对称像素块的位置为
Figure 2011103206623100001DEST_PATH_IMAGE019
 （
Figure 76537DEST_PATH_IMAGE020
）；
Figure 2011103206623100001DEST_PATH_IMAGE021
c.1训练图像的信息熵直方图模板与获取信息熵低阈值边界与高阈值边界
c.1.1训练图像的信息熵直方图模板
分别对850幅唐卡图像和850幅非唐卡图像的训练集通过如下三步进行：
c.1.1.1计算分块信息熵矩阵，然后用直方图进行统计，横轴表示分块的标号，纵轴表示熵值；
c.1.1.2采用直方图排序法将540个子块的信息熵按照从小到大的顺序进行排列；
c.1.1.3对统计的所有唐卡图像按照式（6）进行训练，式（6）：
       
Figure 771086DEST_PATH_IMAGE022
其中，表示训练所用的图像数，
Figure 909943DEST_PATH_IMAGE024
表示图像的灰度级；表示第
Figure 290109DEST_PATH_IMAGE026
幅图像的信息熵直方图中，经过排序后处于第
Figure 805404DEST_PATH_IMAGE027
个位置上的子块的信息熵；式（6）每计算一遍，即求得一个位置上的信息熵平均值；对所有灰度级完成训练之后得到的即为训练集图像的信息熵直方图模板；
c.1.2 获取信息熵低阈值边界与高阈值边界
采用式（7）进行图像信息熵特征的相似性度量，式（7）：                         
     
Figure 790678DEST_PATH_IMAGE028
其中，
Figure 162753DEST_PATH_IMAGE029
是图像的统计直方图，
Figure 21305DEST_PATH_IMAGE031
为c.1训练得到的信息熵直方图模板
Figure 923402DEST_PATH_IMAGE032
，
Figure 2011103206623100001DEST_PATH_IMAGE033
为灰度等级，
Figure 964914DEST_PATH_IMAGE034
为
Figure 2011103206623100001DEST_PATH_IMAGE035
之间的相似性距离，即图像信息熵特征的相似性度量结果；
将200幅图像信息熵直方图与c.1.1获得的唐卡图像的信息熵直方图模板、非唐卡图像的信息熵直方图模板分别进行相似性计算，并将求得的相似性结果进行统计分析，获得图像相似的信息熵低阈值边界
Figure 522934DEST_PATH_IMAGE036
的数值为63，信息熵高阈值边界
Figure 2011103206623100001DEST_PATH_IMAGE037
的数值为416，从而确定了图像信息熵特征相似性度量的范围，在相似性度量中以它们为标准进行信息熵比较计算；
c.2 训练颜色变化率特征的高阈值和低阈值
将图像颜色变化率参数矩阵中的每个分块数据予以统计与分析，把颜色变化率参数低于50的称为颜色变化率低值子块；分别对850幅唐卡图像和850幅非唐卡图像计算颜色变化率低值子块的个数，综合统计结果得到：图像颜色变化率参数下边界阈值
Figure 176769DEST_PATH_IMAGE038
的数值为100，图像颜色变化率参数上边界阈值
Figure 2011103206623100001DEST_PATH_IMAGE039
的数值为157，从而确定了图像颜色变化率特征相似性度量的范围，在相似性度量中以它们为标准进行颜色变化率比较计算；
c.3训练对称性特征阈值
将图像颜色变化率参数矩阵中的每个子块数据加以统计，图像颜色变化率矩阵的对称性判断如下：对图像的颜色变化率矩阵每一子块设置一个标志为
Figure 136635DEST_PATH_IMAGE016
，如果该子块颜色变化率参数小于50，则
Figure 850513DEST_PATH_IMAGE016
为1；如果该子块颜色变化率参数大于或等于50，则
Figure 630250DEST_PATH_IMAGE016
为0；对图像的左半区域进行搜索，遍历每一子块，并将其与图像右半区域的位置对称块进行比较，判断是否具有相同的标志，如果标志相同则对称性系数
Figure 25460DEST_PATH_IMAGE017
加1，否则对称性系数减1，最后得到对称性特征阈值
Figure 724611DEST_PATH_IMAGE040
的数值为
Figure 2011103206623100001DEST_PATH_IMAGE041
；颜色变化率矩阵中位置为的子块其对称像素块的位置为
Figure 754326DEST_PATH_IMAGE019
 （
Figure 423205DEST_PATH_IMAGE020
）；
Figure 416569DEST_PATH_IMAGE042
d.1图像信息熵特征的相似性度量
通过c.1.2的方法计算图像
Figure 2011103206623100001DEST_PATH_IMAGE043
的信息熵直方图与训练得到的图像信息熵直方图模板之间的距离参数 
Figure 233215DEST_PATH_IMAGE044
，若
Figure DEST_PATH_IMAGE045
，则图像
Figure 298123DEST_PATH_IMAGE046
为唐卡图像，若
Figure DEST_PATH_IMAGE047
则图像判断为非唐卡图像，若
Figure DEST_PATH_IMAGE049
Figure 48090DEST_PATH_IMAGE050
，则需要进一步的判断；
 其中
Figure 2011103206623100001DEST_PATH_IMAGE051
，
Figure 289716DEST_PATH_IMAGE052
； 
d.2图像颜色变化率特征的相似性度量
用
Figure 385411DEST_PATH_IMAGE053
表示一幅图像的颜色变化率参数小于50的低值子块个数；低阈值下边界为
Figure 763303DEST_PATH_IMAGE054
、低阈值上边界为，低值子块相似度量方法是：若
Figure 2011103206623100001DEST_PATH_IMAGE055
，则这幅图像为唐卡图像；若
Figure 889708DEST_PATH_IMAGE056
，则待分类图像为非唐卡图像；如果
Figure 2011103206623100001DEST_PATH_IMAGE057
则需要进一步判断；
Figure 296418DEST_PATH_IMAGE058
，
Figure 528817DEST_PATH_IMAGE059
；
d.3图像对称性特征的相似性度量
将待分类图像的对称性特征与唐卡图像的对称性特征阈值
Figure 300464DEST_PATH_IMAGE040
进行比较，如果待分类图像的对称性特征大于或等于
Figure 251102DEST_PATH_IMAGE040
则为唐卡图像，对称性特征小于则为非唐卡图像，；
Figure 490956DEST_PATH_IMAGE061
用下述间隔阈值渐近算法，对唐卡与非唐卡图像进行分类识别：
 f.1对归一化和灰度化处理的图像
Figure 492673DEST_PATH_IMAGE062
，用步骤b.1计算待识别图像的信息熵直方图，并与c.1所得的唐卡图像信息熵直方图模板进行相似性匹配，获得图像相似性距离参数； 
f.2若
Figure 499309DEST_PATH_IMAGE064
，则图像
Figure 486857DEST_PATH_IMAGE062
为唐卡图像，若
Figure 711164DEST_PATH_IMAGE065
则图像
Figure 38241DEST_PATH_IMAGE062
判断为非唐卡图像，若
Figure 119329DEST_PATH_IMAGE066
，则转入：
f.3对大小归一化图像，用步骤b.2计算待识别图像的颜色变化率矩阵，统计颜色变化率参数小于50的低值子块的个数，记为
Figure 559855DEST_PATH_IMAGE067
,若
Figure 803754DEST_PATH_IMAGE068
，则判断
Figure 259006DEST_PATH_IMAGE062
为唐卡图像，若
Figure 893250DEST_PATH_IMAGE069
，则判断为非唐卡图像，若
Figure 321881DEST_PATH_IMAGE070
，则转入：
f.4应用对称性特征算法的步骤对待识别图像
Figure 948034DEST_PATH_IMAGE062
的对称性进行计算并得到对称性系数
Figure 69574DEST_PATH_IMAGE071
，若
Figure 501693DEST_PATH_IMAGE072
则判断
Figure 657867DEST_PATH_IMAGE062
为唐卡图像，若
Figure 454922DEST_PATH_IMAGE073
则判断
Figure 126075DEST_PATH_IMAGE062
为非唐卡图像，算法结束；
第二，对待识别图像进行的识别阶段
a.预处理
与训练阶段的预处理相同；
b．提取特征
与训练阶段的提取特征相同；
c. 用第一阶段步骤f所得分类器对唐卡与非唐卡图像进行分类识别：
c.1对归一化和灰度化处理的图像
Figure 33988DEST_PATH_IMAGE062
，用步骤b.1计算待识别图像
Figure 44669DEST_PATH_IMAGE062
的信息熵直方图，并与第一阶段步骤c.1所得的唐卡图像信息熵直方图模板进行相似性匹配，获得图像相似性距离参数
Figure 12625DEST_PATH_IMAGE063
； 
c.2若
Figure 171074DEST_PATH_IMAGE064
，则图像为唐卡图像，若
Figure 311648DEST_PATH_IMAGE065
则图像为非唐卡图像，若
Figure 33933DEST_PATH_IMAGE066
，则转入：
c.3对大小归一化图像，用步骤b.2计算待识别图像
Figure 611545DEST_PATH_IMAGE062
的颜色变化率矩阵，统计颜色变化率参数小于50的低值子块的个数，记为,若
Figure 640998DEST_PATH_IMAGE068
，则判断
Figure 774039DEST_PATH_IMAGE062
为唐卡图像，若
Figure 827446DEST_PATH_IMAGE069
，则判断
Figure 667226DEST_PATH_IMAGE062
为非唐卡图像，若
Figure 210203DEST_PATH_IMAGE070
，则转入：
c.4应用对称性特征算法的步骤对待识别图像
Figure 768223DEST_PATH_IMAGE062
的对称性进行计算并得到对称性系数
Figure 359741DEST_PATH_IMAGE071
，若
Figure 620739DEST_PATH_IMAGE072
则判断
Figure 537880DEST_PATH_IMAGE062
为唐卡图像，若
Figure 317617DEST_PATH_IMAGE073
，则判断
Figure 775143DEST_PATH_IMAGE062
为非唐卡图像，算法结束。
CN201110320662.3A 2011-10-20 2011-10-20 一种唐卡图像与非唐卡图像的区分方法 Active CN102509109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110320662.3A CN102509109B (zh) 2011-10-20 2011-10-20 一种唐卡图像与非唐卡图像的区分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110320662.3A CN102509109B (zh) 2011-10-20 2011-10-20 一种唐卡图像与非唐卡图像的区分方法

Publications (2)

Publication Number Publication Date
CN102509109A true CN102509109A (zh) 2012-06-20
CN102509109B CN102509109B (zh) 2014-05-28

Family

ID=46221190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110320662.3A Active CN102509109B (zh) 2011-10-20 2011-10-20 一种唐卡图像与非唐卡图像的区分方法

Country Status (1)

Country Link
CN (1) CN102509109B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915449A (zh) * 2012-09-24 2013-02-06 华南理工大学 一种照片分类方法
CN103559486A (zh) * 2013-11-11 2014-02-05 东南大学 一种视频检测地板正反面的方法
CN103927517A (zh) * 2014-04-14 2014-07-16 电子科技大学 一种基于人体全局特征直方图熵的动作检测方法
CN104217213A (zh) * 2014-08-20 2014-12-17 哈尔滨工程大学 一种基于对称性理论的医学图像多阶段分类方法
CN104966099A (zh) * 2015-06-15 2015-10-07 北京航空航天大学 一种基于人脚图像的脚型分类方法
CN106157296A (zh) * 2016-05-10 2016-11-23 阜阳师范学院 一种唐卡图像破损区域的分割方法
CN106997471A (zh) * 2017-04-05 2017-08-01 西北民族大学 一种唐卡图像类型的确定方法及系统
CN108694412A (zh) * 2018-05-11 2018-10-23 青海千寻信息科技有限公司 一种手绘唐卡和印刷唐卡的鉴别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIANJUN QIAN 等: "Religious Portrait Thangka Image Retrieval Based on Gesture Feature", 《PATTERN RECOGNITION,2009,CCPR 2009,CHINESE CONFERENCE ON》 *
王维兰等: "基于内容的唐卡图像数据库检索系统", 《湛江师范学院学报》 *
解辉等: "唐卡图像分类知识库的初步设计与构建", 《微机算机信息（测控自动化）》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915449A (zh) * 2012-09-24 2013-02-06 华南理工大学 一种照片分类方法
CN102915449B (zh) * 2012-09-24 2016-05-04 华南理工大学 一种照片分类方法
CN103559486B (zh) * 2013-11-11 2016-11-16 东南大学 一种视频检测地板正反面的方法
CN103559486A (zh) * 2013-11-11 2014-02-05 东南大学 一种视频检测地板正反面的方法
CN103927517A (zh) * 2014-04-14 2014-07-16 电子科技大学 一种基于人体全局特征直方图熵的动作检测方法
CN103927517B (zh) * 2014-04-14 2017-02-15 电子科技大学 一种基于人体全局特征直方图熵的动作检测方法
CN104217213A (zh) * 2014-08-20 2014-12-17 哈尔滨工程大学 一种基于对称性理论的医学图像多阶段分类方法
CN104217213B (zh) * 2014-08-20 2018-04-27 哈尔滨工程大学 一种基于对称性理论的医学图像多阶段分类方法
CN104966099A (zh) * 2015-06-15 2015-10-07 北京航空航天大学 一种基于人脚图像的脚型分类方法
CN104966099B (zh) * 2015-06-15 2018-03-20 北京航空航天大学 一种基于人脚图像的脚型分类方法
CN106157296A (zh) * 2016-05-10 2016-11-23 阜阳师范学院 一种唐卡图像破损区域的分割方法
CN106157296B (zh) * 2016-05-10 2019-01-29 阜阳师范学院 一种唐卡图像破损区域的分割方法
CN106997471A (zh) * 2017-04-05 2017-08-01 西北民族大学 一种唐卡图像类型的确定方法及系统
CN108694412A (zh) * 2018-05-11 2018-10-23 青海千寻信息科技有限公司 一种手绘唐卡和印刷唐卡的鉴别方法
CN108694412B (zh) * 2018-05-11 2021-11-12 青海千寻信息科技有限公司 一种手绘唐卡和印刷唐卡的鉴别方法

Also Published As

Publication number Publication date
CN102509109B (zh) 2014-05-28

Similar Documents

Publication Publication Date Title
CN102509109B (zh) 一种唐卡图像与非唐卡图像的区分方法
CN102663382B (zh) 基于子网格特征自适应加权的视频图像文字识别方法
CN108121991B (zh) 一种基于边缘候选区域提取的深度学习舰船目标检测方法
CN111275688A (zh) 基于注意力机制的上下文特征融合筛选的小目标检测方法
CN105205488B (zh) 基于Harris角点和笔画宽度的文字区域检测方法
CN104408449B (zh) 智能移动终端场景文字处理方法
CN103226387A (zh) 基于Kinect的视频人手指尖定位方法
CN105574063A (zh) 基于视觉显著性的图像检索方法
CN105513066B (zh) 一种基于种子点选取与超像素融合的通用物体检测方法
CN102799859A (zh) 一种交通标志识别方法
CN105447492B (zh) 一种基于二维局部二值模式的图像描述方法
CN104598907B (zh) 一种基于笔画宽度图的图像中文字数据提取方法
CN103440035A (zh) 一种三维空间中的手势识别系统及其识别方法
CN104680193B (zh) 基于快速相似性网络融合算法的在线目标分类方法与系统
CN106503170B (zh) 一种基于遮挡维度的图像库构建方法
CN103295009A (zh) 基于笔画分解的车牌字符识别方法
CN101976114A (zh) 一种基于摄像头的计算机与纸笔信息交互系统及方法
CN105138975B (zh) 一种基于深度信念网络的人体肤色区域分割方法
CN105068918B (zh) 一种页面测试方法及装置
CN103870834A (zh) 基于分层分割的滑动窗搜索方法
CN103714122A (zh) 一种基于局部分块二进制编码特征的图像检索方法
CN105046199A (zh) 基于像素分类器和椭圆拟合的指尖点提取方法
CN104182728A (zh) 一种基于模式识别的车标自动定位与识别方法
CN105868683A (zh) 台标识别方法及装置
CN102831166A (zh) 一种基于色彩特征检测的刑侦视频预处理方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant