CN102622420B - 基于颜色特征和形状上下文的商标图像检索方法 - Google Patents

Abstract

本发明提供的是一种基于颜色特征和形状上下文的商标图像检索方法。检索方法的步骤是：从构建基于内容图像检索CBIR的商标图像检索系统中获取待检测的商标图像；然后进行RGB彩色商标图像的预处理，包括商标图像的灰度化、归一化和滤波处理；对经过预处理的商标图像进行颜色特征的量化后提取出颜色直方图；进行商标图像形状特征的提取；动态调整商标图像相似度中颜色特征和形状特征的权值系数；综合颜色和形状特征进行商标检索，最终得到符合需要的商标检索图像。本发明相比于单一特征的检索具有更好的效果，系统的检索性能令人满意。同时相关反馈技术的引入也大大提高了检索的成功率，图像检索效果更好，准确性更高。

Description

基于颜色特征和形状上下文的商标图像检索方法

技术领域

本发明涉及一种商标图像检索技术，具体地说是一种基于颜色特征和形状上下文的商标图像检索方法

背景技术

商标是商品的生产者、经营者在其生产、制造、加工、拣选或者经销的商品上或者服务的提供者在其提供的服务上采用的，用于区别商品或者服务来源的，由文字、图形、字母、数字、三维标志、颜色，或者上述要素的任意组合构成的具有显著特征的标志。

随着我国经济的发展和全球化进程的加快，商标数量逐年递增。防止重复注册或相似商标注册是商标管理的核心问题。为了保护注册商标的合法权益，打击仿冒盗用注册商标的违法行为，需要对待注册的商标进行审查，与已注册的商标进行比较，确定二者不相同或者不近似，才具有注册资格。商标之间相似程度主要以人眼的视觉判断为基准，但数据库内注册商标的数量十分庞大，判别工作若全部由人工完成，不仅复杂而且效率低下。因此，建立商标图像的自动检索系统就变得极为必要。先由计算机检索出若干与待注册商标相似的图像，再人工决定是否予以注册，这样一来商标管理工作的效率将大为提高。基于以上原因，对商标图像检索系统的研究具有非常重要的现实意义。

针对商标图像的特点，对商标图像的检索主要是利用其形状信息和颜色信息进行。国内外许多学者都对商标图像的检索方法进行了较深入的研究。采用特征法描述形状信息是当前研究的重点，可分为两类：基于边界和基于区域的特征提取方法。商标图像计算机检索系统虽然发展迅速，但仍存在许多问题亟待解决。首先，商标图像数量巨大，内容繁复，在保证准确率的前提下必须兼顾检索效率；其次，不同系统检索时提取的特征各异，会对检索正确率造成影响；最后，现有系统的可靠性未满足理想要求，机器检索完成后，还需要人工筛选一次才能最终完成注册审查。总之，目前的商标图像检索研究基本上还停留于实验阶段。现有的检索方法，在缩放及旋转不变性、对于几何形变的检索能力、检索精度以及图像与人的视觉感受相一致等方面还存在不足，需要继续研究更有效的检索方式，综合多种算法满足检索需求。

随着计算机处理图像能力的提高及对检索算法的不断深入研究，使得利用计算机辅助商标管理变得十分必要。按照检索机理不同，现有的商标检索方法可划分为三种：类目检索、文本检索和基于内容的检索。类目检索、文本检索、内容检索的视觉相似程度依次递增，内容检索最高。因为偏重于图像本身的可视特征，内容检索更符合人对图像的直观感受，不过碍于技术难度，在具体实现中检索优先级正好相反。基于内容的商标检索出现较晚，系统尚未成熟，因而当前有待进一步研究更为直观、直接的检索方式来实现视觉相似度与检索方法的和谐一致。

发明内容

本发明的目的在于提供一种能够使图像检索效果更好、提高检索成功率的基于颜色特征和形状上下文的商标图像检索方法。

本发明的目的是这样实现的：

从构建基于内容图像检索CBIR的商标图像检索系统中获取待检测的商标图像；然后进行RGB彩色商标图像的预处理，包括商标图像的灰度化、归一化和滤波处理；对经过预处理的商标图像进行颜色特征的量化后提取出颜色直方图；进行商标图像形状特征的提取；动态调整商标图像相似度中颜色特征和形状特征的权值系数；综合颜色和形状特征进行商标检索，最终得到符合需要的商标检索图像。

所述颜色直方图是

$H\left(k\right)=\frac{n_k}{N},$ k＝0，1，·L-1

其中，k代表图像的颜色特征值，L为特征的数量，n_k为图像中颜色特征为k的像素的数目，N为图像的像素总数，H(k)为提取出来的颜色直方图；

对颜色直方图进行归一化处理：

$H_n\left(k\right)=\frac{H\left(k\right)}{\underset{i}{\mathrm{\Σ}}H\left(k\right)}$

H_n(k)为归一化处理后的输出，i为直方图的序号，对于彩色图像的H，S，V三个分量分别统计得到直方图；

所述的进行颜色特征的量化后提取出颜色直方图的主要步骤是：

(1)按照人眼视觉感知能力，把色调H分成8份，饱和度S分成3份，亮度V分成2份；

(2)根据颜色的不同范围和主观颜色感知进行量化：

$H=\left\{\begin{array}{cc}0,& H\∈[0^{\·},{45}^{\·}]\\ 1,& H\∈[{45}^{\·},{90}^{\·}]\\ 2,& H\∈[{90}^{\·},{135}^{\·}]\\ 3,& H\∈[{135}^{\·},{180}^{\·}]\\ 4,& H\∈[{180}^{\·}.{225}^{\·}]\\ 5,& H\∈[{225}^{\·}.{270}^{\·}]\\ 6,& H\∈[{270}^{\·},{315}^{\·}]\\ 7,& H\∈[{315}^{\·},{360}^{\·}]\end{array}\right.,$ $S=\left\{\begin{array}{cc}0,& S\∈\left[\mathrm{0,0.33}\right]\\ 1,& S\∈\left[\mathrm{0.33,0.66}\right]\\ 2,& S\∈\left[\mathrm{0.66,1}\right]\end{array}\right.,$ $V=\left\{\begin{array}{cc}0,& V\∈\left[\mathrm{0,0.5}\right]\\ 1,& V\∈\left[\mathrm{0.5,1}\right]\end{array}\right.;$

(3)量化完成后，HSV颜色空间被划分成L_H×L_S×L_V个区间，其中L_H、L_S、L_V分别为H、S、V的量化级数，把量化后的3个颜色分量合成一维颜色特征向量：

G＝H·L_H+S·L_S+V·L_V

G为合成的一维颜色特征向量，根据量化的数目L_H＝8，L_S＝3，L_V＝2，得出：

G＝8H+3S+2V

H，S，V三个分量在一维矢量上分布开来，G的取值范围为[0，1，·47]，计算G可以得到48个bin的一维直方图，其中bin代表有不同灰度水平。

所述的进行商标图像形状特征的提取的主要步骤是：

(1)首先使用Roberts算子进行边缘检测：

G[f[i，j]]＝|f[i，j]-f[i+1，j+1]|+|f[i+1，j]-f[i，j+1]|

上式的卷积形式如下：

G[f[i，j]]＝|G_x|+|G_y|

$G_x=\left[\begin{array}{cc}1& 0\\ 0& -1\end{array}\right],$ $G_y=\left[\begin{array}{cc}0& 1\\ -1& 0\end{array}\right]$

其中，f[i，j]为像素的灰度值，i，j为像素的横、纵坐标，G_x为算子在x方向上的取值，G_y为算子在y方向上的取值；

(2)接着采用开源计算机视觉库OpenCV中的cvFindContours函数从二值图像中检索轮廓。

所述的动态调整商标图像相似度中颜色特征和形状特征的权值系数具体算法是：

(1)预设形状特征的权重值α的初始值为0.5，即颜色特征和形状特征对全局相似度的贡献相同，进行一次检索；用户挑选检索结果中符合要求的n个商标，分别计算查询图像与每个检索结果之间的形状相似度S₁与颜色相似度S₂，并对其进行归一化处理；

(2)计算所有形状相似度S₁、颜色相似度S₂的均值得到

比较两个均值的大小；如果

较大，说明形状特征更能反映用户检索意图；

(3)对特征相似度重新赋予权值，则：

$\mathrm{\α}={\stackrel{\‾}{S}}_1/({\stackrel{\‾}{S}}_1+{\stackrel{\‾}{S}}_2)$

(4)根据新的形状特征的权重值α再次检索，由用户确认结果，若仍未达到其要求则回到算法步骤(1)，否则结束检索过程。

所述的综合颜色和形状特征进行检索，采用高斯模型对图像间的相似度进行归一化处理，主要步骤如下：

令子特征i的距离度量为D_i，相应的距离均值和标准差分别是m_i和σ_i，在高斯模型的假设下，归一化距离度量为：

$D_i^{\′}(p_j,q_j)=\frac{1}{2}(\frac{D_i(p_j,q_j)-m_i}{3{\mathrm{\σ}}_i}+1)$

其中，D′_i为归一化距离度量，i为子特征的序号，P_j、q_j是对应于子特征i的任意两幅图像的特征向量，上式不仅能确保D′_i的取值有99％的可能落入[0，1]区间，并且可同其它归一化距离度量进行线性组合；

完成归一化之后，图像p和图像q之间的全局相似度通过以下公式求得：

$S=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{W}_i{D}_i^{\′}(p_j,q_j)\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{W}_i=1$

其中，S表示全局相似度，W_i∈[0，1]为子特征的权重，可用来控制图像的不同子特征在检索中的重要程度，W_i可通过实验确定，也可由用户预先指定；

令形状特征的相似度为S₁，颜色特征的相似度为S₂，S＝αS₁+ββS₂，其中，α为形状特征的权重值，β为颜色特征的权重值，α+β＝1；

则全局相似度定义如下：

S＝αS₁+(1-α)S₂。

所述的图像的灰度化，利用浮点算法将RGB彩色商标图像转化为灰度图像，转换公式如下：

Gray＝0.3×R+0.59×G+0.11×B

其中：R为红色、G为绿色、B为蓝色，求得灰度值Gray后，将原图RGB中的R、G、B统一用Gray替换，形成新的颜色RGB(Gray，Gray，Gray)，替换原彩色图得到灰度图像；

所述图像的归一化，根据网络搜索建立的商标图像库，将商标图像的高度和宽度统一设为256个像素点。

本发明的优点在于：

颜色作为商标图像的重要信息在判断相似性中起到了不可忽视的作用。提取颜色直方图作为商标的颜色特征，提取便捷，计算简单，充分体现了图像的主色调。

形状上下文是用一组有限离散点集来表示图像的形状，利用形状上的一个取样点到剩余点的矢量集合来获取其余点的空间信息。将其运用到商标图像的检索中，具有良好的二维不变性和形状视觉一致性。

在分析形状和颜色特征提取算法的基础上，结合商标颜色和形状信息的特点，提出综合颜色特征和形状上下文的商标图像检索技术。采取了对不同特征进行归一化的方法，引入了相关反馈技术，设计开发了一个实验性的检索系统，对系统结构、各模块的功能、用户界面做出了说明。建立了一个小型商标图像数据库对系统进行性能测试，实验证明，综合多特征的方法克服单个特征检索成功率较低的不足之处，相比于单一特征的检索具有更好的效果，系统的检索性能令人满意。同时相关反馈技术的引入也大大提高了检索的成功率，图像检索效果更好，准确性更高。

本发明方法的实现是通过构建了一个用于算法实验的CBIR(Content Based ImageRetrieval，基于内容的图像检索)商标图像检索系统，以该系统为平台进行一系列针对性实验，系统实现的软硬件环境如下：

①硬件：处理器Intel(R)Pentium(R)Dual，CPU 1.60GHz；内存1GB；显卡256M；硬盘80G。

②软件：Windows XP操作系统；VC++6.0开发环境；开源计算机视觉库OpenCV。

采用适于小规模实验性检索系统的单机系统模式，即用户检索和数据存储在同一台计算机上进行。图像库和特征库的存储管理基于文件系统，设计简单，减轻设计复杂度。

对系统的检索效率行评价，实验数据库包含800幅网络搜索获得的彩色商标图像。采用目前应用最为广泛的评价准则B中的查准率和查全率对系统进行评价。

常用的还有评价准则A和C。

评价准则A：每一幅输入图像都检索出足够数量的匹配图像，对所有检索输出结果，统计相似图像在输出序列中的位置，并计算出相应的序(Rank)矢量。

评价准则B：根据检索输出的结果计算如下参数：

a——检索出的相似图像的个数；

b——未被检索出的相似图像的个数；

c——检索出的不相似图像的个数；

d——剩余图像个数(d＝N-a-b-c)，N为图像总数。

用参数a、b、c、d分别计算检索的正确匹配率(Recall)、匹配精度(Precision)和误匹配率(Fallout)，以此作为检索评价准则。计算公式如下：

$\mathrm{recall}=\frac{a}{a+b}$

$\mathrm{precision}=\frac{a}{a+c}$

$\mathrm{fallout}=\frac{c}{c+d}$

评价准则C：假定具有M幅图像的数据库中，每一图像i在库中有N_i(1≤i≤M)幅相似图像。对每一输入图像i进行检索操作，输出(N_i+T)幅匹配图像，T是预设的冗余量。如果在(N_i+T)幅匹配图像中有n_i幅是相似图像，则总体的检索效率为：

$n_R=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{n}_i}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{N}_i}$

附图说明

图1为商标图像检索方法流程图。

具体实施方式

结合图1。基于颜色特征和形状上下文的商标图像检索方法包括以下步骤：

基于颜色特征和形状上下文的商标图像检索技术，其特征是：

(1)商标图像的预处理，包括：

①图像的灰度化，常用方法有分量法、最大值法和加权平均法等。本发明所采用的是从人体生理学角度所提出的一种权值，利用浮点算法可将RGB(R：红色，G：绿色，B：蓝色)彩色商标图像转化为灰度图像，转换公式如下：

Gray＝0.3×R+0.59×G+0.11×B

求得Gray(灰度值)后，将原图RGB中的R、G、B统一用Gray替换，形成新的颜色RGB(Gray，Gray，Gray)，替换原彩色图得到灰度图像。

②图像归一化，常用的归一化方法是基于矩的图像归一化。本发明是根据网络搜索建立的商标数据库中包含了各种格式和尺寸的图像，为了方便进行特征比较，必须对其进行归一化处理。格式转换可以采用工具软件提前处理；尺度归一化是将图像缩放为一个统一尺寸，本发明统一将商标图像的高度和宽度设为256个像素点。

③图像的滤波处理，采用中值滤波(是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值)方法对图像进行处理，使图像清晰，具有良好的视觉效果。

(2)颜色特征的量化和提取，常用的量化方法有非间隔量化法和阶层聚类法，本发明对HSV(一种色彩模型，H为色调，S为饱和度，V为亮度)颜色空间进行48维非间隔量化，具体步骤如下：

①按照人眼视觉感知能力，把色调H分成8份，饱和度S分成3份，亮度V分成2份。

②根据颜色的不同范围和主观颜色感知进行量化：

$H=\left\{\begin{array}{cc}0,& H\∈[0^{\·},{45}^{\·}]\\ 1,& H\∈[{45}^{\·},{90}^{\·}]\\ 2,& H\∈[{90}^{\·},{135}^{\·}]\\ 3,& H\∈[{135}^{\·},{180}^{\·}]\\ 4,& H\∈[{180}^{\·}.{225}^{\·}]\\ 5,& H\∈[{225}^{\·}.{270}^{\·}]\\ 6,& H\∈[{270}^{\·},{315}^{\·}]\\ 7,& H\∈[{315}^{\·},{360}^{\·}]\end{array}\right.,$ $S=\left\{\begin{array}{cc}0,& S\∈\left[\mathrm{0,0.33}\right]\\ 1,& S\∈\left[\mathrm{0.33,0.66}\right]\\ 2,& S\∈\left[\mathrm{0.66,1}\right]\end{array}\right.,$ $V=\left\{\begin{array}{cc}0,& V\∈\left[\mathrm{0,0.5}\right]\\ 1,& V\∈\left[\mathrm{0.5,1}\right]\end{array}\right.$

③量化完成后，HSV颜色空间被划分成L_H×L_S×L_V个区间，其中L_H、L_S、L_V分别为H、S、V的量化级数。把量化后的3个颜色分量合成一维颜色特征向量：

G＝H·L_H+S·L_S+V·L_V

G为合成的一维颜色特征向量。根据量化的数目，L_H＝8，L_S＝3，L_V＝2，因此：

G＝8H+3S+2V

这样，H，S，V三个分量在一维矢量上分布开来。G的取值范围为[0，1，·47]，计算G可以得到48个bin(bin代表有不同灰度水平，48个bin表示有48个不同灰度水平)的一维直方图。

(3)提取颜色直方图。图像颜色特征的统计直方图，简称颜色直方图，其定义如下：

$H\left(k\right)=\frac{n_k}{N},$ k＝0，1，·L-1

其中，k代表图像的颜色特征值，L为特征的数量，n_k为图像中颜色特征为k的像素的数目，N为图像的像素总数，H(k)为提取出来的颜色直方图。为使直方图具有缩放不变性，对其进行归一化处理：

$H_n\left(k\right)=\frac{H\left(k\right)}{\underset{i}{\mathrm{\Σ}}H\left(k\right)}$

H_n(k)为归一化处理后的输出，i为直方图的序号。对于彩色图像，可以对其三个分量分别统计得到直方图。

(4)形状特征的提取，常用的方法是边缘检测算法。本发明利用形状上下文(ShapeContext)的目标描述能力提取商标的形状特征。首先使用Roberts算子(一种边缘检测算子)进行边缘检测，公式如下：

G[f[i，j]]＝|f[i，j]-f[i+1，j]|+|f[i+1，j]-f[i，j+1]|

上式的卷积形式如下：

G[f[i，j]]＝|G_x|+|G_y|

$G_x=\left[\begin{array}{cc}1& 0\\ 0& -1\end{array}\right],$ $G_y=\left[\begin{array}{cc}0& 1\\ -1& 0\end{array}\right]$

其中，f[i，j]为像素的灰度值，i，j为像素的横、纵坐标，G_x为算子在x方向上的取值，G_y为算子在y方向上的取值。

接着采用OpenCV(开源计算机视觉库)中的cvFindContours函数从二值图像中检索轮廓，并返回检测到的轮廓的个数。具体参数设置如下：

mode(提取模式)：设为CV_RETR_CCOMP，即提取所有轮廓并将其组织为两层的分层结构，顶层为连通域的外围边界，次层为洞的内层边界。

method(逼近方法)：设为CV_CHAIN_APPROX_SIMPLE，即压缩水平、垂直和对角分割，函数只保留末端的象素点，以达到非均匀采样的目的，按照曲率不同，轮廓边界为直线时采样间距较大，为曲线时则间隔较小。

经过函数cvFindContours提取轮廓的效果最终可满足以下标准：轮廓采样点的数量尽可能的少；对形状匹配影响较大的特征点得以保留。

(5)综合颜色和形状特征进行检索，进行特征向量归一化，本发明采用高斯模型对图像间的相似度进行归一化处理，常用方法还有线性函数转换和对数函数转换等方法。本发明主要步骤如下：令子特征i的距离度量为D_i，相应的距离均值和标准差分别是m_i和σ_i，在高斯模型的假设下，归一化距离度量为：

$D_i^{\′}(p_j,q_j)=\frac{1}{2}(\frac{D_i(p_j,q_j)-m_i}{3{\mathrm{\σ}}_i}+1)$

其中，D′_i为归一化距离度量，i为子特征的序号，p_j、q_j是对应于子特征i的任意两幅图像的特征向量。上式不仅能确保D′_i的取值有99％的可能落入[0，1]区间，并且可同其它归一化距离度量进行线性组合。

完成归一化之后，图像p和图像q之间的全局相似度可通过以下公式求得：

$S=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{W}_i{D}_i^{\′}(p_j,q_j)\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{W}_i=1$

其中，S表示全局相似度，W_i∈[0，1]为子特征的权重，可用来控制图像的不同子特征在检索中的重要程度。W_i可通过实验确定，也可由用户预先指定。

令形状特征的相似度为S₁，颜色特征的相似度为S₂，S＝αS₁+βS₂。其中，α为形状特征的权重值，β为颜色特征的权重值，α+β＝1。则全局相似度定义如下：

S＝αS₁+(1-α)S₂

(6)引入了相关反馈技术，动态调整两幅图像相似度中颜色特征和形状特征的权值系数，具体算法如下：

①预设形状特征的权重值α的初始值为0.5，即颜色特征和形状特征对全局相似度的贡献相同，进行一次检索。用户挑选检索结果中符合要求的n个商标，分别计算查询图像与每个检索结果之间的形状相似度S₁与颜色相似度S₂，并对其进行归一化处理。

②计算所有形状相似度S₁、颜色相似度S₂的均值得到

比较两个均值的大小。如果

较大，说明形状特征更能反映用户检索意图。

③对特征相似度重新赋予权值，则：

$\mathrm{\α}={\stackrel{\‾}{S}}_1/({\stackrel{\‾}{S}}_1+{\stackrel{\‾}{S}}_2)$

④根据新的形状特征的权重值α再次检索，由用户确认结果，若仍未达到其要求则回到步骤①，否则结束检索过程。

本发明的具体实现步骤为：

1.从构建基于内容图像检索CBIR的商标图像检索系统中获取待检测的商标图像。

2.然后进行RGB彩色商标图像的预处理，包括商标图像的灰度化、归一化和滤波处理。

利用浮点算法将RGB彩色商标图像转化为灰度图像，转换公式如下：

Gray＝0.3×R+0.59×G+0.11×B

其中：R为红色、G为绿色、B为蓝色，求得灰度值Gray后，将原图RGB中的R、G、B统一用Gray替换，形成新的颜色RGB(Gray，Gray，Gray)，替换原彩色图得到灰度图像。

图像的归一化，根据网络搜索建立的商标图像库，将商标图像的高度和宽度统一设为256个像素点。

3.对经过预处理的商标图像进行颜色特征的量化后提取出颜色直方图。主要步骤是：(1)按照人眼视觉感知能力，把色调H分成8份，饱和度S分成3份，亮度V分成2份；

(2)根据颜色的不同范围和主观颜色感知进行量化：

$H=\left\{\begin{array}{cc}0,& H\∈[0^{\·},{45}^{\·}]\\ 1,& H\∈[{45}^{\·},{90}^{\·}]\\ 2,& H\∈[{90}^{\·},{135}^{\·}]\\ 3,& H\∈[{135}^{\·},{180}^{\·}]\\ 4,& H\∈[{180}^{\·}.{225}^{\·}]\\ 5,& H\∈[{225}^{\·}.{270}^{\·}]\\ 6,& H\∈[{270}^{\·},{315}^{\·}]\\ 7,& H\∈[{315}^{\·},{360}^{\·}]\end{array}\right.,$ $S=\left\{\begin{array}{cc}0,& S\∈\left[\mathrm{0,0.33}\right]\\ 1,& S\∈\left[\mathrm{0.33,0.66}\right]\\ 2,& S\∈\left[\mathrm{0.66,1}\right]\end{array}\right.,$ $V=\left\{\begin{array}{cc}0,& V\∈\left[\mathrm{0,0.5}\right]\\ 1,& V\∈\left[\mathrm{0.5,1}\right]\end{array}\right.;$

(3)量化完成后，HSV颜色空间被划分成L_H×L_S×L_V个区间，其中L_H、L_S、L_V分别为H、S、V的量化级数，把量化后的3个颜色分量合成一维颜色特征向量：

G＝H·L_H+S·L_S+V·L_V

G为合成的一维颜色特征向量，根据量化的数目L_H＝8，L_S＝3，L_V＝2，得出：

G＝8H+3S+2V

H，S，V三个分量在一维矢量上分布开来，G的取值范围为[0，1，·47]，计算G可以得到48个bin的一维直方图，其中bin代表有不同灰度水平。

(4)颜色直方图定义如下：

$H\left(k\right)=\frac{n_k}{N},$ k＝0，1，·L-1

其中，k代表图像的颜色特征值，L为特征的数量，n_k为图像中颜色特征为k的像素的数目，N为图像的像素总数，H(k)为提取出来的颜色直方图；

对颜色直方图进行归一化处理：

$H_n\left(k\right)=\frac{H\left(k\right)}{\underset{i}{\mathrm{\Σ}}H\left(k\right)}$

H_n(k)为归一化处理后的输出，i为直方图的序号，对于彩色图像的H，S，V三个分量分别统计得到直方图。

4.进行商标图像形状特征的提取。主要步骤是：

(1)首先使用Roberts算子进行边缘检测：

G[f[i，j]]＝|f[i，j]-f[i+1，j+1]|+|f[i+1，j]-f[i，j+1]|

上式的卷积形式如下：

G[f[i，j]]＝|G_x|+|G_y|

$G_x=\left[\begin{array}{cc}1& 0\\ 0& -1\end{array}\right],$ $G_y=\left[\begin{array}{cc}0& 1\\ -1& 0\end{array}\right]$

其中，f[i，j]为像素的灰度值，i，j为像素的横、纵坐标，G_x为算子在x方向上的取值，G_y为算子在y方向上的取值；

(2)接着采用开源计算机视觉库OpenCV中的cvFindContours函数从二值图像中检索轮廓，

5.动态调整商标图像相似度中颜色特征和形状特征的权值系数。具体算法是：

(1)预设形状特征的权重值α的初始值为0.5，即颜色特征和形状特征对全局相似度的贡献相同，进行一次检索。用户挑选检索结果中符合要求的n个商标，分别计算查询图像与每个检索结果之间的形状相似度S₁与颜色相似度S₂，并对其进行归一化处理。

(2)计算所有形状相似度S₁、颜色相似度S₂的均值得到

比较两个均值的大小。如果

较大，说明形状特征更能反映用户检索意图。

(3)对特征相似度重新赋予权值，则：

$\mathrm{\α}={\stackrel{\‾}{S}}_1/({\stackrel{\‾}{S}}_1+{\stackrel{\‾}{S}}_2)$

(4)根据新的形状特征的权重值α再次检索，由用户确认结果，若仍未达到其要求则回到算法步骤(1)，否则结束检索过程。

6.综合颜色和形状特征进行商标检索，最终得到符合需要的商标检索图像。

采用高斯模型对图像间的相似度进行归一化处理，主要步骤如下：

令子特征i的距离度量为D_i，相应的距离均值和标准差分别是m_i和σ_i，在高斯模型的假设下，归一化距离度量为：

$D_i^{\′}(p_j,q_j)=\frac{1}{2}(\frac{D_i(p_j,q_j)-m_i}{3{\mathrm{\σ}}_i}+1)$

其中，D′_i为归一化距离度量，i为子特征的序号，P_j、q_j是对应于子特征i的任意两幅图像的特征向量。上式不仅能确保D′_i的取值有99％的可能落入[0，1]区间，并且可同其它归一化距离度量进行线性组合。

完成归一化之后，图像p和图像q之间的全局相似度可通过以下公式求得：

$S=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{W}_i{D}_i^{\′}(p_j,q_j)\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{W}_i=1$

其中，S表示全局相似度，W_i∈[0，1]为子特征的权重，可用来控制图像的不同子特征在检索中的重要程度。W_i可通过实验确定，也可由用户预先指定。

令形状特征的相似度为S₁，颜色特征的相似度为S₂，S＝αS₁+βS₂。其中，α为形状特征的权重值，β为颜色特征的权重值，α+β＝1。则全局相似度定义如下：

S＝αS₁+(1-α)S₂

Claims (3)

1.一种基于颜色特征和形状上下文的商标图像检索方法，其特征是：从构建基于内容图像检索CBIR的商标图像检索系统中获取待检测的商标图像；然后进行RGB彩色商标图像的预处理，包括商标图像的灰度化、归一化和滤波处理；对经过预处理的商标图像进行颜色特征的量化后提取出颜色直方图；进行商标图像形状特征的提取；动态调整商标图像相似度中颜色特征和形状特征的权值系数；综合颜色和形状特征进行商标检索，最终得到符合需要的商标检索图像；所述颜色直方图是

$H\left(k\right)=\frac{n_k}{N},k=\mathrm{0,1},...L-1$

其中，k代表图像的颜色特征值，L为特征的数量，n_k为图像中颜色特征为k的像素的数目，N为图像的像素总数，H(k)为提取出来的颜色直方图；

对颜色直方图进行归一化处理：

$H_n\left(k\right)=\frac{H\left(k\right)}{\underset{i}{\mathrm{\Σ}}H\left(k\right)}$

H_n(k)为归一化处理后的输出，i为直方图的序号，对于彩色图像的H，S，V三个分量分别统计得到直方图；

所述的进行颜色特征的量化后提取出颜色直方图的主要步骤是：

（1）按照人眼视觉感知能力，把色调H分成8份，饱和度S分成3份，亮度V分成2份；

（2）根据颜色的不同范围和主观颜色感知进行量化：

$S=\left\{\begin{array}{cc}0,& S\∈\left[\mathrm{0,0.33}\right]\\ 1,& S\∈\left[\mathrm{0.33,0.66}\right]\\ 2,& S\∈\left[\mathrm{0.66,1}\right]\end{array}\right.,$ $V=\left\{\begin{array}{cc}0,& V\∈\left[\mathrm{0,0.5}\right]\\ 1,& V\∈\left[\mathrm{0.5,1}\right]\end{array}\right.;$

（3）量化完成后，HSV颜色空间被划分成L_H×L_S×L_V个区间，其中L_H、L_S、L_V分别为H、S、V的量化级数，把量化后的3个颜色分量合成一维颜色特征向量：

G=H·L_H+S·L_S+V·L_V

G为合成的一维颜色特征向量，根据量化的数目L_H=8，L_S=3，L_V=2，得出：

G=8H+3S+2V

H，S，V三个分量在一维矢量上分布开来，G的取值范围为[0，1，…47]，计算G可以得到48个bin的一维直方图，其中bin代表有不同灰度水平；

所述的进行商标图像形状特征的提取的主要步骤是：

（1）首先使用Roberts算子进行边缘检测：

G[f[i,j]]=|f[i,j]-f[i+1,j+1]|+|f[i+1,j]-f[i,j+1]|

上式的卷积形式如下：

G[f[i,j]]=|G_x|+|G_y|

$G_x=\left[\begin{array}{cc}1& 0\\ 0& -1\end{array}\right],$ $G_y=\left[\begin{array}{cc}0& 1\\ -1& 0\end{array}\right]$

其中，f[i,j]为像素的灰度值，i,j为像素的横、纵坐标，G_x为算子在x方向上的取值，G_y为算子在y方向上的取值；

（2）接着采用开源计算机视觉库OpenCV中的cvFindContours函数从二值图像中检索轮廓；

所述的动态调整商标图像相似度中颜色特征和形状特征的权值系数具体算法是：

（1）预设形状特征的权重值α的初始值为0.5，即颜色特征和形状特征对全局相似度的贡献相同，进行一次检索；用户挑选检索结果中符合要求的n个商标，分别计算查询图像与每个检索结果之间的形状特征的相似度S₁与颜色特征的相似度S₂，并对其进行归一化处理；

（2）计算所有形状特征的相似度S₁、颜色特征的相似度S₂的均值得到

比较两个均值的大小；如果较大，说明形状特征更能反映用户检索意图；

（3）对特征相似度重新赋予权值，则：

$\mathrm{\α}={\stackrel{\‾}{S}}_1/({\stackrel{\‾}{S}}_1+{\stackrel{\‾}{S}}_2)$

（4）根据新的形状特征的权重值α再次检索，由用户确认结果，若仍未达到其要求则回到算法步骤（1），否则结束检索过程。

2.根据权利要求1所述的基于颜色特征和形状上下文的商标图像检索方法，其特征是：

所述的综合颜色和形状特征进行检索，采用高斯模型对图像间的相似度进行归一化处理，主要步骤如下：

令子特征i的距离度量为D_i，相应的距离均值和标准差分别是m_i和σ_i，在高斯模型的假设下，归一化距离度量为：

$D_i^{\′}(p_j,q_j)=\frac{1}{2}(\frac{D_i(p_j,q_j)-m_i}{{3\mathrm{\σ}}_i}+1)$

其中，D′_i为归一化距离度量，i为子特征的序号，p_j、q_j是对应于子特征i的任意两幅图像的特征向量，上式不仅能确保D′_i的取值有99%的可能落入[0，1]区间，并且可同其它归一化距离度量进行线性组合；

完成归一化之后，图像p和图像q之间的全局相似度通过以下公式求得：

$S=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{W}_i{D}_i^{\′}(p_j,q_j)$ $\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{W}_i=1$

其中，S表示全局相似度，W_i∈[0,1]为子特征的权重，可用来控制图像的不同子特征在检索中的重要程度，W_i可通过实验确定，也可由用户预先指定；

令形状特征的相似度为S₁，颜色特征的相似度为S₂，S=γS₁+βS₂，其中，γ为形状特征的权重值，β为颜色特征的权重值，γ+β=1；

则全局相似度定义如下：

S=γS₁+(1-γ)S₂。

3.根据权利要求2所述的基于颜色特征和形状上下文的商标图像检索方法，其特征是：所述的图像的灰度化，利用浮点算法将RGB彩色商标图像转化为灰度图像，转换公式如下：

Gray=0.3×R+0.59×G+0.11×B

其中：R为红色、G为绿色、B为蓝色，求得灰度值Gray后，将原图RGB中的R、G、B统一用Gray替换，形成新的颜色RGB(Gray，Gray，Gray)，替换原彩色图得到灰度图像；

所述图像的归一化，根据网络搜索建立的商标图像库，将商标图像的高度和宽度统一设为256个像素点。

Images