CN102663431A - 一种基于区域加权的图像匹配计算方法 - Google Patents

Abstract

本发明提出了一种基于区域加权的图像匹配计算方法。通过提前训练，获得图像各个子区域的判别权重，然后统计每个子块内的LBP纹理直方图和颜色直方图，通过直方图与权重的相乘累加得到最终的加权相似度。具体方法的实现如下：第一步：对同一类图像通过背景差分，找出同一类图像的不相似区域；第二步：对于不同类的图像，通过图像子块间的距离按阈值将图像区域分为类间相似区域，类间不相似区域和中间区域；第三步，计算图像子块的权重；第四步：根据所求的区域权重，对区域内的纹理直方图和颜色直方图进行加权累加，并计算总体图像的相似度。

Description

一种基于区域加权的图像匹配计算方法

技术领域

本发明涉及一种模式识别特征提取方法，属于模式识别技术领域。

背景技术

图像匹配技术在很多领域都有广泛的应用，如图像检索，钓鱼网站识别等。传统的图像匹配技术在匹配类似网页图片时有许多的局限性，主要是网页图像通常在结构和纹理上具有某些相似性。在使用传统的低层次的特征，如纹理和颜色进行匹配时，人眼感觉不相似的两幅图像很容易被计算机识别为相似度较高的图像，而同一网页图像有时由于受到页面flash的影响却容易被判定为不相似的图像。而高层次的语义特征在现有的技术上还不容易获得，所以通过高层次的特征也不能很好的解决问题。通过观察网页这一类图像的特点我们可以发现，在人的思维模式特别关注的区域，如网页的logo，页面顶部布局等，往往这些区域也具有很强的判别性，即同一网站的往往很相似，不同网站的往往差别很大。

发明内容

本发明的目的是为了解决现有的图像匹配技术中存在的局限性问题，提出了一种基于区域加权的图像匹配计算方法。通过提前训练，获得图像各个子区域的判别权重，然后统计每个子块内的LBP纹理直方图和颜色直方图，通过直方图与权重的相乘累加得到最终的加权相似度。具体方法的实现如下：

第一步：对同一类图像根据关键点做对齐处理，消除平移旋转等影响，然后做背景差分，找出同一类图像的不相似区域，如上述的网页flash区域。根据不相似区域的相似度(可用直方图相交的方法计算)来确定区域权重。

第二步：对于不同类的图像，计算各幅图像对应子区域的之间的距离(如欧式距离)，通过累加获得不同类图像各个子块之间的平均距离，通过svm分类器训练获得距离的阈值，将图像区域分为类间相似区域，类间不相似区域和中间区域。

第三步：对于中间区域，权重为1，对于类间相似区域，类间不相似区域权重为其对应的平均距离的倒数。

第四步：根据所求的区域权重，对区域内的纹理直方图LBP和颜色直方图进行加权累加，再计算颜色相似度和纹理直方图LBP相似度，最后把颜色相似度和LBP相似度按一定比重累加计算出整体的区域加权相似度。

附图说明

图1为本发明的流程图；

图2为网页页面图像；

图3为与图2的网页属于同一类页面；

图4为与图2、图3属于不同类的页面图像。

具体实施方式

实施例

如下附图2，附图3两幅图像所示，属于同一网页页面，由于页面有较大部分为flash，造成两幅相似度下降，但是人的主观感受是这两幅图像仍然来自同一页面，即应属同类，为了是计算机计算的结果符合人的主观感受，需要去除flash的影响。

具体计算过程如下：

第一步，对同一类图像作对齐处理，采取的策略主要是根据图像中的特殊点进行操作，一般类似网页的图像在顶端都有一些直线，根据这个特性我们可以采用hough变换来定位特定直线。，对齐之后差分找出flash区域。

第二步，找出类间不相似区域。对于银行这一类的网页，其结构很大程度上很相似，如附图4所示，他与前面两图属于不同的银行，但在网页结构上具有一定的相似性，为了达到很好的区分效果，要找出每一类图像的特殊区域，降低如文本区这些共同结构的权重。我们需要一些训练样本，同类的图像如附图2，附图3所示，不同类的图像如图4所示。将所有图像分成块数相同的子块，统计每一块里面的灰度直方图，然后计算不同类间所有图像相应子块直方图间的距离，利用k-means对距离进行聚类，首先，随机选取三组图像子块直方图距离作为聚类的初始中心，然后将其他图像子块组的直方图距离按欧式距离聚类到这三个聚类中心上，然后根据聚类结果计算新的聚类中心，反复以上步骤，直到聚类中心前后两次的偏移量小于给定阈值.。

第三步，确定区域权重。根据第二步聚类的结果，对类间相似块降低其权重，对于类间距离大，即类间不相似的，提高其权重，即可以采用块间距离作为权重，即可采用块内特征的欧式距离均值作为权重。

$\mathrm{Weight}\left(i\right)=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{dist}(\mathrm{feature}\left(i\right),{\mathrm{featurel}}_j\left(i\right))$

其中，i为图像中第i个子块，feature(i)为原图像第i个子块的特征向量，feature1j₍i)对应第j幅反例图像第i个子块的特征向量。n为反例图像的数目。Weight(i)为第i个子块对应的权重。

第四步，相似度计算。当有新的图像和附图2，附图3所在类(假设为A类)的图像匹配时，先将图像按照之前的分块方法分块，该图像和A类图像都计算子块内的LBP直方图和颜色直方图，利用之前计算的A类图像各个区域的权重，然后分别计算LBP和颜色的加权累计直方图，再计算颜色相似度和LBP相似度，最后把颜色相似度和LBP相似度按一定比重累加计算出整体的区域加权相似度。

Sim＝p*sim(LBP)+(1-p)sim(color)

其中，p为LBP特征在最终相似度计算所占的权重，sim(LBP)，sim(color)分别为LBP特征相似度和颜色特征相似度，Sim为总的相似度。

Claims (2)

1.一种基于区域加权的图像匹配计算方法，其特征在于如下步骤：

第一步：准备训练样本，即为图像准备相似图像作为正例，不相似图像作为反例，对于选取的同一类图像根据关键点做对齐处理，消除平移旋转影响，然后做背景差分，找出同一类图像的不相似区域；对于对齐，找到合适的参考是关键，根据网页这一类图像的特点采用hough变换定位图像顶端的直线，将该直线作为两幅图像对齐的参考进行相应的平移操作实现对齐；

第二步：对于第一步选取的反例图像，计算各幅图像对应子区域的之间的距离，通过累加获得不同类图像各个子块之间的平均距离，通过svm分类器训练或K-means方法获得距离的阈值，将图像区域分为类间相似区域，类间不相似区域和中间区域；具体的聚类操作为：将不同图像对应子块的直方图向量的欧式距离作为要聚类的数据，首先从所有数据中随机选取3个作为聚类初始中心，然后将其他的数据按欧氏距离最近的原则划分到这三个点上所对应的类别上，根据聚类结果重新计算聚类中心，即计算每个类别所含数据的平均值；利用新获得的中心重新聚类，直到聚类中心的变化小于预定值；

第三步：对于中间区域，权重为1，对于类间相似区域，类间不相似区域权重为其对应的子块特征间的欧式距离均值；

第四步：根据所求的区域权重，对区域内的纹理直方图LBP和颜色直方图进行加权累加，再计算颜色相似度和纹理直方图LBP相似度，最后把颜色相似度和LBP相似度按一定比重累加计算出整体的区域加权相似度。

2.根据权利要求1所述的方法，其特征在于：步骤四中，将颜色相似度和LBP相似度按一定比重累加计算出整体的区域加权相似度的公式为：

Sim＝p*sim(LBP)+(1-p)sim(color)

其中，p为LBP特征在最终相似度计算所占的权重，sim(LBP)，sim(color)分别为LBP特征相似度和颜色特征相似度，Sim为整体的区域加权相似度。

Images