CN102663754B - 一种基于区域高斯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高斯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：对同一类归一化之后的图像通过背景差分，找出同一类图像的不相似区域；第二步：对于不同类的归一化之后的图像，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，基于高斯函数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

一种基于区域高斯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，一种基于区域高斯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：准备训练样本，对于每一个样本图像都要进行样本的归一化，该归一化的过程即相当于把图像当作一个向量来计算它的模值，整幅图像所有像素作为向量的元素，然后，每个象素点的灰度值除以该模值，从而得到归一化以后的图像，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，对齐采取的策略是根据图像中的特殊点进行操作，网页的图像在顶端都有一些特定直线，采用hough变换来定位特定直线，利用这些直线作为参考进行对齐处理，然后做背景差分，找出同一类图像的不相似区域；

第二步：对于第一步选取的反例图像，首先进行归一化，然后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，首先，随机选取三个图像子块的特征作为聚类的初始中心，然后将其他图像子块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；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子块特征的高斯函数值；

$\mathrm{Weight}\left(i\right)=G(x\left(i\right),y\left(i\right))=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}\exp (-\frac{{(x\left(i\right)-y\left(j\right))}^2}{2{\mathrm{\σ}}^2})$

这里x(i)，y(i)是两幅图像中对应的子块的特征向量，分别代表类间不相似的区域，σ＝2π；Weight(i)为第i个子块对应的权重；

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；

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。

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，对归一化之后的同一类图像作对齐处理，差分找出flash区域。根据图像结构我们先做边缘检测，然后利用hough变换找到图像中最上面的直线，将两幅图像对齐，消除截图造成的偏差，最后两幅图像做差分便可以很容易的求出flash的位置。

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欧式距离，利用SVM对距离进行分类。

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，即可以采用高斯函数值作为权重。

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类图像都计算子块类的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，分别计算颜色相似度和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。

Claims (1)

1.一种基于区域高斯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，对于每一个样本图像都要进行样本的归一化，该归一化的过程即相当于把图像当作一个向量来计算它的模值，整幅图像所有像素作为向量的元素，然后，每个像素点的灰度值除以该模值，从而得到归一化以后的图像，即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，对齐采取的策略具体为：根据图像结构先做边缘检测，然后利用hough变换找到图像中最上面的直线，将两幅图像对齐，消除截图造成的偏差；

第二步：对于第一步选取的反例图像，首先进行归一化，然后计算各幅图像对应子块之间的欧式距离，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分类器训练或K-means方法获得距离的阈值，首先，随机选取三个图像子块的特征作为聚类的初始中心，然后将其他图像子块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；将图像子块分为类间相似区域，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，对于类间不相似区域，权重为其对应的子块特征的高斯函数值：

$\mathrm{Weight}\left(i\right)=G(x\left(i\right),y\left(i\right))=\frac{1}{2{\mathrm{\π\σ}}^2}\exp (-\frac{{(x\left(i\right)-y\left(j\right))}^2}{{2\mathrm{\σ}}^2})$

这里x(i),y(i)是两幅图像中对应的子块的特征向量，分别代表类间不相似的区域，σ＝2π；Weight(i)为第i个子块对应的权重；

第四步：根据所求的区域权重，对区域内的LBP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：

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是总体图像的相似度；

假设同类图像为A类，当有新的图像和A类匹配时，先将新的图像分成块数相同的子块，该新的图像和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，分别计算LBP特征相似度和颜色特征相似度，最后把LBP特征相似度和颜色特征相似度按权重p累加计算出总体图像的相似度。