CN103258325B - 一种基于椭圆显著区域协方差矩阵的图像特征检测方法 - Google Patents

Abstract

一种基于椭圆显著区域协方差矩阵的图像特征检测方法，它涉及基于椭圆显著区域协方差矩阵的图像特征检测方法，本发明是要解决现有基于显著性的协方差矩阵的特征检测方法的平均检测准确度不高且特征维数较大的问题。本发明包含如下步骤：采用基于注视点的显著性检测方法计算图像的人眼注视点显著图；采用显著区域检测方法计算图像的显著区域显著图；采用加权和融合方式融合人眼注视点显著图和显著区域显著图得到图像的融合显著图；使用显著阈值对融合显著图进行二值化得到不规则显著区域；采用图像矩方法对不规则的显著区域进行椭圆拟合得到椭圆显著区域；结合原始图像和椭圆显著区域，提取7种低层特征构建像素的特征向量；计算由像素特征向量构成的集合的协方差，得到椭圆显著区域协方差特征。本发明可应用于图像处理领域。

Description

一种基于椭圆显著区域协方差矩阵的图像特征检测方法

技术领域

本发明涉及基于椭圆显著区域协方差矩阵的图像特征检测方法，具体涉及图像拷贝检测技术。

背景技术

有效的特征检测方法是解决图像拷贝检测技术的关键。传统的特征检测方法不论是局部特征还是全局特征都没有从视觉感知的角度对特征进行检测和提取。为此基于显著性的协方差矩阵特征检测方法被提出以解决该问题。目前的基于显著性的协方差矩阵检测方法首先通过基于人眼注视点的显著性检测方法获得显著图，然后二值化该显著图以获得图像的显著区域，并在该显著区域上提取该像素的9种低层特征以构成最终的用于图像描述的45维描述子。

然而目前的基于显著性的协方差矩阵特征检测方法存在三个方面问题：第一，没有充分考虑图像中的显著性，现有的显著性检测技术还包括显著区域的显著性检测方法，而目前的基于显著性的协方差矩阵特征检测方法没有考虑显著区域的显著性检测方法；第二，二值化后得到的图像显著区域是不规则的区域，并不利于图像内容的描述；第三，由于目前的基于显著性的协方差矩阵特征检测方法提取了9种低层特征，特征维数较大，达到45维。由于前存在两个问题，导致了基于显著性的协方差矩阵的图像特征检测方法的平均检测准确度不高。

发明内容

本发明的目的是为了解决目前的基于显著性的协方差矩阵的图像特征检测方法的平均检测准确度不高且特征维数较大的问题，而提出一种基于椭圆显著区域协方差矩阵的图像特征检测方法。

一种基于椭圆显著区域协方差矩阵的图像特征检测方法，包括以下步骤：

步骤一：采用基于注视点的显著性检测方法计算图像的人眼注视点显著图；

步骤二：采用显著区域检测方法计算图像的显著区域显著图；

步骤三：采用加权和融合方式融合人眼注视点显著图和显著区域显著图得到图像的融合显著图；

步骤四：使用显著阈值对融合显著图进行二值化得到不规则显著区域：

使用阈值T对融合显著图进行二值化得到二值图像f，像素值为1的点即为显著点，由这些点组成的区域为不规则的显著区域，

$f(x,y)=\{\begin{array}{cc}1,& \begin{array}{cc}if& S(x,y)\≥T\end{array}\\ 0,& otherwise\end{array};$

步骤五：采用图像矩方法对不规则的显著区域进行椭圆拟合得到椭圆显著区域；

步骤六：结合原始图像和椭圆显著区域，提取像素位置到椭圆中心距离、像素的三个颜色值、像素沿水平方向梯度、像素沿垂直方向梯度、水平和垂直方向梯度平方和开根，总计7种低层特征构建像素的特征向量：

将原始图像与二值图像f进行点对点的并运算，将得到与二值图像中椭圆显著区域对应的原始图像上的椭圆显著区域E_S，对E_S内的像素点，提取位置到椭圆中心距离Dist、像素的三个颜色值RGB、像素沿水平方向梯度像素沿垂直方向梯度水平和垂直方向梯度平方和开根总计7种低层特征构建像素的特征向量，即，

$v_i={\[Dist,R,G,B,\frac{\∂I}{\∂x},\frac{\∂I}{\∂y},\sqrt{{\left(\frac{\∂I}{\∂x}\right)}^2+{\left(\frac{\∂I}{\∂y}\right)}^2}\]}_{1\×7}^T;$

其中，i表示E_S内的第i个像素点，T表示矩阵转置；

步骤七：计算由像素特征向量构成的集合的协方差，得到椭圆显著区域协方差矩阵特征。

本发明包括以下优点：

1.通过融合人眼注视点显著图和显著区域显著图充分考虑了图像的显著性，提高了现有基于显著性的协方差矩阵的图像特征检测方法的准确度；

2.对不规则的显著区域进行椭圆拟合获得了更具描述性的椭圆显著区域，提高了现有基于显著性的协方差矩阵的图像特征检测方法的准确度；

3、本发明方法与现有基于显著性的协方差矩阵的图像特征检测方法相比准确度提高了5％～30％。

4.由于只提取了7种低层特征最终得到的椭圆显著区域协方差矩阵特征的维数更加紧致,本发明提出的检测方法得到的特征维数为28维。

附图说明

图1为本发明的基于椭圆显著区域协方差矩阵的图像特征检测方法的流程图。

具体实施方式

具体实施方式一：结合图1说明本实施方式，本实施方式所述一种基于椭圆显著区域协方差矩阵的图像特征检测方法，包括以下步骤：

步骤一：采用基于注视点的显著性检测方法计算图像的人眼注视点显著图；

步骤二：采用显著区域检测方法计算图像的显著区域显著图；

步骤三：采用加权和融合方式融合人眼注视点显著图和显著区域显著图得到图像的融合显著图；

步骤四：使用显著阈值对融合显著图进行二值化得到不规则显著区域：

使用阈值T对融合显著图进行二值化得到二值图像f，像素值为1的点即为显著点，由这些点组成的区域为不规则的显著区域，

$f(x,y)=\{\begin{array}{cc}1,& \begin{array}{cc}if& S(x,y)\≥T\end{array}\\ 0,& otherwise\end{array};$

步骤五：采用图像矩方法对不规则的显著区域进行椭圆拟合得到椭圆显著区域；

步骤六：结合原始图像和椭圆显著区域，提取像素位置到椭圆中心距离、像素的三个颜色值、像素沿水平方向梯度、像素沿垂直方向梯度、水平和垂直方向梯度平方和开根，总计7种低层特征构建像素的特征向量：

将原始图像与二值图像f进行点对点的并运算，将得到与二值图像中椭圆显著区域对应的原始图像上的椭圆显著区域E_S，对E_S内的像素点，提取位置到椭圆中心距离Dist、像素的三个颜色值RGB、像素沿水平方向梯度像素沿垂直方向梯度水平和垂直方向梯度平方和开根总计7种低层特征构建像素的特征向量，即，

$v_i={\[Dist,R,G,B,\frac{\∂I}{\∂x},\frac{\∂I}{\∂y},\sqrt{{\left(\frac{\∂I}{\∂x}\right)}^2+{\left(\frac{\∂I}{\∂y}\right)}^2}\]}_{1\×7}^T;$

其中，i表示E_S内的第i个像素点，T表示矩阵转置；

步骤七：计算由像素特征向量构成的集合的协方差，得到椭圆显著区域协方差矩阵特征。

本发明包括以下优点：

1.通过融合人眼注视点显著图和显著区域显著图充分考虑了图像的显著性，提高了现有基于显著性的协方差矩阵的图像特征检测方法的准确度；

2.对不规则的显著区域进行椭圆拟合获得了更具描述性的椭圆显著区域，提高了现有基于显著性的协方差矩阵的图像特征检测方法的准确度；

3、本发明方法与现有基于显著性的协方差矩阵的图像特征检测方法相比准确度提高了5％～30％。

4.由于只提取了7种低层特征最终得到的椭圆显著区域协方差矩阵特征的维数更加紧致,本发明提出的检测方法得到的特征维数为28维。

具体实施方式二：本实施方式是对具体实施方式一的进一步说明，步骤一中的显著性检测方法为：Itti显著性检测方法、Bruce&Tsotsos显著性检测方法或基于贝叶斯定理的显著性检测方法。

具体实施方式三：本实施方式是对具体实施方式一的进一步说明，步骤二中的显著区域检测方法为：基于频率调谐的显著区域检测方法、基于全局对比的显著区域检测方法或联合空间分布和全局对比的显著区域检测方法。

具体实施方式四：本实施方式是对具体实施方式一的进一步说明，步骤三中，采用加权和融合方式将S_f和S_r进行融合得到融合显著图S，即

$S=\frac{1}{2}\×S_f+\frac{1}{2}\×S_r;$

其中S_f为人眼注视点显著图，S_r为显著区域显著图。

具体实施方式五：本实施方式是对具体实施方式一的进一步说明，步骤七中计算由像素特征向量构成的集合的协方差，得到椭圆显著区域协方差矩阵特征ESRCOV：

$ESRCOV=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}(v_i-\mathrm{\μ}){(v_i-\mathrm{\μ})}^T;$

其中，N表示E_S内的像素数量，μ表示特征向量集合{v_i}_i＝1,",N的均值，即

本发明通过对图像拷贝检测以验证本发明的效果。

实验中采用了INRIACopydays数据集进行性能评测。INRIACopydays数据集包含了157幅原始图像，并且对每幅图像进行了4种类型多种强度的攻击处理。表1给出了攻击类型和强度。

表1实验中使用的攻击类型和攻击强度

攻击类型	攻击强度
		剪切	剪切范围(％)：10、15、20、30、40、50、60、70、80
JPEG	尺度：1/16像素，JPEG质量因子：15、20、30、50、70
		旋转	角度：90、180
翻转	方向：水平、垂直

为了更加全面本发明的性能，从Flickr上随机选取25000幅图像构成干扰数据集，将经过攻击处理的拷贝图像放到干扰数据集中，选取原始图像作为查询图像在合并后的数据集上检索拷贝图像，并采用平均检测准确度作为性能评价指标。

实验中目前的基于显著性的协方差矩阵特征检测方法记为SCOV，本发明的方法记为ESRCOV。用于二值化显著图的阈值统一为0.2，同时采用LogCovariance方法使协方差矩阵特征可以在欧式空间进行度量。表2,3,4分别给出了评测结果。表5为特征维数对比。从实验结果看，本发明针对拷贝检测的平均准确度高于目前的基于显著性的协方差矩阵特征检测方法，同时本发明的特征维数要低于现有的检测方法。

表2剪切拷贝的检测平均准确度结果

表3JPEG压缩拷贝的检测平均准确度结果

表4旋转和翻转拷贝的检测平均准确度结果

表5特征维数

特征名称	SCOV	ESRCOV
			特征维数	45	28

Claims (5)

1.一种基于椭圆显著区域协方差矩阵的图像特征检测方法，其特征在于它是通过以下步骤实现的：

步骤一：采用基于注视点的显著性检测方法计算图像的人眼注视点显著图；

步骤二：采用显著区域检测方法计算图像的显著区域显著图；

步骤三：采用加权和融合方式融合人眼注视点显著图和显著区域显著图得到图像的融合显著图；

步骤四：使用显著阈值对融合显著图进行二值化得到不规则显著区域：

使用阈值T对融合显著图S进行二值化得到二值图像f，像素值为1的点即为显著点，由这些点组成的区域为不规则的显著区域，

$f(x,y)=\{\begin{array}{cc}1,& \begin{array}{cc}if& S(x,y)\≥T\end{array}\\ 0,& otherwise\end{array};$ 步骤五：采用图像矩方法对不规则的显著区域进行椭圆拟合得到椭圆显著区域；

步骤六：结合原始图像和椭圆显著区域，提取像素位置到椭圆中心距离、像素的三个颜色值、像素沿水平方向梯度、像素沿垂直方向梯度、水平和垂直方向梯度平方和开根，总计7种低层特征构建像素的特征向量：

将原始图像与二值图像f进行点对点的并运算，将得到与二值图像中椭圆显著区域对应的原始图像上的椭圆显著区域E_S，对E_S内的像素点，提取位置到椭圆中心距离Dist、像素的三个颜色值RGB、像素沿水平方向梯度像素沿垂直方向梯度水平和垂直方向梯度平方和开根总计7种低层特征构建像素的特征向量，即，

$v_i={\[Dist,R,G,B,\frac{\∂I}{\∂x},\frac{\∂I}{\∂y},\sqrt{{\left(\frac{\∂I}{\∂x}\right)}^2+{\left(\frac{\∂I}{\∂y}\right)}^2}\]}_{1\×7}^T;$

其中，i表示E_S内的第i个像素点，T表示矩阵转置；

步骤七：计算由像素特征向量构成的集合的协方差，得到椭圆显著区域协方差矩阵特征。

2.如权利要求1所述的一种基于椭圆显著区域协方差矩阵的图像特征检测方法，其特征在于步骤一中的显著性检测方法为：Itti显著性检测方法、Bruce&Tsotsos显著性检测方法或基于贝叶斯定理的显著性检测方法。

3.如权利要求1所述的一种基于椭圆显著区域协方差矩阵的图像特征检测方法，其特征在于步骤二中的显著区域检测方法为：基于频率调谐的显著区域检测方法、基于全局对比的显著区域检测方法或联合空间分布和全局对比的显著区域检测方法。

4.如权利要求1所述的一种基于椭圆显著区域协方差矩阵的图像特征检测方法，其特征在于步骤三中，采用加权和融合方式将S_f和S_r进行融合得到融合显著图S，即

$S=\frac{1}{2}\×S_f+\frac{1}{2}\×S_r;$

其中S_f为人眼注视点显著图，S_r为显著区域显著图。

5.如权利要求1、2、3或4所述的一种基于椭圆显著区域协方差矩阵的图像特征检测方法，其特征在于步骤七中计算由像素特征向量构成的集合的协方差，得到椭圆显著区域协方差矩阵特征ESRCOV：

$ESRCOV=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}(v_i-\mathrm{\μ}){(v_i-\mathrm{\μ})}^T;$

其中，N表示E_S内的像素数量，μ表示特征向量集合{v_i}_i＝1,…,N的均值，即