CN103714349A - 一种基于颜色和纹理特征的图像识别方法 - Google Patents

Abstract

本发明提供一种基于颜色和纹理特征的图像识别方法，该方法包括如下步骤：将检测图像A和匹配图像B均分成n个子块；计算检测图像A和匹配图像B在子块k的颜色特征相似距离D_k(A,B)，纹理特征相似距离T_k(A,B)，其中k∈(o,n]；计算检测图像A和匹配图像B的颜色特征相似距离C(A,B)，纹理特征相似距离T(A,B)；根据检测图像A和匹配图像B的颜色特征相似距离C(A,B)和纹理特征相似距离T(A,B)判断检测图像A和匹配图像B的相似度S(A,B)。相对于现有技术，本发明基于颜色和纹理特征的匹配来计算图像的特征相似度，提高了准确性和客观性，避免了关键字索引的主观判断。

Description

一种基于颜色和纹理特征的图像识别方法

技术领域

本发明涉及基于内容的模式识别，如图像识别领域，特别涉及一种基于颜色和纹理特征的图像识别方法。

背景技术

当前，存在各种图像识别方法，如凭借关键字搜索、对比图形特征参数等等。其中利用关键字进行搜索以及人眼的识别都具有主观性，无法准确地反映图片信息。对比图形特征参数的方法又存在计算量过大，参数过多，实现起来较为繁琐等问题。而单一的对比图形的某个特征又无法全部具体地描述图像信息。

综上所述，目前的图像识别方法都无法很好的解决对图像准确、简洁的检索问题。

发明内容

针对现有技术存在的问题，本发明的主要目的在于提供一种准确、客观的进行图像检索的基于颜色和纹理特征的图像识别方法。

为实现上述目的，本发明提供一种基于颜色和纹理特征的图像识别方法，用于对检测图像A和匹配图像B进行相似度比对，该方法包括如下步骤：

将检测图像A和匹配图像B进行压缩；

将压缩后的检测图像A和匹配图像B均分成n个子块；

计算检测图像A和匹配图像B在子块k的颜色特征相似距离D_k(A,B)，检测图像A和匹配图像B在子块k的纹理特征相似距离T_k(A,B)，其中k∈(o,n]；

计算检测图像A和匹配图像B的颜色特征相似距离C(A,B)，检测图像A和匹配图像B的纹理特征相似距离T(A,B)；

根据检测图像A和匹配图像B的颜色特征相似距离C(A,B)和纹理特征相似距离T(A,B)判断检测图像A和匹配图像B的相似度S(A,B)。

进一步地，该步骤计算检测图像A和匹配图像B在子块k的颜色特征相似距离D_k(A,B)包括如下步骤（1）至步骤（7）：

（1）子块k拥有N个像素点，计算像素点X的颜色值Y(x)，

其中x∈(0,N]，m为颜色值，其值为整数，m∈(0,256]，f_m(x)为隶属函数，f_m(x)∈[0,1]；

（2）计算以像素点X为中心的区域Ω的颜色平均值

，

其中X表示计算的像素点，Y(x)表示像素点X的颜色值，S表示所在区域Ω的像素点个数；

（3）计算像素点X的颜色复杂度Ψ(x)， $\mathrm{\Ψ}\left(x\right)=\mathrm{\Ψ}(i,j)=\underset{i,j\∈\mathrm{\Ω}}{\∫\∫}[y(i,j)-\stackrel{\‾}{v}(i,j)]\mathrm{didj},$ 其中i，j为像素点X点的坐标，Y(x)为像素点X的颜色值，

是以像素点X点为中心的区域Ω的颜色平均值，di、dj为对坐标i、j的微分；

（4）计算像素点X的权值w(x)， $w\left(x\right)=w\left(\mathrm{\Ψ}(i,j)\right)={\left[\frac{\mathrm{\Ψ}(i,j)}{\underset{i,j\∈\mathrm{\Ω}}{\∫\∫}\mathrm{\Ψ}(i,j)\mathrm{didj}}\right]}^2,$ 其中i，j为像素点X点的坐标，Ψ(x)为像素点X的颜色复杂度，di、dj为对坐标i、j的微分；

（5）计算子块K的权值W_k(x)，

其中w(x)为像素点X的权值，N为子块K中像素点的数量；

（6）计算检测图像A和匹配图像B在像素点X处的颜色特征相似距离d_x(A,B)，d_x(A,B)=w(x)|Y_A(x)-Y_B(x)|，其中w(x)为像素点X的权值，Y_A(x)、Y_B(x)分别为检测图像A和匹配图像B在像素点X的颜色值；

（7）计算检测图像A和匹配图像B在子块k的颜色特征相似距离D_k(A,B)，

其中d_x(A,B)为检测图像A和匹配图像B在像素点X处的颜色特征相似距离，N为子块K中像素点的数量。

步骤计算检测图像A和匹配图像B的颜色特征相似距离C(A,B)具体为：其中D_k(A,B)为检测图像A和匹配图像B在子块k的颜色特征相似距离，n为检测图像A和匹配图像B划分的子块的个数。

更进一步地，该步骤计算检测图像A和匹配图像B在子块k的纹理特征相似距离T_k(A,B)包括如下步骤（1）至步骤（3）：

（1）计算一个坐标值为（x，y）的像素点在灰度从i到j变化程度的灰度共生矩阵Q(x,y)，Q(x,y)=P[f(x+D_x,y+D_y)=i→f(x,y)=j]，其中f(x,y)为坐标值为（x，y）的像素点的灰度值，i,j∈[0,255]，P(i->j)为坐标值为（x，y）的像素点灰度值从i变化到j的概率，D_x、D_y为坐标值为（x，y）的像素点的坐标位移量，由于子块k有N个像素点，且子块区域为正方形，所以 $D_x,D_y\∈(-\sqrt{N},\sqrt{N});$

（2）根据灰度共生矩阵Q(x,y)计算对比度a₁、差熵a₂、相关系数a₃， $a_1=\underset{n=0}{\overset{255}{\mathrm{\Σ}}}{n}^2\left[\underset{x=1}{\overset{256}{\mathrm{\Σ}}}\underset{y=1}{\overset{256}{\mathrm{\Σ}}}Q(x,y)\right],$ $a_2=-\underset{n=0}{\overset{255}{\mathrm{\Σ}}}\underset{x=1}{\overset{256}{\mathrm{\Σ}}}\underset{y=1}{\overset{256}{\mathrm{\Σ}}}Q(x,y)\·\log \left[\underset{x=1}{\overset{256}{\mathrm{\Σ}}}\underset{y=1}{\overset{256}{\mathrm{\Σ}}}Q(x,y)\right],a_3=\underset{x=1}{\overset{256}{\mathrm{\Σ}}}\underset{y=1}{\overset{256}{\mathrm{\Σ}}}\frac{Q(x,y)}{1+{(x-y)}^2},$ 其中x，y为像素点的坐标值，n=|x-y|；

（3）计算检测图像A和匹配图像B在子块k的纹理特征相似距离T_k(A,B)，

其中i=1、2、3，a_i(A)、a_i(B)分别为检测图像A和匹配图像B两图的对比度、差熵、相关度三个属性。

步骤计算检测图像A和匹配图像B的纹理特征相似距离T(A,B)具体为： $T(A,B)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{T}_k(A,B)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{[a_i\left(A\right)-a_i\left(B\right)]}^2,$ 其中T_k(A,B)为检测图像A和匹配图像B在子块k的纹理特征相似距离，n为检测图像A和匹配图像B划分的子块的个数。

更进一步地，该步骤根据检测图像A和匹配图像B的颜色特征相似距离C(A,B)和纹理特征相似距离T(A,B)判断检测图像A和匹配图像B的相似度S(A,B)具体为：S(A,B)=w_C·C(A,B)+w_T·T(A,B)，其中w_C,w_T分别表示颜色特征和纹理特征的权值，且w_C+w_T=1，w_C、w_T∈(0,1)。

更进一步地，在步骤将检测图像A和匹配图像B均分成n个子块之前，对检测图像A和匹配图像B进行压缩。

更进一步地，选择相似度S(A,B)为最小值的检测图像A为与匹配图像B最相似的图。

相对于现有技术，首先，本发明基于颜色和纹理特征的匹配来计算图像的特征相似度，提高了准确性和客观性，避免了关键字索引的主观判断；其次，同时从颜色特征和纹理特征两个图像的重要方面进行综合检索，避免了从单一方面识别所产生的不一致性和片面性。再次，对图像内容进行压缩和分块，提升了识别的效率，降低了计算中的时间和空间的消耗。最后，在像素的归属计算时，采用连续函数，并结合每个点的权值比较，让间断性的问题得以解决，并且可信度更高。

附图说明

图1是本发明基于颜色和纹理特征的图像识别方法的一种实施例的流程图

图2是本发明步骤S3计算检测图像A和匹配图像B在子块k的颜色特征相似距离D_k(A,B)的流程图

图3是本发明步骤S5计算检测图像A和匹配图像B在子块k的纹理特征相似距离T_k(A,B)的流程图

具体实施方式

下面结合附图，详细说明本发明的具体实施方式。

首先，将检测图像和匹配图像分别按需求压缩成像素点较少的图像；然后，将压缩后的检测图像和匹配图像分成若干子块，分别对子块进行匹配，即对子块从颜色特征和纹理特征两方面进行比较：

颜色特征方面，通过隶属函数计算出像素点的颜色值和平均颜色值，根据颜色值计算出像素点的复杂度，从而得到像素点的权值。根据权值和颜色值计算出像素点的相似距离，再计算出像素点所在的子块的相似距离，最后得出检测图像和匹配图像在颜色特征上的相似距离。

纹理特征方面，先计算出图像的灰度共生矩阵，根据灰度共生矩阵可以计算出与纹理有关的对比度、差熵、相关度三个重要特征。结合三个特征计算出检测图像和匹配图像之间纹理特征的相似距离。

综合颜色特征的相似距离和纹理特征的相似距离，给两个特征分配相应的权值，最后计算出检测图像和匹配图像之间的相似距离。相似距离最小的即为相似度最高的图像。

如图1所示，是本发明基于颜色和纹理特征的图像识别方法的一种实施例的流程图。

该基于颜色和纹理特征的图像识别方法包括如下步骤S1～S7。

S1、对检测图像A和匹配图像B进行压缩。

由于彩色图像像素较高，计算量会相当大。考虑到图像中的大部分信息只需要粗略的像素就可以反映出来，综合各方面的因素，将图像压缩成较小像素的图像进行计算。压缩的方法采用间隔取像素点的方法，根据实际需要每隔2至10个像素的相等距离后，取1个像素点的方法，从而减少图形的像素数量，达到压缩图形的作用。

S2、将压缩后的检测图像A和匹配图像B均分成n个子块。分块的目的主要是为了减少计算量，分块后对每个子块进行下一步匹配。n的大小取决于压缩后的像素点数，考虑到计算量的问题，图像分块后的子块数量和各子块的像素点都不应过大，并且子块内的计算复杂度要高于全图对子块的求和，所以主要考虑减少子块内的计算，也就是尽量减少分块后子块内的像素点数。根据原图像素的实际大小，子块像素点数可以取原图像素的1/10到1/50。例如压缩后的图像是400*400像素的图像，那么每个子块可以取20*20像素，此时n=20，即把原图（检测图像和匹配图像）分成了20个大小相等的子块。最好将压缩图像分块成大小面积相同的n个正方形，方便之后的计算和比较。如果图像不是标准的正方形，可以先将图像划分成一个大的正方形和一个小的矩形，再对矩形进行相应的划分，分为多个正方形的子块。由于检测图像和所需匹配图像都采用相同的划分方法，所以在对比计算时会保证了两幅图的可对比性。

以下步骤S3～S6分别从颜色特征和纹理特征两方面进行比较，得到检测图像A和匹配图像B在颜色特征和纹理特征的相似距离。颜色特征和纹理特征相似距离的比较无顺序差别，可以先计算颜色特征的相似距离，也可以先计算纹理特征的相似距离。

S3、计算检测图像A和匹配图像B在子块k的颜色特征相似距离D_k(A,B)，其中k∈(o,n]，其中步骤S3具体包含步骤S31～S37：

S31、子块k拥有N个像素点，计算像素点X的颜色值Y(x)：

颜色直方图表示图像中不同颜色值所占比例的大小，而颜色值的确定来源于颜色空间，最常用的颜色空间是RGB颜色空间。由于人眼对亮度最为敏感，所以将256*256*256的RGB颜色空间转换为表示亮度的256个颜色值L，L=R*0.299+G*0.587+B*0.114。

使用隶属函数将拥有N个像素的子块分配到256个颜色值上，即像素点X落在颜色值m上的值大小，再将像素点分布在整个颜色值区域求和，作为像素点的颜色值。为了解决像素点在颜色值上分布的不连续性问题，隶属函数应该满足以下条件：

f_m(x)≥0，m为整数，x∈(0,N]，且f_m(x)∈[0,1]。

通过隶属函数算出256个颜色值对应的值域G(m)分布：

m代表颜色值，G(m)代表值域，N代表像素个数，f_m(x)代表隶属函数。根据值域分布可以绘制出像素点的颜色直方图。

像素点X的颜色值其中x∈(0,N]，m为颜色值，其值为整数，m∈(0,256]，f_m(x)为隶属函数，f_m(x)∈[0,1]。

S32、根据像素点X的颜色值Y(x)计算以像素点X为中心的区域Ω的颜色平均值

这一步骤主要为了计算后续的颜色复杂度做准备。首先在像素点X周围划分出一个以该点为中心的若干大小区域Ω，包含点s²个。Ω的划分以实际情况为准，大小区域不超过所在子块的大小，根据计算所需的准确度来确定区域大小，且每个像素点计算的Ω区域大小相同或相近。划分的区域越大，像素点的颜色平均值越接近整个子块的颜色平均值，但是该像素点对于区域Ω的影响越小。由于要让像素点为区域中心，所以区域大小为奇数的平方s²（s=1、3、5、7…），为了计算的准确度，不能让像素点对整个区域的影响太小，s一般取3、5、7。例如可以取以像素点为中心3*3包含点9个像素点的区域。根据步骤S31中得出的像素点X的颜色值，计算以像素点X为中心的区域Ω的颜色平均值

其中X表示计算的像素点，Y(x)表示像素点X的颜色值，S表示所在区域Ω的像素点个数；

S33、根据以像素点X为中心的区域Ω的颜色平均值计算像素点X的颜色复杂度Ψ(x)。颜色复杂度是指以某个像素点为中心的区域的颜色变化程度，直观地反映人眼对该区域的感觉识别能力，复杂度越高人眼越容易察觉。像素点X的颜色复杂度 $\mathrm{\Ψ}\left(x\right)=\mathrm{\Ψ}(i,j)=\underset{i,j\∈\mathrm{\Ω}}{\∫\∫}[y(i,j)-\stackrel{\‾}{v}(i,j)]\mathrm{didj},$ 其中i，j为像素点X点的坐标，Y(x)为像素点X的颜色值，

是以像素点X点为中心的区域Ω的颜色平均值，di、dj为对坐标i、j的微分；

S34、根据权重计算公式计算像素点X的权值w(x)， $w\left(x\right)=w\left(\mathrm{\Ψ}(i,j)\right)={\left[\frac{\mathrm{\Ψ}(i,j)}{\underset{i,j\∈\mathrm{\Ω}}{\∫\∫}\mathrm{\Ψ}(i,j)\mathrm{didj}}\right]}^2,$ 其中i，j为像素点X点的坐标，Ψ(x)为像素点X的颜色复杂度，di、dj为对坐标i、j的微分；

S35、根据像素点X的权值w(x)计算子块K的权值W_k(x)，其中w(x)为像素点X的权值，N为子块K中像素点的数量；

S36、根据像素点X的权值w(x)以及像素点X的颜色值Y(x)计算检测图像A和匹配图像B在像素点X处的颜色特征相似距离d_x(A,B)，d_x(A,B)=w(x)|Y_A(x)-Y_B(x)|，其中w(x)为像素点X的权值，Y_A(x)、Y_B(x)分别为检测图像A和匹配图像B在像素点X的颜色值；

S37、将在子块K所有的像素点处的颜色特征相似距离求和，得到检测图像A和匹配图像B在子块k的颜色特征相似距离D_k(A,B)，

其中d_x(A,B)为检测图像A和匹配图像B在像素点X处的颜色特征相似距离，N为子块K中像素点的数量。

S4、将在所有子块的颜色特征相似距离求和，得到检测图像A和匹配图像B的颜色特征相似距离C(A,B)，

其中D_k(A,B)为检测图像A和匹配图像B在子块k的颜色特征相似距离，n为检测图像A和匹配图像B划分的子块的个数。两幅图A，B的颜色特征相似距离C(A,B)越小则表示两幅图越相似。

S5、检测图像A和匹配图像B在子块k的纹理特征相似距离T_k(A,B)，其中k∈(o,n]；其中步骤S5具体包含步骤S51～S53：

S51、计算一个坐标值为（x，y）的像素点在灰度从i到j变化程度的灰度共生矩阵Q(x,y)，灰度是指显示像素点的亮暗差别，范围为0到255，因此i,j∈[0,255]。为了比较图像的纹理特征，采用对比描述纹理特征的三个相关参数：对比度，差熵，相关系数。在得到这三个参数之前，需要计算出图像的灰度共生矩阵。灰度共生矩阵是描述像素点从灰度i变化到j值的概率，反映出图像在纹理上的变化程度。灰度共生矩阵Q(x,y)=P[f(x+D_x,y+D_y)=i→f(x,y)=j]，其中f(x,y)为坐标值为（x，y）的像素点的灰度值，i,j∈[0,255]，P(i->j)为坐标值为（x，y）的像素点灰度值从i变化到j的概率，D_x、D_y为坐标值为（x，y）的像素点的坐标位移量，由于子块k有N个像素点，且子块区域划分为正方形，所以

D_x、D_y的取值与i、j的取值相关。

S52、根据灰度共生矩阵Q(x,y)计算纹理的三个相关参数对比度a₁、差熵a₂、相关系数a₃， $a_1=\underset{n=0}{\overset{255}{\mathrm{\Σ}}}{n}^2\left[\underset{x=1}{\overset{256}{\mathrm{\Σ}}}\underset{y=1}{\overset{256}{\mathrm{\Σ}}}Q(x,y)\right],$ $a_2=-\underset{n=0}{\overset{255}{\mathrm{\Σ}}}\underset{x=1}{\overset{256}{\mathrm{\Σ}}}\underset{y=1}{\overset{256}{\mathrm{\Σ}}}Q(x,y)\·\log \left[\underset{x=1}{\overset{256}{\mathrm{\Σ}}}\underset{y=1}{\overset{256}{\mathrm{\Σ}}}Q(x,y)\right],a_3=\underset{x=1}{\overset{256}{\mathrm{\Σ}}}\underset{y=1}{\overset{256}{\mathrm{\Σ}}}\frac{Q(x,y)}{1+{(x-y)}^2},$ 其中x，y为像素点的坐标值，n=|x-y|；

S53、将检测图像A和匹配图像B的对比度a₁、差熵a₂、相关系数a₃分别进行比较，得到检测图像A和匹配图像B在子块k的纹理特征相似距离T_k(A,B)，

其中i代表三个属性的编号，i=1、2、3，a_i(A)、a_i(B)分别为检测图像A和匹配图像B两图的对比度、差熵、相关度三个属性，即检测图像A的对比度、差熵、相关度a₁(A)、a₂(A)、a₃(A)；匹配图像B的对比度、差熵、相关度a₁(B)、a₂(B)、a₃(B)。

S6、将在所有子块的纹理特征相似距离求和，得到检测图像A和匹配图像B的纹理特征相似距离T(A,B)， $T(A,B)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{T}_k(A,B)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{[a_i\left(A\right)-a_i\left(B\right)]}^2,$ 其中T_k(A,B)为检测图像A和匹配图像B在子块k的纹理特征相似距离，n为检测图像A和匹配图像B划分的子块的个数，两幅图A、B的纹理特征相似距离T(A,B)越小，表示图像相似度越高。

S7、综合根据检测图像A和匹配图像B的颜色特征相似距离C(A,B)和纹理特征相似距离T(A,B)判断检测图像A和匹配图像B的相似度S(A,B)，S(A,B)=w_C·C(A,B)+w_T·T(A,B)，其中w_C,w_T分别表示颜色特征和纹理特征的权值，且w_C+w_T=1，w_C、w_T∈(0,1)。

对于两种特征值，可根据用户对某方面的侧重性调节权重，突出哪一方面更加重要，更具灵活性。默认权重值都为0.5，即两者权重相同。若要突出某一特征的重要性，只需增加其权重值即可，但颜色特征和纹理特征必须同时存在。

选择相似度S(A,B)为最小值的检测图像A为与匹配图像B最相似的图。此时的检测图像A为检索结果图。

实施例1

寻找与匹配图像B最相似的检测图像：

S1、先对其中的一张检测图像A和匹配图像B进行压缩，都压缩成90*90像素的图像，压缩时采用隔5个像素点取一个像素点的间隔取点方法。

S2、将压缩后的检测图像A和匹配图像B均分成9个子块，每个子块像素为10*10。

接下来分别对检测图像A和匹配图像B的9个子块进行颜色特征和纹理特征的比较，得到检测图像A和匹配图像B在颜色特征和纹理特征的相似距离。其中步骤S3-S4为颜色特征的比较；步骤S5-S6为纹理特征的比较。

S3、计算检测图像A和匹配图像B在第一子块的颜色特征相似距离D1(A,B)，具体包含步骤S31～S37：

S31、第一子块拥有100个像素点，计算像素点X的颜色值Y(x)：

使用隶属函数f_m(x)将10*10个像素分配到颜色值从1到50上。此处采用隶属函数的公式为 $f_m\left(x\right)=\left\{\begin{array}{c}\exp [-{\left(\frac{x-a}{b}\right)}^2],x<=a\\ \exp \left[{\left(\frac{x-a}{b}\right)}^2\right],x>a\end{array}\right.,$ 其中a，b为常数，此隶属函数为常用隶属函数中的尖Γ分布，a=50，b=1，x∈(0,100]，m∈(0,50]，且f_m(x)∈[0,1]，f_m(x)表示像素点x在颜色值m上的值大小。例如f₂₀(5)=0.2，表示第5个像素落在颜色值为20的值为0.2。

计算出像素点X在整个图像上的颜色值Y(x)：

例如Y_A(5)=0.56，Y_B(5)=0.65，表示检测图像A的第5个像素点的颜色值为0.56，匹配图像B的第5个像素点的颜色值为0.65。

S32、根据像素点X的颜色值Y(x)计算以像素点X为中心的区域Ω的颜色平均值

根据以像素点X为中心的区域Ω的颜色平均值

计算像素点X的颜色复杂度Ψ(x)。在得到像素点的颜色值Y(x)后，进一步计算像素点的颜色复杂度。在像素点X周围划分出以X为中心的3*3共9个像素点的正方形区域Ω，计算区域Ω的颜色平均值

： $\stackrel{\&OverBar;}{V}\left(x\right)=\frac{1}{9}\underset{x=1}{\overset{9}{\mathrm{\&Sigma;}}}Y\left(x\right),$ 例如计算出 $\stackrel{\&OverBar;}{V}\left(x\right)=0.15.$

代入已经算出的Y(x)和

计算出像素点的颜色复杂度Ψ(x)： $\mathrm{\&Psi;}\left(x\right)=\mathrm{\&Psi;}(i,j)=\underset{i,j\&Element;\mathrm{\&Omega;}}{\&Integral;\&Integral;}[y(i,j)-\stackrel{\&OverBar;}{v}(i,j)]\mathrm{didj},$ 例如算出的复杂度为0.8。

S34、根据权重计算公式计算像素点X的权值w(x)，计算像素点X的权值w(x)为： $w\left(x\right)=w\left(\mathrm{\&Psi;}(i,j)\right)={\left[\frac{\mathrm{\&Psi;}(i,j)}{\underset{i,j\&Element;\mathrm{\&Omega;}}{\&Integral;\&Integral;}\mathrm{\&Psi;}(i,j)\mathrm{didj}}\right]}^2,$ 算出w(x)=0.4。进而第一子块的总权值为

例如算出来W(x)=2.2。

S35、根据像素点X的权值w(x)计算第一子块的权值W_k(x)，

其中w(x)为步骤S34计算出来的像素点X的权值，N为第一子块中像素点的数量，此实施例中，N=100；

S36、根据像素点X的权值w(x)以及像素点X的颜色值Y(x)计算检测图像A和匹配图像B在像素点X处的颜色特征相似距离d_x(A,B)，

d_x(A,B)=w(x)|Y_A(x)-Y_B(x)|=2.2*|0.65-0.56|=1.98。

S37、将在第一子块所有的像素点处的颜色特征相似距离求和，得到检测图像A和匹配图像B在第一子块的颜色特征相似距离D_k(A,B)，例如 $D_k(A,B)=\underset{x=1}{\overset{100}{\mathrm{\&Sigma;}}}{d}_x(A,B)=95.$

S4、将在所有9个子块的颜色特征相似距离求和，得到检测图像A和匹配图像B的颜色特征相似距离C(A,B)，例如 $C(A,B)=\underset{k=1}{\overset{9}{\mathrm{\&Sigma;}}}{D}_k(A,B)=540.$

此时的540即为检测图像A和匹配图像B在颜色特征上的相似距离。若有C(D,B)<C(A,B)则表示检测图像D比检测图像A更接近匹配图像B。

S5、计算检测图像A和匹配图像B在第一子块的纹理特征相似距离T_k(A,B)，其中步骤S5具体包含步骤S51～S53：

S51、计算一个坐标值为（x，y）的像素点在灰度从i到j变化程度的灰度共生矩阵Q(x,y)，设灰度值为0到255：

Q(x,y)=P(f(x+1,y+1)=1->f(x,y)=2)，表示坐标值为（x，y）的像素点在坐标轴上发生（1,1）位移时，灰度从1变为2的概率，例如得到Q(x,y)=0.13。

S52、根据灰度共生矩阵Q(x,y)计算纹理的三个相关参数对比度a₁、差熵a₂、相关系数a₃。

对比度a₁：

其中|x-y|=n，例如算出检测图像A的a₁(A)=800，匹配图像B的 a₁(B)=400；

差熵a₂： $a_2=-\underset{n=0}{\overset{255}{\mathrm{\&Sigma;}}}\underset{x=1}{\overset{256}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{256}{\mathrm{\&Sigma;}}}Q(x,y)\&CenterDot;\log \left[\underset{x=1}{\overset{256}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{256}{\mathrm{\&Sigma;}}}Q(x,y)\right],$ 其中|x-y|=n，例如算出检测图像A的a₂(A)=700，匹配图像B的a₂(B)=300；

相关度a₃：例如算出检测图像A的a₃(A)=600,匹配图像B的a₃(B)=200。

S53、将检测图像A和匹配图像B的对比度a₁、差熵a₂、相关系数a₃分别进行比较，得到检测图像A和匹配图像B在第一子块的纹理特征相似距离T₁(A,B)， $T_1(A,B)=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{[a_i\left(A\right)-a_i\left(B\right)]}^2.$

S6、将在所有9个子块的纹理特征相似距离求和，得到检测图像A和匹配图像B的纹理特征相似距离T(A,B)， $T(A,B)=\underset{k=1}{\overset{100}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{3}{\mathrm{\&Sigma;}}}{[a_n\left(A\right)-a_n\left(B\right)]}^2,$ 例如算出T(A,B)=2000。

S7、综合根据检测图像A和匹配图像B的颜色特征相似距离C(A,B)和纹理特征相似距离T(A,B)判断检测图像A和匹配图像B的相似度S(A,B)，S(A,B)=w_C·C(A,B)+w_T·T(A,B)=0.5*540+0.5*2000=1270。此时算出的就是检测图像A和匹配图像B直接的相似度值，如果存在S(D,B)<S(A,B)，则表示表示检测图像D比检测图像A更接近匹配图像B，则检索到与匹配图像B相匹配的图像为检测图像D，由此实现了图像的识别。

以上介绍了一种基于颜色和纹理特征的图像识别方法。本发明并不限定于以上实施例，任何未脱离本发明技术方案，即仅仅对其进行本领域普通技术人员所知悉的改进或变更，均属于本发明的保护范围之内。

Claims (8)

1.一种基于颜色和纹理特征的图像识别方法，对检测图像A和匹配图像B进行相似度比对，其特征在于，所述方法包括如下步骤：

将检测图像A和匹配图像B均分成n个子块；

计算检测图像A和匹配图像B在子块k的颜色特征相似距离D_k(A,B)，检测图像A和匹配图像B在子块k的纹理特征相似距离T_k(A,B)，其中k∈(o,n]；

计算检测图像A和匹配图像B的颜色特征相似距离C(A,B)，检测图像A和匹配图像B的纹理特征相似距离T(A,B)；

根据检测图像A和匹配图像B的颜色特征相似距离C(A,B)和纹理特征相似距离T(A,B)判断检测图像A和匹配图像B的相似度S(A,B)。

2.如权利要求1所述的基于颜色和纹理特征的图像识别方法，其特征在于：所述步骤计算检测图像A和匹配图像B在子块k的颜色特征相似距离D_k(A,B)包括如下步骤：

（1）子块k拥有N个像素点，计算像素点X的颜色值Y(x)，其中x∈(0,N]，m为颜色值，其值为整数，m∈(0,256]，f_m(x)为隶属函数，f_m(x)∈[0,1]；

（2）计算以像素点X为中心的区域Ω的颜色平均值

，

其中X表示计算的像素点，Y(x)表示像素点X的颜色值，S表示所在区域Ω的像素点个数；

（3）计算像素点X的颜色复杂度Ψ(x)， $\mathrm{\&Psi;}\left(x\right)=\mathrm{\&Psi;}(i,j)=\underset{i,j\&Element;\mathrm{\&Omega;}}{\&Integral;\&Integral;}[y(i,j)-\stackrel{\&OverBar;}{v}(i,j)]\mathrm{didj},$ 其中i，j为像素点X点的坐标，Y(x)为像素点X的颜色值，

是以像素点X点为中心的区域Ω的颜色平均值，di、dj为对坐标i、j的微分；

（4）计算像素点X的权值w(x)， $w\left(x\right)=w\left(\mathrm{\&Psi;}(i,j)\right)={\left[\frac{\mathrm{\&Psi;}(i,j)}{\underset{i,j\&Element;\mathrm{\&Omega;}}{\&Integral;\&Integral;}\mathrm{\&Psi;}(i,j)\mathrm{didj}}\right]}^2,$ 其中i，j为像素点X点的坐标，Ψ(x)为像素点X的颜色复杂度，di、dj为对坐标i、j的微分；

（5）计算子块K的权值W_k(x)，其中w(x)为像素点X的权值，N为子块K中像素点的数量；

（6）计算检测图像A和匹配图像B在像素点X处的颜色特征相似距离d_x(A,B)，d_x(A,B)=w(x)|Y_A(x)-Y_B(x)|，其中w(x)为像素点X的权值，Y_A(x)、Y_B(x)分别为检测图像A和匹配图像B在像素点X的颜色值；

（7）计算检测图像A和匹配图像B在子块k的颜色特征相似距离D_k(A,B)，

其中d_x(A,B)为检测图像A和匹配图像B在像素点X处的颜色特征相似距离，N为子块K中像素点的数量。

3.如权利要求2所述的基于颜色和纹理特征的图像识别方法，其特征在于：所述步骤计算检测图像A和匹配图像B的颜色特征相似距离C(A,B)具体为：

其中D_k(A,B)为检测图像A和匹配图像B在子块k的颜色特征相似距离，n为检测图像A和匹配图像B划分的子块的个数。

4.如权利要求3所述的基于颜色和纹理特征的图像识别方法，其特征在于：所述步骤计算检测图像A和匹配图像B在子块k的纹理特征相似距离T_k(A,B)包括如下步骤：

（1）计算一个坐标值为（x，y）的像素点在灰度从i到j变化程度的灰度共生矩阵Q(x,y)，Q(x,y)=P[f(x+D_x,y+D_y)=i→f(x,y)=j]，其中f(x,y)为坐标值为（x，y）的像素点的灰度值，i,j∈[0,255]，P(i->j)为坐标值为（x，y）的像素点灰度值从i变化到j的概率，D_x、D_y为坐标值为（x，y）的像素点的坐标位移量；

（2）根据灰度共生矩阵Q(x,y)计算对比度a₁、差熵a₂、相关系数a₃， $a_1=\underset{n=0}{\overset{255}{\mathrm{\&Sigma;}}}{n}^2\left[\underset{x=1}{\overset{256}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{256}{\mathrm{\&Sigma;}}}Q(x,y)\right],$ $a_2=-\underset{n=0}{\overset{255}{\mathrm{\&Sigma;}}}\underset{x=1}{\overset{256}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{256}{\mathrm{\&Sigma;}}}Q(x,y)\&CenterDot;\log \left[\underset{x=1}{\overset{256}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{256}{\mathrm{\&Sigma;}}}Q(x,y)\right],$

其中x，y为像素点的坐标值，n=|x-y|；

（3）计算检测图像A和匹配图像B在子块k的纹理特征相似距离T_k(A,B)，其中i=1、2、3，a_i(A)、a_i(B)分别为检测图像A和匹配图像B两图的对比度、差熵、相关度三个属性。

5.如权利要求4所述的基于颜色和纹理特征的图像识别方法，其特征在于：所述步骤计算检测图像A和匹配图像B的纹理特征相似距离T(A,B)具体为： $T(A,B)=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{T}_k(A,B)=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{[a_i\left(A\right)-a_i\left(B\right)]}^2,$ 其中T_k(A,B)为检测图像A和匹配图像B在子块k的纹理特征相似距离，n为检测图像A和匹配图像B划分的子块的个数。

6.如权利要求5所述的基于颜色和纹理特征的图像识别方法，其特征在于：所述步骤根据检测图像A和匹配图像B的颜色特征相似距离C(A,B)和纹理特征相似距离T(A,B)判断检测图像A和匹配图像B的相似度S(A,B)具体为：S(A,B)=w_C·C(A,B)+w_T·T(A,B)，其中w_C,w_T分别表示颜色特征和纹理特征的权值，且w_C+w_T=1，w_C、w_T∈(0,1)。

7.如权利要求1-6任一所述的基于颜色和纹理特征的图像识别方法，其特征在于：在步骤将检测图像A和匹配图像B均分成n个子块之前，对检测图像A和匹配图像B进行压缩。

8.如权利要求7所述的基于颜色和纹理特征的图像识别方法，其特征在于：选择相似度S(A,B)为最小值的检测图像A为与匹配图像B最相似的图。

Images