CN104392431B - 一种基于图像可变长编码的图像匹配方法 - Google Patents
一种基于图像可变长编码的图像匹配方法 Download PDFInfo
- Publication number
- CN104392431B CN104392431B CN201410581625.1A CN201410581625A CN104392431B CN 104392431 B CN104392431 B CN 104392431B CN 201410581625 A CN201410581625 A CN 201410581625A CN 104392431 B CN104392431 B CN 104392431B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mover
- msub
- image
- munderover
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000000007 visual effect Effects 0.000 claims abstract description 21
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 229920001407 Modal (textile) Polymers 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于图像可变长编码的图像匹配方法,包括如下步骤:步骤一:分别分割两张以上图像,获得多个对象,每个对象中的像素点的像素空间位置相邻且灰度相近;步骤二:定义每个对象的像素局部邻域内中心对称像素的灰度值差,用于描述对象的视觉特征;步骤三:计算任意两个对象之间的距离,用于描述对象的空间位置关系;步骤四:设置每一个对象的权重值,根据每个图像对应的对象的视觉特征、空间位置关系和权重值生成图像的变长编码,变长编码的长度与图像的对象数量成正比;步骤五:计算任意两张图像的变长编码的相似度,用于表征任意两张图像之间的匹配度。本发明可获得图像之间的相似度,用于检测近重复图像。
Description
技术领域
本发明属于图像处理领域,特别涉及一种基于图像可变长编码的图像匹配方法。
背景技术
大体上来说,图像匹配包括两个步骤:图像表示以及相似性度量。有效的图像表示有助于匹配的顺利进行。不同的图像表示决定了不同的相似性度量方法。常见的做法是将图像用一个特征向量表示出来,则图像之间相似性度量可以通过向量运算来完成。然而,由于特征向量具有固定的维数,在表示图像方面缺乏灵活性。
在邮政自动化领域中,信函分拣机是集机械、控制以及信息技术等于一体的高科技产品。网络时代的到来给信函分拣机提出了新的要求。安装部署在不同地点的信函分拣机之间如何实现信息共享是迫切需要解决的一个问题。一封邮件在完成分拣之前通常经过不同的信函分拣机,当它经过一个信函分拣机时所获得的信息,需要在该邮件经过其它分拣机时被检索到。如果邮件上喷有条码,则该条码可以作为邮件的唯一标识。然而,当条码破损或者无条码时,邮件图像则被用来作为检索依据。邮件在经过不同信函分拣机时所采集的图像在光照、分辨率等方面均存在差异,导致系统生成了多幅近重复图像。所以,亟需一种图像匹配技术,以实现对近重复邮件图像进行匹配,从而提高基于图像的邮件检索效率。
为了克服现有技术中特征向量具有固定的维数,在表示图像方面缺乏灵活性的缺陷,提出了一种基于图像可变长编码的图像匹配方法。
发明内容
本发明提出了一种基于图像可变长编码的图像匹配方法,包括如下步骤:
步骤一:分别分割两张以上图像,获得多个对象,每个对象中的像素点的像素空间位置相邻且灰度相近;
步骤二:定义每个对象的像素局部邻域内中心对称像素的灰度值差,用于描述所述对象的视觉特征;
步骤三:计算任意两个对象之间的距离,用于描述所述对象的空间位置关系;
步骤四:设置每一个对象的权重值,根据每个图像对应的对象的视觉特征、空间位置关系和权重值生成所述图像的变长编码,所述变长编码的长度与所述图像的对象数量成正比;
步骤五:计算任意两张图像的变长编码的相似度,用于表征所述任意两张图像之间的匹配度。
本发明提出的所述基于图像可变长编码的图像匹配方法中,所述步骤一利用聚类方法将所述图像中的像素聚集为多个对象,其聚类方法包括如下步骤:
步骤a1:计算与一个像素的灰度值相近的近邻像素,并计算所述像素与近邻像素内任意像素的最大距离;
步骤a2;若所述最大距离小于阈值,则将所述像素作为一个新对象的种子点,将所述近邻像素内的像素归入所述对象中;
步骤a3:迭代步骤a1至a2,计算所述近邻像素内一像素的近邻像素及其最大距离,若所述近邻像素内的一个像素的最大距离小于阈值,则将所述像素的近邻像素归入所述对象中,直至遍历所述近邻像素内所有像素为止。
本发明提出的所述基于图像可变长编码的图像匹配方法中,所述步骤二利用中心对称局部二值模式描述对象的视觉特征,所述中心对称局部二值模式包括如下步骤:
步骤b1:均匀采集所述对象内的一个像素的邻域内的多个邻域像素;
步骤b2:计算所述邻域像素的坐标;
步骤b3:根据所述邻域像素之间的灰度值差进行编码,并依此建立中心对称局部二值模式;
步骤b4:根据所述中心对称局部二值模式建立直方图,用于描述对象的视觉特征。
本发明提出的所述基于图像可变长编码的图像匹配方法中,所述步骤b3通过比较灰度值差与阈值实现对邻域像素之间的灰度值差进行编码,若灰度值差大于阈值,则被编码为1;否则被编码为0。
本发明提出的所述基于图像可变长编码的图像匹配方法中,所述步骤b3中进一步将邻域像素之间的灰度值差转换为概率值,计算中心对称局部二值模式以消除硬编码的干扰。
本发明提出的所述基于图像可变长编码的图像匹配方法中,所述步骤三描述对象的空间位置关系包括如下步骤:
步骤c1:将对象之间的最大可能距离均匀量化为多个距离等级;
步骤c2:计算图像中每个对象与任意对象之间的距离;
步骤c2:统计在每个距离等级内的对象的数量,建立所述图像中对象的空间位置关系直方图,用于描述所述对象的空间位置关系。
本发明提出的所述基于图像可变长编码的图像匹配方法中,所述步骤四中的权重值以如下公式表示:
式中,wi表示权重值,size(Oi)表示对象Oi的大小,size(I)表示图像I的大小。
本发明提出的所述基于图像可变长编码的图像匹配方法中,所述步骤五中计算变长编码的相似度的过程包括以下步骤:
步骤d1:计算一张图像的每个对象与另一张图像的每个对象之间的距离,该距离以如下公式表示:
式中,以及分别代表对象Oi的视觉特征以及空间位置关系;以及分别代表对象的视觉特征以及空间位置关系,ρ为权重系数;常数C1和C2用于归一化;表示两个对象视觉特征之间的卡方距离;表示两个对象空间位置关系之间的卡方距离;
步骤d2:利用约束条件优化目标函数;
所述目标函数为:
所述约束条件为:
以上式中,代表对象Oi以及之间的流,是使得目标函数达到最小值时对象Oi以及之间的流,wi表示对象Oi的权重,表示对象的权重;
步骤d3:计算两个变长特征之间的相似度:
式中,S表示一图像的变长编码;表示另一图像的变长编码。
本发明提出的所述基于图像可变长编码的图像匹配方法中,所述图像的匹配度用于检测近重复图像,包括近重复邮件图像、近重复自然场景图像、近重复人物肖像等。
本发明的有益效果在于:
本发明利用中心对称局部二值模式用于刻画图像中每个对象的视觉特征,通过结合对象的视觉特征以及对象之间的空间位置关系,对图像进行编码,从而可灵活地获得图像之间的相似度。
附图说明
图1是本发明基于图像可变长编码的图像匹配方法的流程图。
图2是邮件图像的聚类结果示例;其中图2a为聚类前的邮件图像,图2b为聚类结果。
图3是自然场景图像的聚类结果示例;其中图3a为聚类前的自然场景图像,图3b为聚类结果。
图4是实施例中CSLBP硬编码受干扰的示意图。
具体实施方式
结合以下具体实施例和附图,对本发明作进一步的详细说明。实施本发明的过程、条件、实验方法等,除以下专门提及的内容之外,均为本领域的普遍知识和公知常识,本发明没有特别限制内容。
本发明的基于图像可变长编码的图像匹配方法主要分为图像表示(步骤一至步骤四)和相似性度量(步骤五)两个阶段,参阅图1,其首先利用聚类的方式将图像分割为一些对象的集合。提出一种中心对称局部二值模式用于刻画图像中每个对象的视觉特征。之后,对对象之间的空间位置关系进行描述。综合图像中每个对象的视觉特征以及对象之间的空间位置关系,对图像进行编码,编码长度取决于图像中对象的数目。最后采用一种针对可变长编码的距离计算方法来获得图像之间的相似度。
(对象分割)
本发明采用基于聚类的对象分割方法。在聚类过程中,同时考虑像素的空间坐标位置以及灰度值,使得聚类结果中每一类包含的像素空间位置相邻并且灰度相近。本发明中的聚类方法不需要事先确定类别数目,而且通过聚类可以过滤出图像中的噪声,即不属于任何一类的像素。
具体地,定义图像I中与像素p灰度相近的K近邻像素如下:
其中以及gp分别代表像素qi和p的灰度值,阈值η用于控制一个对象中允许的像素灰度值差异。令最大距离其中d(·,·)表示两个像素之间的距离。则根据可以大概推断出像素p邻域内的像素分布。若较小,则说明p的邻域中灰度相近像素较多;相反地,若较大,则说明p的邻域内灰度相近的像素较少,因而是噪声的可能性较大。为了对图像尺度具有不变性,利用下述公式将归一化为
其中,D表示图像I中最大的即:
根据上述思想,对图像中的像素进行聚类。具体来说,对图像中的像素p,计算其以及若小于一个预先设定的阈值t,则认为p是种子点,开始新的一类。首先将中的像素包括至该类,接下来对中每个未处理的像素q,计算其以及若将中的像素包括至该类。此过程重复迭代进行,直到图像中的所有像素均被处理完毕。
若某个像素既不是种子像素,又不属于某个种子像素的灰度相近K近邻像素(如公式(1)中定义),则认为该像素为噪声,其它的像素均被分配唯一的类别。
图2为邮件图像聚类结果示例,图3为自然场景图像的聚类结果示例,两个聚类结果示例,可见其中按灰度值相近以及位置相邻的像素将图像分割为若干个对象,各对象之间以不同颜色或标记等进行区分。
(描述对象视觉特征)
为了描述图像中每个对象的视觉特征,本发明提出一种中心对称局部二值模式。它是常用的中心对称局部二值模式在概率意义下的扩展。中心对称局部二值模式利用微模式的分布来描述图像。其中,微模式通过对像素局部邻域内中心对称像素的灰度值差进行编码来定义。具体来说,给定像素pc,在其半径为R的邻域内均匀采样P个像素,故第i(1≤i≤P)个像素的坐标(xi,yi)为:
其中(xc,yc)表示像素pc的坐标。令该P个像素的灰度值为g1,g2,...,gP,则将pc按照下述公式进行编码:
其中s(z)定义如下,T为预先设定的阈值。
对图像中每个像素,采样其邻域中的P个像素,则一共有个不同的编码,每一个编码代表一种不同的微模式。因此,可以用直方图来刻画对象的微模式分布,直方图的维数为每一维表示对象中相应微模式的数目。
正如上述公式(6)所示,中心对称局部二值模式对像素的灰度差采用硬编码的方式,即当其大于阈值T的时候,被编码为1;否则,被编码为0。在实际应用中,由于受噪声的影响,像素的灰度值经常发生扰动,导致采用硬编码的方式对阈值T的选择极为敏感,缺乏灵活性。例如,图4(a)和图4(b)为同一个像素的邻域,然而,相比较于图4(a),图4(b)中像素g4由于噪声干扰使得其灰度值增加1。当T=0时,图4(a)以及图4(b)具有一致的编码,即0011;而当T=1时,图4(a)被编码为0011,而图4(b)被编码为0010。可以看出,像素灰度值的微小变化,却导致得到的编码截然不同,从而不利于后续匹配的进行。如何选择合适的阈值T是一个难题。
为了解决硬编码带来的问题,从概率的角度来描述像素之间的灰度差。具体地,令图像灰度值范围为[0,ζ],则像素之间灰度值差范围为[-ζ,ζ]。当两个像素的灰度差为θ时,其被编码为1和0的概率分别为:
因此,两个像素之间的灰度差越接近ζ,其被编码为1的概率越大;两个像素之间的灰度差越接近-ζ,其被编码为0的概率越大。
如上,针对图像中的每个像素,采样其邻域中的P个像素,则产生个灰度差其被编码成二进制串(bi=0或1)的联合概率分布为
即认为像素灰度差之间彼此相互独立。采用直方图HA来描述对象O的微模式分布,对象中的每个像素对直方图中的所有维数均产生贡献,贡献大小取决于相应的概率。
此外,为了对图像旋转具有鲁棒性,首先获得对象的主方向,然后根据该主方向计算其中心对称局部二值模式。具体来说,对象O的主方向θO定义为:
其中,
p∈O指对象O中的像素;(xp,yp)为像素p的坐标;gp为像素p的灰度值;为对象O的重心,定义为:
其中,Mjk定义如下:
利用对象O的主方向θO,公式(4)中像素pc∈O的第i(1≤i≤P)个相邻像素的坐标(xi,yi)更改如下,从而保证所求得的中心对称局部二值模式具有旋转不变性。
(描述对象空间位置关系)
给定图像中对象集合{O1,O2,...,ON},其中N代表对象数目,对对象之间的空间位置关系进行描述。首先将图像中对象之间最大可能的距离均匀量化为L个等级。对于对象Oi(1≤i≤N),计算它与其它对象Oj(1≤j≤N,j≠i)之间的距离。接下来统计落入每个等级的对象数量,并基于此建立对象Oi的空间位置关系直方图该直方图的维数为L。
(图像变长编码)
本发明给图像中每个对象Oi赋予一个权重wi,用于表示该对象对于整个图像的重要程度。权重定义方式如下,其中size(Oi)以及size(I)分别代表对象Oi和图像I的大小。
结合对象的视觉特征、空间位置关系以及权重,对图像进行编码,即表示为其中N为图像中对象数量,用于描述对象Oi的视觉特征、空间位置关系以及权重。
(相似性度量)
给定两个图像,假设两张图像所包含的对象数量分别为N和则两张图像的对象分别为{O1,O2,...,ON}和则两个图像的变长编码分别为以及计算任意两张图像之间每个对象的距离,该距离以如下公式表示:
式中,以及分别代表对象Oi的视觉特征以及空间位置关系;以及分别代表对象的视觉特征以及空间位置关系,ρ为权重系数;常数C1和C2用于归一化;表示两个对象视觉特征之间的卡方距离;表示两个对象空间位置关系之间的卡方距离;假设其包含的对象数量分别为N和则两个图像的变长编码分别为以及本发明主要通过求解以下优化问题来计算两个编码之间的距离。
目标函数为:
约束条件为:
以上式中,代表对象Oi以及之间的流,是使得目标函数达到最小值时对象Oi以及之间的流,wi表示对象Oi的权重,表示对象的权重,约束条件(I)的作用是使得所有对象之间的流,不超过对象最小的权重之和;约束条件(II)的作用是使得对象Oi与其它对象之间的流的总和不超过对象Oi的权重wi;约束条件(III)的作用是使得对象与其它对象{O1,O2,...,ON}之间的流的总和不超过对象的权重约束条件(IV)的作用在于确保对象Oi以及之间的流不小于0。
基于上述得到的两个编码S及之间的距离可以根据下述公式计算。越小,说明两个图像越相似。
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下,本领域技术人员能够想到的变化和优点都被包括在本发明中,并且以所附的权利要求书为保护范围。
Claims (6)
1.一种基于图像可变长编码的图像匹配方法,其特征在于,包括如下步骤:
步骤一:分别分割两张以上图像,获得多个对象,每个对象中的像素点的像素空间位置相邻且灰度相近;
步骤二:定义每个对象的像素局部邻域内中心对称像素的灰度值差,利用中心对称局部二值模式建立直方图,用于描述对象的视觉特征;为了建立该直方图,均匀采集所述对象内的一个像素的邻域内的多个邻域像素;计算所述邻域像素的坐标;对对象中每个像素的局部邻域像素之间的灰度差进行编码,并且计算其编码为每一种中心对称局部二值模式的概率,如公式(1)所示,从而消除硬编码的影响;
<mrow>
<msub>
<mi>Pr</mi>
<mrow>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>b</mi>
<mfrac>
<mi>P</mi>
<mn>2</mn>
</mfrac>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>&theta;</mi>
<mfrac>
<mi>P</mi>
<mn>2</mn>
</mfrac>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mfrac>
<mi>P</mi>
<mn>2</mn>
</mfrac>
</munderover>
<msub>
<mi>Pr</mi>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中,P表示邻域像素的个数,为个灰度差,为一种中心对称局部二值模式,的定义如公式(2)和(3)所示:
<mrow>
<msub>
<mi>Pr</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>-</mo>
<mi>&zeta;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>&sigma;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>Pr</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>-</mo>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mi>&zeta;</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>&sigma;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
式(2)和式(3)中,θ表示两个像素的灰度差,图像灰度值范围为[0,ζ],像素之间灰度值差范围为[-ζ,ζ],参数σ为变量;
步骤三:计算任意两个对象之间的距离,用于描述所述对象的空间位置关系;
步骤四:设置每一个对象的权重值,根据每个图像对应的对象的视觉特征、空间位置关系和权重值生成所述图像的变长编码,所述变长编码的长度与所述图像的对象数量成正比;
步骤五:计算任意两张图像的变长编码的相似度,用于表征所述任意两张图像之间的匹配度。
2.如权利要求1所述的基于图像可变长编码的图像匹配方法,其特征在于,所述步骤一利用聚类方法将所述图像中的像素聚集为多个对象,其聚类方法包括如下步骤:
步骤a1:计算与一个像素的灰度值相近的近邻像素,并计算所述像素与近邻像素内任意像素的最大距离;
步骤a2;若所述最大距离小于阈值,则将所述像素作为一个新对象的种子点,将所述近邻像素内的像素归入所述对象中;
步骤a3:迭代步骤a1至a2,计算所述近邻像素内一像素的近邻像素及其最大距离,若所述近邻像素内的一个像素的最大距离小于阈值,则将所述像素的近邻像素归入所述对象中,直至遍历所述近邻像素内所有像素为止。
3.如权利要求1所述的基于图像可变长编码的图像匹配方法,其特征在于,所述步骤三描述对象的空间位置关系包括如下步骤:
步骤c1:将对象之间的最大可能距离均匀量化为多个距离等级;
步骤c2:计算图像中每个对象与任意对象之间的距离;
步骤c2:统计在每个距离等级内的对象的数量,建立所述图像中对象的空间位置关系直方图,用于描述所述对象的空间位置关系。
4.如权利要求1所述的基于图像可变长编码的图像匹配方法,其特征在于,所述步骤四中的权重值以如下公式表示:
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>z</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>O</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>z</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
式中,wi表示权重值,size(Oi)表示对象Oi的大小,size(I)表示图像I的大小。
5.如权利要求1所述的基于图像可变长编码的图像匹配方法,其特征在于,所述步骤五中计算变长编码的相似度的过程包括以下步骤:
步骤d1:计算一张图像的每个对象与另一张图像的每个对象之间的距离,该距离以如下公式表示:
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
</mrow>
</msub>
<mo>=</mo>
<mi>&rho;</mi>
<mo>*</mo>
<mfrac>
<mrow>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>H</mi>
<mo>^</mo>
</mover>
<msub>
<mi>A</mi>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
</msub>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>C</mi>
<mn>1</mn>
</mrow>
</mfrac>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&rho;</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mfrac>
<mrow>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>H</mi>
<mo>^</mo>
</mover>
<msub>
<mi>R</mi>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
</msub>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>C</mi>
<mn>2</mn>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
式中,以及分别代表对象Oi的视觉特征以及空间位置关系;以及分别代表对象的视觉特征以及空间位置关系,ρ为权重系数;常数C1和C2用于归一化;表示两个对象视觉特征之间的卡方距离;表示两个对象空间位置关系之间的卡方距离;
步骤d2:利用约束条件优化目标函数;
所述目标函数为:
<mrow>
<msub>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>arg</mi>
<mi> </mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
</mrow>
</msub>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
</munderover>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
</mrow>
</msub>
<mo>;</mo>
</mrow>
所述约束条件为:
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
</munderover>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
</mrow>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
</munderover>
<msub>
<mover>
<mi>w</mi>
<mo>^</mo>
</mover>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
</munderover>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>N</mi>
<mo>;</mo>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mover>
<mi>w</mi>
<mo>^</mo>
</mover>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
</msub>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
<mo>&le;</mo>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>N</mi>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
<mo>&le;</mo>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
<mo>;</mo>
</mrow>
以上式中,代表对象Oi以及之间的流,是使得目标函数达到最小值时对象Oi以及之间的流,wi表示对象Oi的权重,表示对象的权重;
步骤d3:计算两个变长特征之间的相似度:
<mrow>
<mi>&epsiv;</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mo>,</mo>
<mover>
<mi>S</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
</munderover>
<msub>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mover>
<mi>i</mi>
<mo>~</mo>
</mover>
</mrow>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
</munderover>
<msub>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mover>
<mi>i</mi>
<mo>^</mo>
</mover>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
式中,S表示一图像的变长编码;表示另一图像的变长编码。
6.如权利要求1所述的基于图像可变长编码的图像匹配方法,其特征在于,所述图像的匹配度用于检测近重复图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410581625.1A CN104392431B (zh) | 2014-10-27 | 2014-10-27 | 一种基于图像可变长编码的图像匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410581625.1A CN104392431B (zh) | 2014-10-27 | 2014-10-27 | 一种基于图像可变长编码的图像匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104392431A CN104392431A (zh) | 2015-03-04 |
CN104392431B true CN104392431B (zh) | 2017-09-19 |
Family
ID=52610329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410581625.1A Active CN104392431B (zh) | 2014-10-27 | 2014-10-27 | 一种基于图像可变长编码的图像匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104392431B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751459B (zh) * | 2015-03-27 | 2017-05-17 | 东南大学 | 多维特征的相似性度量优化方法及图像匹配方法 |
CN105426479A (zh) * | 2015-11-19 | 2016-03-23 | 广东小天才科技有限公司 | 一种通过图片快速搜题的方法及系统 |
CN108259911A (zh) * | 2018-03-29 | 2018-07-06 | 苏州佳智彩光电科技有限公司 | 一种OLED屏Demura数据无损压缩、解压缩方法 |
CN110706262B (zh) * | 2019-10-09 | 2023-06-02 | 上海思岚科技有限公司 | 图像处理方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010043771A1 (en) * | 2008-10-17 | 2010-04-22 | Visidon Oy | Detecting and tracking objects in digital images |
CN103383700A (zh) * | 2013-06-26 | 2013-11-06 | 西安电子科技大学 | 基于边缘方向差直方图的图像检索方法 |
-
2014
- 2014-10-27 CN CN201410581625.1A patent/CN104392431B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010043771A1 (en) * | 2008-10-17 | 2010-04-22 | Visidon Oy | Detecting and tracking objects in digital images |
CN103383700A (zh) * | 2013-06-26 | 2013-11-06 | 西安电子科技大学 | 基于边缘方向差直方图的图像检索方法 |
Non-Patent Citations (2)
Title |
---|
Novel Global and Local Features for Near-duplicate Document Image Matching;Li Liu等;《Pattern Recognition(ICPR), 2014 22nd International Conference》;20140828;第4624-4629页 * |
基于特征描述的图像匹配方法研究;唐丽娜;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120615;第I138-2031页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104392431A (zh) | 2015-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104392431B (zh) | 一种基于图像可变长编码的图像匹配方法 | |
CN105550381A (zh) | 一种基于改进sift特征的高效图像检索方法 | |
CN109255344A (zh) | 一种基于机器视觉的数显式仪表定位与读数识别方法 | |
US20110135203A1 (en) | Feature selection device | |
CN110021028B (zh) | 一种基于服装款式图的自动制衣方法 | |
CN110826408B (zh) | 一种分区域特征提取人脸识别方法 | |
CN108846831B (zh) | 基于统计特征和图像特征相结合的带钢表面缺陷分类方法 | |
CN116092013A (zh) | 一种用于智慧监控的危险路况识别方法 | |
CN103413131B (zh) | 基于光谱及几何特征的塔吊识别方法 | |
JP2004062605A (ja) | シーン識別方法および装置ならびにプログラム | |
CN116309577B (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN113706523A (zh) | 基于人工智能技术的皮带跑偏及异常运行状态的监测方法 | |
CN108921186A (zh) | 一种基于孪生支持向量机的指纹图像分类系统与方法 | |
CN109544614B (zh) | 一种基于图像低频信息相似度的匹配图像对识别的方法 | |
CN114863464A (zh) | 一种pid图纸图件信息的二阶识别方法 | |
CN116206208B (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
CN113158954A (zh) | 交通非现场的基于ai技术的斑马线区域自动检测方法 | |
CN111292346B (zh) | 一种噪声环境下浇铸箱体轮廓的检测方法 | |
CN111241911B (zh) | 一种自适应的车道线检测方法 | |
CN117102297A (zh) | 轻钢龙骨的自动化成型生产工艺及其系统 | |
Tralic et al. | Detection of duplicated image regions using cellular automata | |
CN117197543A (zh) | 基于GMD图像化与改进ResNeXt的网络异常检测方法及装置 | |
CN107358244A (zh) | 一种快速局部不变特征提取与描述方法 | |
CN111652200A (zh) | 车险案件中从图片区分多车的处理方法、装置及设备 | |
TWI603268B (zh) | 車牌辨識之影像處理系統及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |