基于HSV的图像相似度识别方法
技术领域
本发明涉及图像识别技术领域,尤其涉及一种基于HSV的图像相似度识别方法。
背景技术
随着数字媒体技术的发展,图像的质量以及数量不断提高,由于图像本身可以传达比文本所能表达的更多的信息,在文本搜索已经成熟的今天,图像搜索渐渐崛起,展现其特有的搜索能力。原始图像变形、旋转、扭曲、遮挡、叠加后形成的“再造”图像充斥着多媒体信息世界,给图像检索带来大大的不确定性。
在现有技术中,图像相似度识别的方法主要以下几种:
一是直接对图像进行转化,由于不同的图像可能含有相近的特征信息,很容易出现图像相似误判,随着数据量的增加,误判的概率大幅增加;
二是将需要检索的图像划分成多部分,分块对比,对遮挡、叠加后的相似图像有很好的识别效果,但是对于变形、扭曲尤其是旋转后的相似图像的识别效果很差,由于图像分块后需要分块计算,计算的时间复杂度给计算机图像处理带来了一定的负担。
因此,现有技术需要改进。
发明内容
本发明公开了一种基于HSV的图像相似度识别方法,用以解决现有技术存在的问题。
一种基于HSV的图像相似度识别方法,包括:
进行图像分块,图像分块是为了计算图像与对比图像之间的相似距离,图像分块采用椭圆方式划分图像方法,椭圆方式划分图像方法为将图像分为椭圆区域和椭圆外背景区域,图像分块需要保证椭圆区域和椭圆外背景区域面积近似一致;
设置各个分块权重,对椭圆区域和椭圆外背景区域设置影响因子,影响因子自由设定,椭圆区域影响因子impactA和椭圆外背景区域影响因子impactB之和为1;
对图像进行HSV直方图计算,并将计算结果存储到数据库;
使用改进后的卡方距离算法进行相似图像检索,按照各个特征量之间的相对距离的变化,计算两张图像之间直方图特征点的相似距离,通过遍历计算与数据库中的已有图像的卡方距离,找出最相似的图像,卡方距离越小,两幅图像越相似。
在基于上述基于HSV的图像相似度识别方法的另一个实施例中,所述图像分块的椭圆区域长轴的长度为图像长度的0.7倍,短轴的长度为图像高度的0.7倍。
在基于上述基于HSV的图像相似度识别方法的另一个实施例中,所述设置各个分块权重包括:
预先设置影响因子数值,预先设置的影响因子数值为:impactA=0.5,impactB=0.5;
调整影响因子数值,根据图像信息集中位置调整影响因子的数值,如果椭圆区域的图像信息较多,则增大椭圆区域的影响因子,相应减小椭圆外背景区域的影响因子,影响因子的取值范围为:
0≤impactA≤1;
0≤impactB≤1;
impactA+impact=1
impactA=0表示图像的椭圆区域内没有任何图像信息,任意两张图像的椭圆外背景区域相似,则两幅图像是相似的。
在基于上述基于HSV的图像相似度识别方法的另一个实施例中,所述对图像进行HSV直方图计算,并将计算结果存储到数据库包括:
设定色调H的通道表示方式,色调H用角度度量,取值范围为0°~360°,从红色开始按逆时针方向计算,红色为0°,绿色为120°,蓝色为240°,中间的补色是:黄色为60°,青色为180°,品红为300°,十二色相分别为:红、橙、黄、黄绿、绿、青绿、青、靛、蓝、紫、品红、紫红,考虑到色相之间的差别,色相用10个通道表示;
设定饱和度S的通道表示方式,饱和度S表示颜色接近光谱色的程度,一种颜色,可以看成是某种光谱色与白色混合的结果,其中光谱色所占的比例愈大,颜色接近光谱色的程度就愈高,颜色的饱和度也就愈高,饱和度高,颜色则深而艳,饱和度用10个通道表示;
设定亮度V的通道表示方式,亮度表示颜色明亮的程度,对于光源色,亮度值与发光体的光亮度有关,通常取值范围是黑色的0%到白色的100%,明度用3个通道表示;
对于椭圆区域内的图像特征点的数量为:10×10×3个;由于椭圆背景区域的图像特征点的数量与椭圆区域内的图像特征点数量一致,因此,图像特征点的总数为:2×10×10×3个。
在基于上述基于HSV的图像相似度识别方法的另一个实施例中,所述使用改进后的卡方距离算法进行相似图像检索包括:
定义需要对比的图像x和数据库中的对比图像y;
设定需要对比图像的第n个特征点xn,和数据库中对比图像的第n个特征点yn;
计算xn和yn的卡方距离公式为:
由于椭圆区域和椭圆外背景区域的影响因子不同,则,改进卡方距离公式为:
表示要比较的两张图像之间的相似距离;
xn表示需要对比的图像x的第n个特征点;
yn表示数据库中的对比图像y的第n个特征点;
的计算值越小,则图像的相似度越高。
与现有技术相比较,本发明具有以下优点:
本发明采用椭圆方式划分图像,将图像分成两部分进行计算,节省了计算机图像处理的时间,扩大了图像之间的相似距离,通过对图像的HSV直方图计算,将相似距离的计算转化到色彩的明暗,色调以及亮度的相似距离,方便进行颜色之间的对比,改进后的卡方距离算法结合了不同区域的影响因子情况,能够实现人为控制两部分对最后相似度影响程度,对比结果更加真实可靠,本发明的方法对遮挡、叠加后的相似图像有很好的识别效果,尤其可以很好的识别变形、扭曲、旋转后的相似图像。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所使用的附图做一简单地介绍。
图1是本发明的一种基于HSV的图像相似度识别方法的一个实施例的流程图。
图2是本发明的一种基于HSV的图像相似度识别方法的对图像进行椭圆方式划分的原理图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明的一种基于HSV的图像相似度识别方法的一个实施例的流程图,如图1所示,所述基于HSV的图像相似度识别方法包括:
10,进行图像分块,图像分块是为了计算图像与对比图像之间的相似距离,图像分块采用椭圆方式划分图像方法,椭圆方式划分图像方法为将图像分为椭圆区域和椭圆外背景区域,图像分块需要保证椭圆区域和椭圆外背景区域面积近似一致;
20,设置各个分块权重,对椭圆区域和椭圆外背景区域设置影响因子,影响因子自由设定,椭圆区域影响因子impactA和椭圆外背景区域影响因子impactB之和为1;
30,对图像进行HSV直方图计算,并将计算结果存储到数据库;
40,使用改进后的卡方距离算法进行相似图像检索,按照各个特征量之间的相对距离的变化,计算两张图像之间直方图特征点的相似距离,通过遍历计算与数据库中的已有图像的卡方距离,找出最相似的图像,卡方距离越小,两幅图像越相似。
图2是本发明的一种基于HSV的图像相似度识别方法的对图像进行椭圆方式划分的原理图,如图2所示,所述图像分块的椭圆区域长轴的长度为图像长度的0.7倍,短轴的长度为图像高度的0.7倍。
使用椭圆方式划分图像的好处是:
(1)由于椭圆具有旋转不变性,图像经过旋转操作,处于椭圆区域内的图像同样会随着图像进行旋转,不会有像素的增减;
(2)对于不同的图像来说,将图像进行椭圆方式划分,扩大了图像之间的相似距离,假设图像分块之前两幅图像之间的相似距离差别为D,进行椭圆方式划分后,相似度差别普遍扩大,甚至扩大了2倍或者更多;
(3)对于相似图像来说,由于分块之后区域也是对应相似的,因此椭圆划分操作对相似度差别的影响不大;
(4)椭圆方式划分图像,对图像的构图影响较小。
所述设置各个分块权重包括:
预先设置影响因子数值,预先设置的影响因子数值为:impactA=0.5,impactB=0.5;
调整影响因子数值,根据图像信息集中位置调整影响因子的数值,如果图像信息主要集中在椭圆区域,则增大椭圆区域的影响因子,相应减小椭圆外背景区域的影响因子,反之则增大椭圆背景区域的影响因子,减小椭圆区域的影响因子,如果两个区域的图像信息相似,则使用预先设置的影响因子数值,影响因子的取值范围为:
0≤impactA≤1;
0≤impactB≤1;
impactA+impact=1;
可以自定义影响因子的大小,但需要注意,设置的影响因子不科学,会对结果造成较大的影响,例如:设置impactA=0,impactB=1,表示图像的椭圆区域内没有任何图像信息,任意两张图像的椭圆外背景区域相似,则两幅图像是相似的,但是这种极端的情况发生的概率是非常低的。
所述对图像进行HSV直方图计算,并将计算结果存储到数据库包括:
设定色调H的通道表示方式,色调H用角度度量,取值范围为0°~360°,从红色开始按逆时针方向计算,红色为0°,绿色为120°,蓝色为240°,中间的补色是:黄色为60°,青色为180°,品红为300°,十二色相分别为:红、橙、黄、黄绿、绿、青绿、青、靛、蓝、紫、品红、紫红,考虑到色相之间的差别,色相用10个通道表示;
设定饱和度S的通道表示方式,饱和度S表示颜色接近光谱色的程度,一种颜色,可以看成是某种光谱色与白色混合的结果,其中光谱色所占的比例愈大,颜色接近光谱色的程度就愈高,颜色的饱和度也就愈高,饱和度高,颜色则深而艳,饱和度用10个通道表示;
设定亮度V的通道表示方式,亮度表示颜色明亮的程度,对于光源色,亮度值与发光体的光亮度有关,通常取值范围是黑色的0%到白色的100%,明度用3个通道表示;
对于椭圆区域内的图像特征点的数量为:10×10×3个;由于椭圆背景区域的图像特征点的数量与椭圆区域内的图像特征点数量一致,因此,图像特征点的总数为:2×10×10×3个。
RGB空间为人们所熟知,是因为RGB三个颜色分量相互独立,相互对称,更适合将颜色值传递给显示器,但是在图片相似比较中,RGB空间是不合适的,HSV空间能够非常直观的表达色彩的明暗、色调以及鲜艳程度,方便进行颜色之间的对比,以尽量符合人类色彩感知的方式来表述色彩,是针对用户观感的一种颜色模型,也方便感情的传达,HSV空间把色彩分解为在人类眼中不对称的三个分量:色相、饱和度、亮度/明度。这和RGB色彩模型用对称的三个分量来表述色彩完全不同,在处理图片相似时,采用HSV更符合人类色彩感知以及情感,更为生动形象。
所述使用改进后的卡方距离算法进行相似图像检索包括:
定义需要对比的图像x和数据库中的对比图像y;
设定需要对比图像的第n个特征点xn,和数据库中对比图像的第n个特征点yn;
计算xn和yn的卡方距离公式为:
由于椭圆区域和椭圆外背景区域的影响因子不同,则,改进卡方距离公式为:
表示要比较的两张图像之间的相似距离;
xn表示需要对比的图像x的第n个特征点;
yn表示数据库中的对比图像y的第n个特征点;
的计算值越小,则图像的相似度越高。
改进后的卡方距离公式不同区域的影响因子,使相似度的差别增大,因此,图像的相似度判断更加准确。
以上对本发明所提供的一种基于HSV的图像相似度识别方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。