CN107909076A - 一种基于lbp的图片相似判定方法 - Google Patents
一种基于lbp的图片相似判定方法 Download PDFInfo
- Publication number
- CN107909076A CN107909076A CN201711305520.3A CN201711305520A CN107909076A CN 107909076 A CN107909076 A CN 107909076A CN 201711305520 A CN201711305520 A CN 201711305520A CN 107909076 A CN107909076 A CN 107909076A
- Authority
- CN
- China
- Prior art keywords
- lbp
- values
- pixel
- dct
- picture
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于LBP的图片相似判定方法,在LBP方法之前,先压缩图片,调整像素灰度,之后做DCT变换,得到最简信息,然后进行LBP,之后摒弃了传统的直方图判断方法,而是采用LBP均值散列的方法,得到更多细节。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种基于LBP的图片相似判定方法。
背景技术
LBP(Local Binary Pattern,局部二值模式)是一种用来描述图像局部纹理特征的算子;原始的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码,共256种),即得到该窗口中心像素点的LBP值,并用这个值来反映该区域的纹理信息。如图1所示。
基本的LBP算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域,这显然不能满足不同尺寸和频率纹理的需要。
圆形LBP算子:为了适应不同尺度的纹理特征,并达到灰度和旋转不变性的要求,Ojala等对LBP算子进行了改进,将3×3邻域扩展到任意邻域,并用圆形邻域代替了正方形邻域,改进后的LBP算子允许在半径为R的圆形邻域内有任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子,图2所示。
LBP旋转不变模式:从LBP的定义可以看出,LBP算子是灰度不变的,但却不是旋转不变的。图像的旋转就会得到不同的LBP值。
Maenpaa等人又将LBP算子进行了扩展,提出了具有旋转不变性的LBP算子,即不断旋转圆形邻域得到一系列初始定义的LBP值,取其最小值作为该邻域的LBP值。
图3给出了求取旋转不变的LBP的过程示意图,图中算子下方的数字表示该算子对应的LBP值,图中所示的8种LBP模式,经过旋转不变的处理,最终得到的具有旋转不变性的LBP值为15。也就是说,图中的8种LBP模式对应的旋转不变的LBP模式都是00001111。
LBP等价模式:一个LBP算子可以产生不同的二进制模式,对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生P 2种模式。很显然,随着邻域集内采样点数的增加,二进制模式的种类是急剧增加的。例如:5×5邻域内20个采样点,有220=1,048,576种二进制模式。如此多的二值模式无论对于纹理的提取还是对于纹理的识别、分类及信息的存取都是不利的。同时,过多的模式种类对于纹理的表达是不利的。例如,将LBP算子用于纹理分类或人脸识别时,常采用LBP模式的统计直方图来表达图像的信息,而较多的模式种类将使得数据量过大,且直方图过于稀疏。因此,需要对原始的LBP模式进行降维,使得数据量减少的情况下能最好的代表图像的信息。
为了解决二进制模式过多的问题,提高统计性,Ojala提出了采用一种“等价模式”(Uniform Pattern)来对LBP算子的模式种类进行降维。在实际图像中,绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变。因此,Ojala将“等价模式”定义为:当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时,该LBP所对应的二进制就称为一个等价模式类。如00000000(0次跳变),00000111(只含一次从0到1的跳变),10001111(先由1跳到0,再由0跳到1,共两次跳变)都是等价模式类。除等价模式类以外的模式都归为另一类,称为混合模式类,例如10010111(共四次跳变)。
通过这样的改进,二进制模式的种类大大减少,而不会丢失任何信息。模式数量由原来的2P种减少为P(P-1)+2种,其中P表示邻域集内的采样点数。对于3×3邻域内8个采样点来说,二进制模式由原始的256种减少为58种,这使得特征向量的维数更少,并且可以减少高频噪声带来的影响。
由上述综述可得知:变形之后的LBP很适合人脸及人物运动的判断,但是LBP的计算量庞大,没有效率优势,很难适应互联网海量图片相似的判断。
发明内容
为了克服上述现有技术的不足,本发明提供了一种基于LBP的图片相似判定方法。
本发明提供的一种基于LBP的图片相似判定方法,包括以下步骤:
第一步,压缩图片尺寸
将图片压缩至64*64像素;
第二步,将压缩图片灰度化
将压缩图片降至64级灰度;
第三步,DCT变换
将灰度照片的每个像素进行DCT变换;
第四步,计算每个像素点的LBP值
对于每个区域中像素的DCT值与相邻的8个像素的DCT值进行比较,若周围像素值大于中心DCT值,则该像素点的位置被标记为1,否则为0;3*3邻域内的8个点经比较可产生8位二进制数,即得到该中心像素点的LBP值;
第五步,建立LBP的散列
计算LBP的均值,每个LBP值与均值对比,大于或等于记为1,小于记为0;采用一致性散列,得到64位基于LBP的散列值;
第六步,对比判定
将不同图片的LBP的散列值进行对比,小于或等于5,则判断近似。
有益效果:本发明在LBP方法之前,先压缩图片,调整像素灰度,之后做DCT变换,得到最简信息,然后进行LBP,之后摒弃了传统的直方图判断方法,而是采用LBP均值散列的方法,得到更多细节。
附图说明
图1是LBP方法原理图。
图2是圆形LBP方法原理图。
图3是求取旋转不变的LBP的过程示意图。
图4是原始图谱与LBP图谱。
具体实施方式
实施例:
第一步,压缩图片尺寸
将图片压缩至64*64像素;
第二步,将压缩图片灰度化
将压缩图片降至64级灰度;
第三步,DCT变换
将灰度照片的每个像素进行DCT变换;
第四步,计算每个像素点的LBP值
对于每个区域中像素的DCT值与相邻的8个像素的DCT值进行比较,若周围像素值大于中心DCT值,则该像素点的位置被标记为1,否则为0;3*3邻域内的8个点经比较可产生8位二进制数,即得到该中心像素点的LBP值;
第五步,建立LBP的散列
计算LBP的均值,每个LBP值与均值对比,大于或等于记为1,小于记为0;采用一致性散列,得到64位基于LBP的散列值;
第六步,对比判定
将不同图片的LBP的散列值进行对比,小于或等于5,则判断近似。
Claims (1)
1.一种基于LBP的图片相似判定方法,其特征在于,包括以下步骤:
第一步,压缩图片尺寸
将图片压缩至64*64像素;
第二步,将压缩图片灰度化
将压缩图片降至64级灰度;
第三步,DCT变换
将灰度照片的每个像素进行DCT变换;
第四步,计算每个像素点的LBP值
对于每个区域中像素的DCT值与相邻的8个像素的DCT值进行比较,若周围像素值大于中心DCT值,则该像素点的位置被标记为1,否则为0;3*3邻域内的8个点经比较可产生8位二进制数,即得到该中心像素点的LBP值;
第五步,建立LBP的散列
计算LBP的均值,每个LBP值与均值对比,大于或等于记为1,小于记为0;采用一致性散列,得到64位基于LBP的散列值;
第六步,对比判定
将不同图片的LBP的散列值进行对比,小于或等于5,则判断近似。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711305520.3A CN107909076A (zh) | 2017-12-11 | 2017-12-11 | 一种基于lbp的图片相似判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711305520.3A CN107909076A (zh) | 2017-12-11 | 2017-12-11 | 一种基于lbp的图片相似判定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107909076A true CN107909076A (zh) | 2018-04-13 |
Family
ID=61854147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711305520.3A Withdrawn CN107909076A (zh) | 2017-12-11 | 2017-12-11 | 一种基于lbp的图片相似判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909076A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213891A (zh) * | 2018-08-20 | 2019-01-15 | 深圳市乐唯科技开发有限公司 | 一种使用平均哈希算法搜索图片的方法 |
CN117297554A (zh) * | 2023-11-16 | 2023-12-29 | 哈尔滨海鸿基业科技发展有限公司 | 一种淋巴成像装置控制系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101453575A (zh) * | 2007-12-05 | 2009-06-10 | 中国科学院计算技术研究所 | 一种视频字幕信息提取方法 |
CN106504064A (zh) * | 2016-10-25 | 2017-03-15 | 清华大学 | 基于深度卷积神经网络的服装分类与搭配推荐方法及系统 |
US9628805B2 (en) * | 2014-05-20 | 2017-04-18 | AVAST Software s.r.o. | Tunable multi-part perceptual image hashing |
CN106650829A (zh) * | 2017-01-04 | 2017-05-10 | 华南理工大学 | 一种图片相似度计算方法 |
CN108038488A (zh) * | 2017-12-06 | 2018-05-15 | 河海大学常州校区 | 基于sift和lbp混合的鲁棒性图像哈希方法 |
-
2017
- 2017-12-11 CN CN201711305520.3A patent/CN107909076A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101453575A (zh) * | 2007-12-05 | 2009-06-10 | 中国科学院计算技术研究所 | 一种视频字幕信息提取方法 |
US9628805B2 (en) * | 2014-05-20 | 2017-04-18 | AVAST Software s.r.o. | Tunable multi-part perceptual image hashing |
CN106504064A (zh) * | 2016-10-25 | 2017-03-15 | 清华大学 | 基于深度卷积神经网络的服装分类与搭配推荐方法及系统 |
CN106650829A (zh) * | 2017-01-04 | 2017-05-10 | 华南理工大学 | 一种图片相似度计算方法 |
CN108038488A (zh) * | 2017-12-06 | 2018-05-15 | 河海大学常州校区 | 基于sift和lbp混合的鲁棒性图像哈希方法 |
Non-Patent Citations (1)
Title |
---|
王凯娜: "基于感知哈希的医学图像检索算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213891A (zh) * | 2018-08-20 | 2019-01-15 | 深圳市乐唯科技开发有限公司 | 一种使用平均哈希算法搜索图片的方法 |
CN117297554A (zh) * | 2023-11-16 | 2023-12-29 | 哈尔滨海鸿基业科技发展有限公司 | 一种淋巴成像装置控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
US10140545B2 (en) | Methods and systems for differentiating synthetic and non-synthetic images | |
CN108133215B (zh) | 一种处理单元 | |
CN110428450B (zh) | 应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法 | |
CN108829711B (zh) | 一种基于多特征融合的图像检索方法 | |
US20140286527A1 (en) | Systems and methods for accelerated face detection | |
CN104504662A (zh) | 一种基于同态滤波的图像处理方法及系统 | |
CN115937216A (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
CN104361335B (zh) | 一种基于扫描图像自动去除黑边的处理方法 | |
CN107909076A (zh) | 一种基于lbp的图片相似判定方法 | |
CN112085721A (zh) | 基于人工智能的水淹车定损方法、装置、设备及存储介质 | |
Ancuti et al. | Laplacian-guided image decolorization | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN115909353A (zh) | 一种图像二值化处理方法和装置 | |
CN115033721A (zh) | 基于大数据的图像检索方法 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN110930287B (zh) | 一种图像隐写检测方法、装置及计算机设备、存储介质 | |
CN110766614B (zh) | 一种无线扫描笔的图像预处理方法和系统 | |
CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
CN108052945A (zh) | 一种lbp改进的图片相似判定方法 | |
CN111738984A (zh) | 基于分水岭和种子填充的皮肤图像斑点评估方法及系统 | |
Mustaghfirin et al. | The comparison of iris detection using histogram equalization and adaptive histogram equalization methods | |
KR20060007901A (ko) | 영상으로부터의 중요 객체 추출 장치 및 방법 | |
CN103871084B (zh) | 蓝印花布图案识别方法 | |
CN114445623A (zh) | 一种食品杂质检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180413 |
|
WW01 | Invention patent application withdrawn after publication |