CN108171760A - 一种图像组成复杂度计算方法 - Google Patents

一种图像组成复杂度计算方法 Download PDF

Info

Publication number
CN108171760A
CN108171760A CN201810081722.2A CN201810081722A CN108171760A CN 108171760 A CN108171760 A CN 108171760A CN 201810081722 A CN201810081722 A CN 201810081722A CN 108171760 A CN108171760 A CN 108171760A
Authority
CN
China
Prior art keywords
color
complexity
shape
image
pixel
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.)
Pending
Application number
CN201810081722.2A
Other languages
English (en)
Inventor
周兵
张磊
杨欣欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University
Original Assignee
Henan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University filed Critical Henan University
Priority to CN201810081722.2A priority Critical patent/CN108171760A/zh
Publication of CN108171760A publication Critical patent/CN108171760A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种图像组成复杂度计算方法，包括以下步骤：A：对待处理图像进行计算，分别计算得出待处理图像的颜色组成复杂度和形状组成复杂度；B：分别确定颜色组成复杂度的权重参数和形状组成复杂度的权重参数；然后通过下述公式计算得出待处理图像的组成复杂度。本发明通过分别计算得出待处理图像的颜色组成复杂度和形状组成复杂度；再分别确定颜色组成复杂度的权重参数和形状组成复杂度的权重参数，最终计算得出待处理图像的组成复杂度。本发明从多种图像特征中提取出最具代表性的两种可视化特征：颜色特征和形状特征作为图像复杂度计算的计算因子，极大地提高了本发明中图像复杂度计算的效率与准确率，为后续工作提供数据基础。

Description

一种图像组成复杂度计算方法
技术领域
本发明涉及图像处理领域，尤其涉及一种图像组成复杂度计算方法。
背景技术
图像组成复杂度在图像处理领域有很多应用。图像组成复杂度可以用来衡量目标识别算法的性能。图像组成复杂度还可以用来对图像进行分类或者用于衡量图像之间的相似度。在信息安全领域，很多信息隐写算法也是依据图像组成复杂度来选择合适的隐写区域，以达到最佳效果。
目前在以上研究领域中，如何准确地进行图像组成复杂度计算，成为一个亟待解决的问题。
发明内容
本发明的目的是提供一种图像组成复杂度计算方法，能够利用图像的颜色和形状特征计算出图像组成复杂度，为后续的目标识别算法性能衡量、图像相似度衡量及信息隐写区域选择提供数据基础。
本发明采用下述技术方案：
一种图像组成复杂度计算方法，包括以下步骤：
A：对待处理图像进行计算，分别计算得出待处理图像的颜色组成复杂度CC和形状组成复杂度CS；
其中，颜色组成复杂度CC的下角标c为colour的首字母缩写，形状组成复杂度CS的下角标s为shape的首字母缩写；
B：分别确定颜色组成复杂度CC的权重参数α和形状组成复杂度CS的权重参数β；然后通过下述公式计算得出待处理图像的组成复杂度C；
C＝αCc+βCS。
在计算待处理图像的颜色组成复杂度Cc时，首先计算得出待处理图像中不同颜色所对应的颜色连通域，并计算出每一个颜色连通域的像素个数Pa和像素比例PRa；再依据下述公式计算得出每一种颜色的空间分布复杂度Cd；
其中,Pak为第k个颜色连通域的像素个数,PRak为第k个颜色连通域的像素比例，k为自然数；
随后计算得出待处理图像中每一种颜色的像素个数PC和像素比例PRC；再以对应颜色的空间分布复杂度Cd作为权重，依据下述公式计算得出待处理图像的颜色组成复杂度CC；
其中，Cdk为对应的第k种颜色的空间分布复杂度，Pck为对应的第k种颜色的像素个数，PRck为对应的第k种颜色的像素比例，k为自然数。
所述的待处理图像的颜色组成复杂度CC的计算方法，包括以下步骤：
A1-1：定义集合Region，用于保存一个连通域信息；定义列表CRList，用于保存一个颜色所有的连通域；定义列表CList，用于保存所有颜色的信息；然后进入步骤A1-2；
A1-2：读入一个未处理像素；然后进入步骤A1-3；
A1-3：将读入的未处理像素的颜色转换为HIS颜色空间下的颜色C；然后进入步骤A1-4；
A1-4：新建一个连通域集合R；然后进入步骤A1-5；
A1-5：将读入的未处理像素加入队列Q；然后进入步骤A1-6；
A1-6：判断队列Q是否为空，若队列Q为空，则进入步骤A1-9；若队列Q不为空，则进入步骤A1-7；
A1-7：从队列Q中移除位于队列头部的像素P，并将像素P加入连通域集合R中，标记像素P为已处理；然后进入步骤A1-8；
A1-8：判断像素P周边的8个紧邻像素的颜色是否与颜色C相同，将颜色相同的紧邻像素加入队列Q的队列尾部，将颜色不同的紧邻像素舍弃，然后进入步骤A1-6，
A1-9：判断颜色C是否已经在列表CList中；如果是，则将连通域集合R加入颜色C所对应的列表CRList中，然后进入步骤A1-10；如果否，则新建颜色C所对应的列表CRList，将连通域集合R加入新建的颜色C所对应的列表CRList中，并将新建的颜色C所对应的列表CRList加入列表CList中；然后进入步骤A1-10；
A1-10：判断是否还存在未处理像素；若存在，则返回步骤A1-2，若不存在，则进入步骤A1-11；
A1-11：利用列表CRList中同一种颜色的所有连通域，计算该颜色的空间分布复杂度Cd；
其中,Pak为第k个颜色连通域的像素个数,PRak为第k个颜色连通域的像素比例，k为自然数；然后进入步骤A1-12；
A1-12：利用列表CRList和列表CList，合并同一种颜色的所有连通域，然后获得每一种颜色的像素个数PC和像素比例PRC，再以对应颜色的空间分布复杂度Cd作为权重，最终计算得出待处理图像的颜色组成复杂度CC；
其中，Cdk为对应的第k种颜色的空间分布复杂度，Pck为对应的第k种颜色的像素个数，PRck为对应的第k种颜色的像素比例，k为自然数。
所述的步骤A中，在计算待处理图像的形状组成复杂度CS时，首先对待处理图像进行边缘检测以获得边缘图像，然后计算得出边缘图像中各个形状的像素个数Ps和像素比例PRs，并计算出每个单独形状的斜率变化次数作为该形状本身的复杂度Sk，再利用公式计算得出待处理图像的形状组成复杂度CS；
其中，Sk为第k个形状本身的复杂度，即该形状的轮廓斜率的变化次数，Psk为第k个形状的像素个数，PRsk为第k个形状的像素比例，k为自然数。
所述的待处理图像的形状组成复杂度CS的计算方法，包括以下步骤：
A2-1：定义集合Shape，用于保存一个形状信息；定义列表SList，用于保存所有形状；然后进入步骤A2-2；
A2-2：利用Sobel算子对待处理图像进行边缘检测，获得边缘图像Edgelmage，边缘图像Edgelmage包含着所有形状的轮廓像素；然后进入步骤A2-3；
A2-3：从边缘图像Edgelmage中读入一个未处理像素，设置当前未处理像素的前一像素等于空；然后进入步骤A2-4；
A2-4：新建一个形状集合Shape，设置形状Shape本身复杂度S等于0；然后进入步骤A2-5；
A2-5：将未处理像素加入队列Q；然后进入步骤A2-6；
A2-6：判断队列Q是否为空，若队列Q为空，则进入步骤A2-13；若队列Q不为空，则进入步骤A2-7；
A2-7：从队列Q中移除位于队列头部的像素P；然后进入步骤A2-8；
A2-8：将像素P加入集合Shape，并标记为已处理；然后进入步骤A2-9；
A2-9：判断像素P是否存在紧邻像素，若存在，则进入步骤A2-10；若不存在，则进入步骤A2-6；
A2-10：获取像素P的所有紧邻像素Pnext；设置Pnext的前一像素Pprev为P；将紧邻像素Pnext加入队列Q的队列尾部；然后进入步骤A2-11；
A2-11：判断P的前一像素Pprev是否为空，若为空，则进入步骤A2-6；若不为空，则进入步骤A2-12；
A2-12：计算像素P到其前一像素Pprev的斜率slprev以及像素P到其紧邻像素Pnext的斜率slnext；若斜率slprev不等于斜率slnext，则形状本身复杂度S值增加1；若斜率slprev等于斜率slnext，则形状本身复杂度值不变；然后进入步骤A2-6；
A2-13：将形状集合Shape加入形状列表Slist中；进入步骤A2-14；
A2-14：判断是否还存在未处理像素；若存在，则返回步骤A2-3，若不存在，则进入步骤A2-15；
A2-15：利用列表Slist，通过公式计算得出待处理图像的形状组成复杂度CS；
其中，Sk为第k个形状本身的复杂度，即该形状的轮廓斜率的变化次数，Psk为第k个形状的像素个数，PRsk为第k个形状的像素比例，k为自然数。
所述的步骤B中，颜色组成复杂度CC的权重参数α和形状组成复杂度CS的权重参数β的确定方法，依次包括以下步骤：
B1：选取若干典型图像样本并进行样本评分，得到若干典型图像样本的组成复杂度C；
B2：分别对选取的若干典型图像样本进行计算，得出各个典型图像样本的颜色组成复杂度Cc和形状组成复杂度CS；
B3：利用支持向量机回归，对计算得到的若干个典型图像样本的组成复杂度C、各个典型图像样本的颜色组成复杂度Cc和形状组成复杂度CS进行相关性分析，获得颜色组成复杂度Cc的权重参数α和形状组成复杂度CS的权重参数β的值。
所述的步骤B1包括以下具体步骤：
B1-1：随机选取所有典型图像样本中的25％的典型图像样本；
B1-2：对所选取的典型图像样本，以现有图像组成复杂度评分标准进行评分，评分取值范围从1到10，1代表最简单，10代表图像最复杂；
B1-3：分别计算每个典型样本图像评分的平均值，并将平均值作为此对典型样本图像的图像组成复杂度C的评分最终结果。
本发明通过分别计算得出待处理图像的颜色组成复杂度和形状组成复杂度；再分别确定颜色组成复杂度的权重参数和形状组成复杂度的权重参数，最终计算得出待处理图像的组成复杂度。本发明从多种图像特征中提取出最具代表性的两种可视化特征：颜色特征和形状特征作为图像复杂度计算的计算因子，极大地提高了本发明中图像复杂度计算的效率与准确率，为后续的目标识别算法性能衡量、图像相似度衡量及信息隐写区域选择提供数据基础。
附图说明
图1为本发明的流程示意图；
图2为本发明中待处理图像的颜色组成复杂度计算方法流程示意图；
图3为本发明中形状组成复杂度计算方法流程示意图。
具体实施方式
以下结合附图和实施例对本发明作以详细的描述：
如图1所示，本发明所述的一种图像组成复杂度计算方法，包括以下步骤：
A：对待处理图像进行计算，分别计算得出待处理图像的颜色组成复杂度CC和形状组成复杂度CS；
其中，颜色组成复杂度CC的下角标c为colour的首字母缩写，形状组成复杂度CS的下角标s为shape的首字母缩写；
B：分别确定颜色组成复杂度CC的权重参数α和形状组成复杂度CS的权重参数β；然后通过下述公式计算得出待处理图像的组成复杂度C；
C＝αCc+βCS。
本发明从多种图像特征中提取出最具代表性的两种可视化特征：颜色特征和形状特征作为图像复杂度计算的计算因子，极大地提高了本发明中图像复杂度计算的效率与准确率。
本发明的步骤A中，首先计算得出待处理图像中不同颜色所对应的颜色连通域，并计算出每一个颜色连通域的像素个数Pa和像素比例PRa；再依据下述公式计算得出每一种颜色的空间分布复杂度Cd；
其中,Pak为第k个颜色连通域的像素个数,PRak为第k个颜色连通域的像素比例，k为自然数。
随后计算得出待处理图像中每一种颜色的像素个数PC和像素比例PRC；再以对应颜色的空间分布复杂度Cd作为权重，依据下述公式计算得出待处理图像的颜色组成复杂度CC；
其中，Cdk为对应的第k种颜色的空间分布复杂度，Pck为对应的第k种颜色的像素个数，PRck为对应的第k种颜色的像素比例，k为自然数。
本发明中，在计算待处理图像的颜色组成复杂度CC时，既考虑了待处理图像中所包含的不同颜色的个数，同时还考虑了每一种颜色在空间上的分布情况，通过颜色的空间分布函数和颜色的分布函数，最终获得待处理图像的颜色组成复杂度CC，以提高本发明中颜色组成复杂度CC计算的效率与准确率。
颜色的空间分布函数，如下表表1所示：
表1.颜色的空间分布函数
颜色连通域 连通域1 连通域2 … 连通域K
像素个数 Pa1 Pa2 … Pak
像素比例 PRa1 PRa2 … PRak
颜色的空间分布函数说明了颜色连通域的个数以及每个连通域包含的像素个数，反映了颜色在图像中的空间分布信息。连通域个数越多，颜色在图像中的分布必然越分散，图像就比较复杂。
颜色连通域由颜色相同且存在紧邻关系的所有像素组成，即：处于同一个颜色连通域的像素的颜色相同，而且一个像素的紧邻的同色像素也在连通域内。紧邻关系指一个像素周边的8个像素(上、下、左、右、左上、左下、右上、右下)。一个颜色连通域在图像上表现出一个颜色斑块。
颜色的分布函数，如下表表2所示：
表2.颜色的分布函数
颜色 颜色1 颜色2 … 颜色K
像素个数 PC1 PC2 … PCk
像素比例 PRC1 PRC2 … PRCk
颜色的分布函数说明了颜色的个数以及每个颜色包含的像素个数，反映了颜色种类信息。一般来说，颜色越多，图像越复杂。
在得到待处理图像中每一种颜色的像素个数PC和像素比例PRC；再以对应颜色的空间分布复杂度Cd作为权重，即可依据下述公式计算得出待处理图像的颜色组成复杂度CC；
本实施例中，如图2所示，步骤A中，待处理图像的颜色组成复杂度CC的计算方法，具体包括以下步骤：
A1-1：定义集合Region，用于保存一个连通域信息；定义列表CRList，用于保存一个颜色所有的连通域；定义列表CList，用于保存所有颜色的信息；然后进入步骤A1-2；
A1-2：读入一个未处理像素；然后进入步骤A1-3；
A1-3：将读入的未处理像素的颜色转换为HIS颜色空间下的颜色C；然后进入步骤A1-4；
A1-4：新建一个连通域集合R；然后进入步骤A1-5；
A1-5：将读入的未处理像素加入队列Q；然后进入步骤A1-6；
A1-6：判断队列Q是否为空，若队列Q为空，则进入步骤A1-9；若队列Q不为空，则进入步骤A1-7；
A1-7：从队列Q中移除位于队列头部的像素P，并将像素P加入连通域集合R中，标记像素P为已处理；然后进入步骤A1-8；
A1-8：判断像素P周边的8个紧邻像素的颜色是否与颜色C相同，将颜色相同的紧邻像素加入队列Q的队列尾部，将颜色不同的紧邻像素舍弃，然后进入步骤A1-6，
A1-9：判断颜色C是否已经在列表CList中；如果是，则将连通域集合R加入颜色C所对应的列表CRList中，然后进入步骤A1-10；如果否，则新建颜色C所对应的列表CRList，将连通域集合R加入新建的颜色C所对应的列表CRList中，并将新建的颜色C所对应的列表CRList加入列表CList中；然后进入步骤A1-10；
A1-10：判断是否还存在未处理像素；若存在，则返回步骤A1-2，若不存在，则进入步骤A1-11；
A1-11：利用列表CRList中同一种颜色的所有连通域，计算该颜色的空间分布复杂度Cd；
其中,Pak为第k个颜色连通域的像素个数,PRak为第k个颜色连通域的像素比例，k为自然数；然后进入步骤A1-12；
A1-12：利用列表CRList和列表CList，合并同一种颜色的所有连通域，然后获得每一种颜色的像素个数PC和像素比例PRC，再以对应颜色的空间分布复杂度Cd作为权重，最终计算得出待处理图像的颜色组成复杂度CC；
其中，Cdk为对应的第k种颜色的空间分布复杂度，Pck为对应的第k种颜色的像素个数，PRck为对应的第k种颜色的像素比例，k为自然数。
本发明的步骤A中，在计算待处理图像的形状组成复杂度CS时，首先对待处理图像进行边缘检测以获得边缘图像，然后计算得出边缘图像中各个形状的像素个数Ps和像素比例PRs，并计算出每个单独形状的斜率变化次数作为该形状本身的复杂度Sk，再利用公式计算得出待处理图像的形状组成复杂度CS；
其中，Sk为第k个形状本身的复杂度，即该形状的轮廓斜率的变化次数，Psk为第k个形状的像素个数，PRsk为第k个形状的像素比例，k为自然数。
本发明中，在计算待处理图像的形状组成复杂度CS时，既考虑了待处理图像中所包含的不同形状的个数，同时还考虑了每个形状本身的复杂度，通过计算不同形状的分布函数，最终获得待处理图像的形状组成复杂度CS，以提高本发明中形状组成复杂度CS计算的效率与准确率。
不同形状的分布函数如下表表3所示：
表3.不同形状的分布函数
形状 形状1 形状2 … 形状K
像素个数 Ps1 Ps2 … Psk
像素比例 PRs1 PRs2 … PRsk
形状的分布函数说明了形状的个数和每个形状包含的像素个数。形状越多，图像越复杂。形状包含像素越少，形状越小，越难以分辨，越复杂。
本实施例中，如图3所示，待处理图像的形状组成复杂度Cs的计算方法，包括以下步骤：
A2-1：定义集合Shape，用于保存一个形状信息；定义列表SList，用于保存所有形状；然后进入步骤A2-2；
A2-2：利用Sobel算子对待处理图像进行边缘检测，获得边缘图像Edgelmage，边缘图像Edgelmage包含着所有形状的轮廓像素；然后进入步骤A2-3；
A2-3：从边缘图像Edgelmage中读入一个未处理像素，设置当前未处理像素的前一像素等于空；然后进入步骤A2-4；
A2-4：新建一个形状集合Shape，设置形状Shape本身复杂度S等于0；然后进入步骤A2-5；
A2-5：将未处理像素加入队列Q；然后进入步骤A2-6；
A2-6：判断队列Q是否为空，若队列Q为空(表明一个形状处理完成)，则进入步骤A2-13；若队列Q不为空，则进入步骤A2-7；
A2-7：从队列Q中移除位于队列头部的像素P；然后进入步骤A2-8；
A2-8：将像素P加入集合Shape，并标记为已处理；然后进入步骤A2-9；
A2-9：判断像素P是否存在紧邻像素，若存在，则进入步骤A2-10(表明需要计算斜率)；若不存在，则进入步骤A2-6(表明不用计算斜率)；
A2-10：获取像素P的所有紧邻像素Pnext；设置Pnext的前一像素Pprev为P；将紧邻像素Pnext加入队列Q的队列尾部；然后进入步骤A2-11；
A2-11：判断P的前一像素Pprev是否为空，若为空，则进入步骤A2-6(表明不用计算斜率)；若不为空，则进入步骤A2-12；
A2-12：计算像素P到其前一像素Pprev的斜率slprev以及像素P到其紧邻像素Pnext的斜率slnext(可能有多个)；若斜率slprev不等于斜率slnext，则形状本身复杂度S值增加1；若斜率slprev等于斜率slnext，则形状本身复杂度值不变；然后进入步骤A2-6(当前像素处理完成)；
A2-13：将形状集合Shape加入形状列表Slist中；进入步骤A2-14；
A2-14：判断是否还存在未处理像素；若存在，则返回步骤A2-3，若不存在，则进入步骤A2-15；
A2-15：利用列表Slist，通过公式计算得出待处理图像的形状组成复杂度CS；
其中，Sk为第k个形状本身的复杂度，即该形状的轮廓斜率的变化次数，Psk为第k个形状的像素个数，PRsk为第k个形状的像素比例，k为自然数。
由于图像的来源很多，图像的内容也千差万别，所以权重α和β的取值并非固定，需要根据图像的特点进行调整改变，以提高本发明中图像组成复杂度计算的效率与准确率。
因此，本实施例中，步骤B中颜色组成复杂度CC的权重参数α和形状组成复杂度CS的权重参数β的确定方法，依次包括以下步骤：
B1：选取若干典型图像样本并进行样本评分，得到若干典型图像样本的组成复杂度C；
其中，步骤B1包括以下具体步骤：
B1-1：随机选取所有典型图像样本中的25％的典型图像样本；
B1-2：对所选取的典型图像样本，以现有图像组成复杂度评分标准进行评分，评分取值范围从1到10，1代表最简单，10代表图像最复杂；
B1-3：分别计算每个典型样本图像评分的平均值，并将平均值作为此对典型样本图像的图像组成复杂度C的评分最终结果。
B2：分别对选取的若干典型图像样本进行计算，得出各个典型图像样本的颜色组成复杂度CC和形状组成复杂度CS；
B3：利用支持向量机回归，对计算得到的若干个典型图像样本的组成复杂度C、各个典型图像样本的颜色组成复杂度CC和形状组成复杂度CS进行回归分析，获得颜色组成复杂度CC的权重参数α和形状组成复杂度CS的权重参数β的值。

Claims (7)

1.一种图像组成复杂度计算方法，其特征在于，包括以下步骤：
A：对待处理图像进行计算，分别计算得出待处理图像的颜色组成复杂度CC和形状组成复杂度CS；
其中，颜色组成复杂度CC的下角标c为colour的首字母缩写，形状组成复杂度CS的下角标s为shape的首字母缩写；
B：分别确定颜色组成复杂度CC的权重参数α和形状组成复杂度CS的权重参数β；然后通过下述公式计算得出待处理图像的组成复杂度C；
C＝αCc+βCS。
2.根据权利要求1所述的图像组成复杂度计算方法，其特征在于：在计算待处理图像的颜色组成复杂度CC时，首先计算得出待处理图像中不同颜色所对应的颜色连通域，并计算出每一个颜色连通域的像素个数Pa和像素比例PRa；再依据下述公式计算得出每一种颜色的空间分布复杂度Cd；
其中,Pak为第k个颜色连通域的像素个数,PRak为第k个颜色连通域的像素比例，k为自然数；
随后计算得出待处理图像中每一种颜色的像素个数PC和像素比例PRC；再以对应颜色的空间分布复杂度Cd作为权重，依据下述公式计算得出待处理图像的颜色组成复杂度CC；
其中，Cdk为对应的第k种颜色的空间分布复杂度，Pck为对应的第k种颜色的像素个数，PRck为对应的第k种颜色的像素比例，k为自然数。
3.根据权利要求2所述的图像组成复杂度计算方法，其特征在于：所述的待处理图像的颜色组成复杂度CC的计算方法，包括以下步骤：
A1-1：定义集合Region，用于保存一个连通域信息；定义列表CRList，用于保存一个颜色所有的连通域；定义列表CList，用于保存所有颜色的信息；然后进入步骤A1-2；
A1-2：读入一个未处理像素；然后进入步骤A1-3；
A1-3：将读入的未处理像素的颜色转换为HIS颜色空间下的颜色C；然后进入步骤A1-4；
A1-4：新建一个连通域集合R；然后进入步骤A1-5；
A1-5：将读入的未处理像素加入队列Q；然后进入步骤A1-6；
A1-6：判断队列Q是否为空，若队列Q为空，则进入步骤A1-9；若队列Q不为空，则进入步骤A1-7；
A1-7：从队列Q中移除位于队列头部的像素P，并将像素P加入连通域集合R中，标记像素P为已处理；然后进入步骤A1-8；
A1-8：判断像素P周边的8个紧邻像素的颜色是否与颜色C相同，将颜色相同的紧邻像素加入队列Q的队列尾部，将颜色不同的紧邻像素舍弃，然后进入步骤A1-6，
A1-9：判断颜色C是否已经在列表CList中；如果是，则将连通域集合R加入颜色C所对应的列表CRList中，然后进入步骤A1-10；如果否，则新建颜色C所对应的列表CRList，将连通域集合R加入新建的颜色C所对应的列表CRList中，并将新建的颜色C所对应的列表CRList加入列表CList中；然后进入步骤A1-10；
A1-10：判断是否还存在未处理像素；若存在，则返回步骤A1-2，若不存在，则进入步骤A1-11；
A1-11：利用列表CRList中同一种颜色的所有连通域，计算该颜色的空间分布复杂度Cd；
其中,Pak为第k个颜色连通域的像素个数,PRak为第k个颜色连通域的像素比例，k为自然数；然后进入步骤A1-12；
A1-12：利用列表CRList和列表CList，合并同一种颜色的所有连通域，然后获得每一种颜色的像素个数PC和像素比例PRC，再以对应颜色的空间分布复杂度Cd作为权重，最终计算得出待处理图像的颜色组成复杂度CC；
其中，Cdk为对应的第k种颜色的空间分布复杂度，Pck为对应的第k种颜色的像素个数，PRck为对应的第k种颜色的像素比例，k为自然数。
4.根据权利要求1所述的图像组成复杂度计算方法，其特征在于：所述的步骤A中，在计算待处理图像的形状组成复杂度CS时，首先对待处理图像进行边缘检测以获得边缘图像，然后计算得出边缘图像中各个形状的像素个数Ps和像素比例PRs，并计算出每个单独形状的斜率变化次数作为该形状本身的复杂度Sk，再利用公式计算得出待处理图像的形状组成复杂度CS；
其中，Sk为第k个形状本身的复杂度，即该形状的轮廓斜率的变化次数，Psk为第k个形状的像素个数，PRsk为第k个形状的像素比例，k为自然数。
5.根据权利要求4所述的图像组成复杂度计算方法，其特征在于：所述的待处理图像的形状组成复杂度CS的计算方法，包括以下步骤：
A2-1：定义集合Shape，用于保存一个形状信息；定义列表SList，用于保存所有形状；然后进入步骤A2-2；
A2-2：利用Sobel算子对待处理图像进行边缘检测，获得边缘图像Edgelmage，边缘图像Edgelmage包含着所有形状的轮廓像素；然后进入步骤A2-3；
A2-3：从边缘图像Edgelmage中读入一个未处理像素，设置当前未处理像素的前一像素等于空；然后进入步骤A2-4；
A2-4：新建一个形状集合Shape，设置形状Shape本身复杂度S等于0；然后进入步骤A2-5；
A2-5：将未处理像素加入队列Q；然后进入步骤A2-6；
A2-6：判断队列Q是否为空，若队列Q为空，则进入步骤A2-13；若队列Q不为空，则进入步骤A2-7；
A2-7：从队列Q中移除位于队列头部的像素P；然后进入步骤A2-8；
A2-8：将像素P加入集合Shape，并标记为已处理；然后进入步骤A2-9；
A2-9：判断像素P是否存在紧邻像素，若存在，则进入步骤A2-10；若不存在，则进入步骤A2-6；
A2-10：获取像素P的所有紧邻像素Pnext；设置Pnext的前一像素Pprev为P；将紧邻像素Pnext加入队列Q的队列尾部；然后进入步骤A2-11；
A2-11：判断P的前一像素Pprev是否为空，若为空，则进入步骤A2-6；若不为空，则进入步骤A2-12；
A2-12：计算像素P到其前一像素Pprev的斜率slprev以及像素P到其紧邻像素Pnext的斜率slnext；若斜率slprev不等于斜率slnext，则形状本身复杂度S值增加1；若斜率slprev等于斜率slnext，则形状本身复杂度值不变；然后进入步骤A2-6；
A2-13：将形状集合Shape加入形状列表Slist中；进入步骤A2-14；
A2-14：判断是否还存在未处理像素；若存在，则返回步骤A2-3，若不存在，则进入步骤A2-15；
A2-15：利用列表Slist，通过公式计算得出待处理图像的形状组成复杂度CS；
其中，Sk为第k个形状本身的复杂度，即该形状的轮廓斜率的变化次数，Psk为第k个形状的像素个数，PRsk为第k个形状的像素比例，k为自然数。
6.根据权利要求1所述的图像组成复杂度计算方法，其特征在于，所述的步骤B中，颜色组成复杂度CC的权重参数α和形状组成复杂度CS的权重参数β的确定方法，依次包括以下步骤：
B1：选取若干典型图像样本并进行样本评分，得到若干典型图像样本的组成复杂度C；
B2：分别对选取的若干典型图像样本进行计算，得出各个典型图像样本的颜色组成复杂度CC和形状组成复杂度CS；
B3：利用支持向量机回归，对计算得到的若干个典型图像样本的组成复杂度C、各个典型图像样本的颜色组成复杂度CC和形状组成复杂度CS进行相关性分析，获得颜色组成复杂度CC的权重参数α和形状组成复杂度CS的权重参数β的值。
7.根据权利要求6所述的图像组成复杂度计算方法，其特征在于：所述的步骤B1包括以下具体步骤：
B1-1：随机选取所有典型图像样本中的25％的典型图像样本；
B1-2：对所选取的典型图像样本，以现有图像组成复杂度评分标准进行评分，评分取值范围从1到10，1代表最简单，10代表图像最复杂；
B1-3：分别计算每个典型样本图像评分的平均值，并将平均值作为此对典型样本图像的图像组成复杂度C的评分最终结果。
CN201810081722.2A 2018-01-29 2018-01-29 一种图像组成复杂度计算方法 Pending CN108171760A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810081722.2A CN108171760A (zh) 2018-01-29 2018-01-29 一种图像组成复杂度计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810081722.2A CN108171760A (zh) 2018-01-29 2018-01-29 一种图像组成复杂度计算方法

Publications (1)

Publication Number Publication Date
CN108171760A true CN108171760A (zh) 2018-06-15

Family

ID=62515672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810081722.2A Pending CN108171760A (zh) 2018-01-29 2018-01-29 一种图像组成复杂度计算方法

Country Status (1)

Country Link
CN (1) CN108171760A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492416A (zh) * 2019-01-07 2019-03-19 南京信息工程大学 一种基于安全区域的大数据图像保护方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102141998A (zh) * 2010-02-03 2011-08-03 中国科学院自动化研究所 网页视觉复杂度的自动评价方法
CN106570183A (zh) * 2016-11-14 2017-04-19 宜宾学院 一种彩色图像检索和分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102141998A (zh) * 2010-02-03 2011-08-03 中国科学院自动化研究所 网页视觉复杂度的自动评价方法
CN106570183A (zh) * 2016-11-14 2017-04-19 宜宾学院 一种彩色图像检索和分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周兵等: "一种彩色图像特征复杂度的定义", 《河南大学学报（自然科学版）》 *
许爽: "基于颜色特征的图像复杂度研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492416A (zh) * 2019-01-07 2019-03-19 南京信息工程大学 一种基于安全区域的大数据图像保护方法和系统

Similar Documents

Publication Publication Date Title
US11282185B2 (en) Information processing device, information processing method, and storage medium
EP3633605A1 (en) Information processing device, information processing method, and program
CN104899586B (zh) 对图像中包含的文字内容进行识别方法及装置
CN105225226B (zh) 一种基于图像分割的级联可变形部件模型目标检测方法
CN102163281B (zh) 基于AdaBoost框架和头部颜色的实时人体检测方法
CN104598886B (zh) 一种利用近红外高光谱图像识别霉变油料作物的方法
US20130342694A1 (en) Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device
CN105974120B (zh) 一种c反应蛋白色度自动检测装置与方法
TWI266051B (en) Improved segmentation technique of an image
US8559714B2 (en) Post processing for improved generation of intrinsic images
CN105023027A (zh) 基于多次反馈机制的现场鞋底痕迹花纹图像检索方法
US20140294296A1 (en) Spatially varying log-chromaticity normals for use in an image process
CN104462382A (zh) 商标图像查询方法
Song et al. Wood materials defects detection using image block percentile color histogram and eigenvector texture feature
CN108171760A (zh) 一种图像组成复杂度计算方法
CN111222530A (zh) 一种细粒度图像分类方法、系统、装置和存储介质
CN101799920A (zh) 基于颜色特征的舌象分析方法及其应用
US8913829B2 (en) Automatic processing scale estimation for use in an image process
US8428352B1 (en) Post processing for improved generation of intrinsic images
JP5860970B2 (ja) 固有画像の生成を改良するための後処理
CN115496724A (zh) 一种线宽检测方法、装置及存储介质
CN113470125A (zh) 一种对图案进行颜色搭配的方法及系统
CN110310274A (zh) 一种植物花朵数量检测方法
US8842907B2 (en) Method for performing a multi-clustering merge for use in an image process
US8849018B2 (en) Log-chromaticity clustering pipeline for use in an image process

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180615

WD01 Invention patent application deemed withdrawn after publication