CN109685112A - 一种基于颜色差值算法和DHash的图像相似判定方法 - Google Patents

一种基于颜色差值算法和DHash的图像相似判定方法 Download PDF

Info

Publication number
CN109685112A
CN109685112A CN201811446216.5A CN201811446216A CN109685112A CN 109685112 A CN109685112 A CN 109685112A CN 201811446216 A CN201811446216 A CN 201811446216A CN 109685112 A CN109685112 A CN 109685112A
Authority
CN
China
Prior art keywords
image
dhash
var
difference
matrix
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
CN201811446216.5A
Other languages
English (en)
Inventor
彭艺
尹玉梅
祁俊辉
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201811446216.5A priority Critical patent/CN109685112A/zh
Publication of CN109685112A publication Critical patent/CN109685112A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于颜色差值算法和DHash的图像相似判定方法，属于图像处理技术领域。本发明通过颜色差值算法对图像进行行差值计算，生成其颜色向量，通过余弦定理计算两张图像之间基于颜色差值算法的差值；若基于颜色差值算法的差值大于差值阈值，则判定为图像不相似，结束之后步骤；若基于颜色差值算法的差值小于等于差值阈值，继续通过DHash算法对图像进行Hash化，计算两张图像之间基于DHash的汉明距离；若基于DHash的汉明距离小于汉明距离阈值，则判定图像相似；否则判定为图像不相似。本发明与现有技术相比，主要解决了现有技术在对图像相似判定时存在的运行时间长、效率低等现象，在不失其判定的灵活性和准确度的基础上提高了图像相似判定的效率。

Description

一种基于颜色差值算法和DHash的图像相似判定方法
技术领域
本发明涉及一种基于颜色差值算法和DHash的图像相似判定方法，属于图像处理技术领域。
背景技术
在图像相似判定方法中，可能存在图像的相关性很低但仍然会对图像进行相似度计算而造成浪费时间的问题，准确筛选出无关图像对于提高图像相似判定的效率具有重要意义。
目前，对于图像相似判定的方法有很多，但在判定的效率和准确度方面有很大欠缺。大多数图像判定方法是对两张图片中的内容进行相似度比较，通过设置一个阈值来达到目的。对于差异很大的图像也进行如此过程，就会大大增加运行时间，若在相似判定前进行一个筛选过程，排除差异很大的图像来进行相似判定，就能够在判定效率上有重大突破。
发明内容
本发明要解决的技术问题是针对现有技术的局限和不足，提供一种基于颜色差值算法和DHash的图像相似判定方法，以解决现有技术在对图像相似判定时存在的运行时间长、效率低下等现象，致力于在不失其判定的灵活性和准确度的基础上提高图像相似判定的效率。
本发明的技术方案是：一种基于颜色差值算法和DHash的图像相似判定方法，通过颜色差值算法对图像进行行差值计算，生成其颜色向量，通过余弦定理计算两张图像之间基于颜色差值算法的差值；若基于颜色差值算法的差值大于差值阈值，则判定为图像不相似，结束之后步骤；若基于颜色差值算法的差值小于等于差值阈值，继续通过DHash算法对图像进行Hash化，计算两张图像之间基于DHash的汉明距离；若基于DHash的汉明距离小于汉明距离阈值，则判定图像相似；否则判定为图像不相似。
具体包括以下步骤：
Step1：获取图像A和图像B；
Step2：通过颜色差值算法对图像A和图像B进行差值计算，得到图像A、B之间基于颜色差值算法的差值DVar(A,B)；具体如Step2.1～Step2.7所示；
Step2.1：将图像A、B的大小压缩至8×8；
Step2.2：将压缩后的图像A、B转化为256阶灰度图像，并表示为矩阵形式IA、IB，其中IA(i,j),i∈[1,8],j∈[1,8]、IB(i,j),i∈[1,8],j∈[1,8]为矩阵元素值；
Step2.3：根据公式(1)计算矩阵IA、IB的每行元素平均值IA(i),i∈[1,8]、IB(i),i∈[1,8]；
Step2.4：将矩阵IA、IB按照公式(2)所示计算规则，重新定义矩阵IA、IB的元素值IA(i,j),i∈[1,8],j∈[1,8]、IB(i,j),i∈[1,8],j∈[1,8]；
Step2.5：将矩阵矩阵IA、IB按照从上至下(i＝1→8)、从左至右(j＝1→8)的规则，生成颜色向量VarA、VarB；
Step2.6：通过公式(3)计算图像A、B之间基于颜色差值算法的差值DVar(A,B)，其中VarA(i),i∈[1,64]、VarB(i),i∈[1,64]是颜色向量VarA、VarB的元素值；
Step2.7：定义差值阈值α，若图像A、B之间基于颜色差值算法的差值DVar(A,B)满足式(4)要求，则进行Step3及之后步骤，继续判定其相似与否；若满足公式(5)要求，则判定图像A和图像B不相似，并结束之后步骤；
Dvar(A,B)≤α (4)
Dvar(A,B)＞α (5)
Step3：通过DHash算法对图像A和图像B进行Hash化，得到图像A和图像B之间基于DHash的汉明距离DisD(A,B)；具体如Step3.1～Step3.5所示；
Step3.1：将图像A、B的大小压缩至8×9；
Step3.2：将压缩后的图像A、B转化为256阶灰度图像，并表示为矩阵形式IA、IB，其中IA(i,j),i∈[1,8],j∈[1,9]、IB(i,j),i∈[1,8],j∈[1,9]为矩阵元素值；
Step3.3：根据公式(6)生成新矩阵TA、TB，其中TA(i,j),i∈[1,8],j∈[1,8]、TB(i,j),i∈[1,8],j∈[1,8]为矩阵元素值；
Step3.4：将矩阵按照从上至下(i＝1→8)、从左至右(j＝1→8)的规则，根据公式(7)进行值优化，并对其连接生成图像A、B的DHash值DHashA、DHashB；其中T(i,j)代表适用于TA(i,j)、TB(i,j)；
Step3.5：通过图像A、B的DHash值DHashA、DHashB，计算图像A和图像B之间基于DHash的汉明距离DisD(A,B)；
Step4：定义汉明距离阈值β，若图像A和图像B之间基于DHash的汉明距离DisD(A,B)满足公式(8)要求，则判定图像A和图像B相似；否则判定图像A和图像B不相似。
DisD(A,B)≤β (8)
进一步地，所述步骤Step1中，图像A和图像B可以为任意大小的图像，且图像格式任意。
进一步地，所述步骤Step3.5中，汉明距离指两串Hash值进行异或运算后，结果为“1”的个数。
进一步地，所述步骤Step2.7和Step4中，差值阈值α通常取α＝0.8，汉明距离阈值通常取β＝10，可自行修改。
本发明的有益效果是：解决了现有技术在对图像相似判定时存在的运行时间长、效率低等现象，在不失其判定的灵活性和准确度的基础上提高了图像相似判定的效率。
附图说明
图1是本发明的步骤流程图；
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
实施例1：如图1所示，一种基于颜色差值算法和DHash的图像相似判定方法，通过颜色差值算法对图像进行行差值计算，生成其颜色向量，通过余弦定理计算两张图像之间基于颜色差值算法的差值；若基于颜色差值算法的差值大于差值阈值，则判定为图像不相似，结束之后步骤；若基于颜色差值算法的差值小于等于差值阈值，继续通过DHash算法对图像进行Hash化，计算两张图像之间基于DHash的汉明距离；若基于DHash的汉明距离小于汉明距离阈值，则判定图像相似；否则判定为图像不相似。
具体包括以下步骤：
Step1：获取图像A和图像B；
Step2：通过颜色差值算法对图像A和图像B进行差值计算，得到图像A、B之间基于颜色差值算法的差值DVar(A,B)；具体如Step2.1～Step2.7所示；
Step2.1：将图像A、B的大小压缩至8×8；
Step2.2：将压缩后的图像A、B转化为256阶灰度图像，并表示为矩阵形式IA、IB，其中IA(i,j),i∈[1,8],j∈[1,8]、IB(i,j),i∈[1,8],j∈[1,8]为矩阵元素值；
Step2.3：根据公式(1)计算矩阵IA、IB的每行元素平均值IA(i),i∈[1,8]、IB(i),i∈[1,8]；
Step2.4：将矩阵IA、IB按照公式(2)所示计算规则，重新定义矩阵IA、IB的元素值IA(i,j),i∈[1,8],j∈[1,8]、IB(i,j),i∈[1,8],j∈[1,8]；
Step2.5：将矩阵矩阵IA、IB按照从上至下(i＝1→8)、从左至右(j＝1→8)的规则，生成颜色向量VarA、VarB；
Step2.6：通过公式(3)计算图像A、B之间基于颜色差值算法的差值DVar(A,B)，其中VarA(i),i∈[1,64]、VarB(i),i∈[1,64]是颜色向量VarA、VarB的元素值；
Step2.7：定义差值阈值α，若图像A、B之间基于颜色差值算法的差值DVar(A,B)满足式(4)要求，则进行Step3及之后步骤，继续判定其相似与否；若满足公式(5)要求，则判定图像A和图像B不相似，并结束之后步骤；
Dvar(A,B)≤α (4)
Dvar(A,B)＞α (5)
Step3：通过DHash算法对图像A和图像B进行Hash化，得到图像A和图像B之间基于DHash的汉明距离DisD(A,B)；具体如Step3.1～Step3.5所示；
Step3.1：将图像A、B的大小压缩至8×9；
Step3.2：将压缩后的图像A、B转化为256阶灰度图像，并表示为矩阵形式IA、IB，其中IA(i,j),i∈[1,8],j∈[1,9]、IB(i,j),i∈[1,8],j∈[1,9]为矩阵元素值；
Step3.3：根据公式(6)生成新矩阵TA、TB，其中TA(i,j),i∈[1,8],j∈[1,8]、TB(i,j),i∈[1,8],j∈[1,8]为矩阵元素值；
Step3.4：将矩阵按照从上至下(i＝1→8)、从左至右(j＝1→8)的规则，根据公式(7)进行值优化，并对其连接生成图像A、B的DHash值DHashA、DHashB；其中T(i,j)代表适用于TA(i,j)、TB(i,j)；
Step3.5：通过图像A、B的DHash值DHashA、DHashB，计算图像A和图像B之间基于DHash的汉明距离DisD(A,B)；
Step4：定义汉明距离阈值β，若图像A和图像B之间基于DHash的汉明距离DisD(A,B)满足公式(8)要求，则判定图像A和图像B相似；否则判定图像A和图像B不相似。
DisD(A,B)≤β (8)
进一步地，所述步骤Step1中，图像A和图像B可以为任意大小的图像，且图像格式任意。
进一步地，所述步骤Step3.5中，汉明距离指两串Hash值进行异或运算后，结果为“1”的个数。
进一步地，所述步骤Step2.7和Step4中，差值阈值α通常取α＝0.8，汉明距离阈值通常取β＝10，可自行修改。
实施例2：在实施例1的基础上，取方差阈值α＝0.8、汉明距离阈值β＝10，若步骤Step2.7中图像A和图像B之间基于颜色差值算法的差值DVar(A,B)＝0.7，则判定图像A和图像B不相似，并结束之后步骤。
实施例3：在实施例1的基础上，取方差阈值α＝0.8、汉明距离阈值β＝10，若步骤Step2.7中图像A和图像B之间基于颜色差值算法的差值DVar(A,B)＝0.85，则进行Step3及之后步骤，继续判定其相似与否；若步骤Step4中图像A和图像B之间基于DHash的汉明距离DisD(A,B)＝6，则判定图像A和图像B相似；若步骤Step4中图像A和图像B之间基于DHash的汉明距离DisD(A,B)＝13，则判定图像A和图像B不相似。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (3)

1.一种基于颜色差值算法和DHash的图像相似判定方法，其特征在于：
Step1：获取图像A和图像B；
Step2：通过颜色差值算法对图像A和图像B进行差值计算，得到图像A、B之间基于颜色差值算法的差值DVar(A,B)；具体步骤如Step2.1～Step2.7所示；
Step2.1：将图像A、B的大小压缩至8×8；
Step2.2：将压缩后的图像A、B转化为256阶灰度图像，并表示为矩阵形式IA、IB，其中IA(i,j),i∈[1,8],j∈[1,8]、IB(i,j),i∈[1,8],j∈[1,8]为矩阵元素值；
Step2.3：根据公式(1)计算矩阵IA、IB的每行元素平均值IA(i),i∈[1,8]、IB(i),i∈[1,8]；
Step2.4：将矩阵IA、IB按照公式(2)所示计算规则，重新定义矩阵IA、IB的元素值IA(i,j),i∈[1,8],j∈[1,8]、IB(i,j),i∈[1,8],j∈[1,8]；
Step2.5：将矩阵矩阵IA、IB按照从上至下、从左至右的规则，生成颜色向量VarA、VarB；
Step2.6：通过公式(3)计算图像A、B之间基于颜色差值算法的差值DVar(A,B)，其中VarA(i),i∈[1,64]、VarB(i),i∈[1,64]是颜色向量VarA、VarB的元素值；
Step2.7：定义差值阈值α，若图像A、B之间基于颜色差值算法的差值DVar(A,B)满足式(4)要求，则进行Step3及之后步骤，继续判定其相似与否；若满足公式(5)要求，则判定图像A和图像B不相似，并结束之后步骤；
Dvar(A,B)≤α (4)
Dvar(A,B)＞α (5)
Step3：通过DHash算法对图像A和图像B进行Hash化，得到图像A和图像B之间基于DHash的汉明距离DisD(A,B)；具体步骤如Step3.1～Step3.5所示；
Step3.1：将图像A、B的大小压缩至8×9；
Step3.2：将压缩后的图像A、B转化为256阶灰度图像，并表示为矩阵形式IA、IB，其中IA(i,j),i∈[1,8],j∈[1,9]、IB(i,j),i∈[1,8],j∈[1,9]为矩阵元素值；
Step3.3：根据公式(6)生成新矩阵TA、TB，其中TA(i,j),i∈[1,8],j∈[1,8]、TB(i,j),i∈[1,8],j∈[1,8]为矩阵元素值；
Step3.4：将矩阵按照从上至下(i＝1→8)、从左至右(j＝1→8)的规则，根据公式(7)进行值优化，并对其连接生成图像A、B的DHash值DHashA、DHashB；其中T(i,j)代表适用于TA(i,j)、TB(i,j)；
Step3.5：通过图像A、B的DHash值DHashA、DHashB，计算图像A和图像B之间基于DHash的汉明距离DisD(A,B)；
Step4：定义汉明距离阈值β，若图像A和图像B之间基于DHash的汉明距离DisD(A,B)满足公式(8)要求，则判定图像A和图像B相似；否则判定图像A和图像B不相似；
DisD(A,B)≤β (8)。
2.根据权利要求1所述的基于颜色差值算法和DHash的图像相似判定方法，其特征在于：所述步骤Step1中，图像A和图像B可以为任意大小的图像，且图像格式任意。
3.根据权利要求1所述的基于颜色差值算法和DHash的图像相似判定方法，其特征在于：所述步骤Step3.5中，汉明距离指两串Hash值进行异或运算后，结果为“1”的个数。
CN201811446216.5A 2018-11-29 2018-11-29 一种基于颜色差值算法和DHash的图像相似判定方法 Pending CN109685112A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811446216.5A CN109685112A (zh) 2018-11-29 2018-11-29 一种基于颜色差值算法和DHash的图像相似判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811446216.5A CN109685112A (zh) 2018-11-29 2018-11-29 一种基于颜色差值算法和DHash的图像相似判定方法

Publications (1)

Publication Number Publication Date
CN109685112A true CN109685112A (zh) 2019-04-26

Family

ID=66185027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811446216.5A Pending CN109685112A (zh) 2018-11-29 2018-11-29 一种基于颜色差值算法和DHash的图像相似判定方法

Country Status (1)

Country Link
CN (1) CN109685112A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110599486A (zh) * 2019-09-20 2019-12-20 福州大学 一种视频抄袭的检测方法及系统
CN112861954A (zh) * 2021-02-01 2021-05-28 深圳无域科技技术有限公司 图片相似度计算方法、系统、设备及计算机可读介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129549A (zh) * 2011-01-29 2011-07-20 广西师范大学 基于缩略图和奇异值分解的图像Hash方法
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
US20170193329A1 (en) * 2016-01-04 2017-07-06 Bank Of America Corporation Automatic Image Duplication Identification
CN107315765A (zh) * 2017-05-12 2017-11-03 南京邮电大学 一种大规模图片集分布式近似搜索的方法
CN108090894A (zh) * 2017-11-24 2018-05-29 浙江理工大学 基于距离匹配函数和感知哈希算法的织物疵点检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129549A (zh) * 2011-01-29 2011-07-20 广西师范大学 基于缩略图和奇异值分解的图像Hash方法
US20170193329A1 (en) * 2016-01-04 2017-07-06 Bank Of America Corporation Automatic Image Duplication Identification
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
CN107315765A (zh) * 2017-05-12 2017-11-03 南京邮电大学 一种大规模图片集分布式近似搜索的方法
CN108090894A (zh) * 2017-11-24 2018-05-29 浙江理工大学 基于距离匹配函数和感知哈希算法的织物疵点检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAOMIAO LIU 等: "Deep Supervised Hashing for Fast Image Retrieval", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
吴介,裘正定: "底层内容特征的融合在图像检索中的研究进展", 《中国图象图形学报》 *
彭晏飞 等: "基于卷积神经网络和改进模糊C均值的遥感图像检索", 《激光与光电子学进展》 *
朱奇光 等: "基于全局特征与局部特征的图像分级匹配算法研究及应用", 《中国机械工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110599486A (zh) * 2019-09-20 2019-12-20 福州大学 一种视频抄袭的检测方法及系统
CN112861954A (zh) * 2021-02-01 2021-05-28 深圳无域科技技术有限公司 图片相似度计算方法、系统、设备及计算机可读介质

Similar Documents

Publication Publication Date Title
CN106650829B (zh) 一种图片相似度计算方法
CN106780576B (zh) 一种面向rgbd数据流的相机位姿估计方法
CN107292912B (zh) 一种基于多尺度对应结构化学习的光流估计方法
CN110220493B (zh) 一种双目测距方法及其装置
CN104166987B (zh) 一种基于改进的自适应加权和置信度传播的视差估计方法
CN109685112A (zh) 一种基于颜色差值算法和DHash的图像相似判定方法
CN107423689B (zh) 智能交互式人脸关键点标注方法
CN104079800A (zh) 一种视频监控中视频图像的抗抖动方法
WO2012027904A1 (zh) 从照片合成肖像素描的系统和方法
TWI608447B (zh) 立體影像深度圖產生裝置及方法
CN102609950A (zh) 一种二维视频深度图的生成方法
CN104200453A (zh) 基于图像分割和可信度的视差图像校正方法
CN105282400B (zh) 一种基于几何插值的高效视频稳定方法
CN102348048A (zh) 一种自适应时空域累积滤波和色调映射的视频增强方法
CN105574893B (zh) 一种基于投影梯度的稳像方法
Kim et al. Loop-net: Joint unsupervised disparity and optical flow estimation of stereo videos with spatiotemporal loop consistency
CN109685114A (zh) 一种基于预筛选法和PHash的图像相似判定方法
CN106530330A (zh) 基于低秩稀疏的视频目标跟踪方法
CN110399886B (zh) 一种屏幕图像jnd模型构建方法
CN116152121B (zh) 基于畸变参数的曲面屏生成方法、矫正方法
CN104994368B (zh) 2d‑3d视频转换中的非关键帧排序方法
CN107944471A (zh) 一种基于非线性尺度空间的orb特征点匹配方法
CN107358244A (zh) 一种快速局部不变特征提取与描述方法
CN102929970A (zh) 基于时域视觉关注的视频拷贝检测方法
CN109670070A (zh) 一种基于双重Hash的图像相似判定方法

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20230224

AD01 Patent right deemed abandoned