CN110766708A - 基于轮廓相似度的图像比较方法 - Google Patents

Abstract

本发明计算机图像处理领域，具体涉及一种基于轮廓相似度的图像比较方法，该方法主要思路：首先选取两幅图像进行二值化，然后对图像均匀分割，将分割后的局部图片进行特征二值提取，以此构造卷积矩阵，最后采用欧式距离与余弦相似度归一化的方法进行轮廓相似度的计算，从而获得两幅图像的轮廓相似度的精确值，最后用里克特量表进行相似度的评估。该方法一方面可用于减少因图像背景的噪声干扰从而导致目标识别的误判概率；另一方面，当应用于迷彩伪装效果评价时，轮廓相似度可作为一个新的相似度评价指标。

Description

基于轮廓相似度的图像比较方法

技术领域

本发明属于计算机图像处理领域，具体涉及一种基于轮廓相似度的图像比较方法，该方法可用于减少因图像背景的噪声干扰从而导致目标识别的误判概率；同时，当应用于迷彩伪装效果评价时，轮廓相似度可作为一个新的相似度评价指标。

背景技术

在军事工程伪装中，常常利用迷彩伪装技术来使得目标与周围背景之间的边缘模糊，使其融入背景中，从而减少被敌方发现和攻击的危险。目标与背景之间的差异是目标暴露的根本原因，因此，目标与背景的相似度就成为迷彩伪装效果的重要评价指标。

相似度是指目标与背景的图像特征的相似程度，其值在[0，1]之间。一般来说，目标与背景的特性差异越大，相似度值就越小，目标越容易从背景中区分出来。反之亦然。

现有技术的不足主要表现在如下三个方面：

第一在目标的轮廓提取方面。由于图像分割模型的不同，以致提取出不同的信息。国内曾有人提出基于阈值的图像分割方法，但由于阈值对噪声比较敏感，容易出现“过度分割”或者“欠分割”，导致图像目标物体的信息遭到损失，提取出的轮廓信息就不够精确。

第二在目标与背景的相似度计算方面。目前已被采用的特征相似度指标有：颜色特征、纹理特征、结构特征以及二阶统计矩特征等。由于目标与背景的边缘交接处(即目标的外部轮廓)是一个重要的暴露特征，而上述指标并没有包含这一特征，以致缺少对目标轮廓特征的描述，进而导致伪装效果评价体系不够全面。

第三在背景的多样适应性方面。由于我国地域辽阔，不同地区的地形、地貌变化较大，国内有人提出过基于小波纹理的评价模型、基于高光谱评价模型和基于结构信息的评价模型等方法，但该类方法均只能针对单一的特定环境背景，且评价指标单一，因而不能很好地适用于不同环境背景的伪装效果评价。

发明内容

本发明的目的是提供一种基于轮廓相似度的图像比较方法，解决因图像背景噪声影响而导致的目标识别率较低的问题。

为实现上述目的，本发明提出的技术方案是：

基于轮廓相似度的图像比较算法，包括以下步骤：

步骤(1)、输入一个任意的图像数据集I，假设该数据集I包括N张图片，即I_i(i＝1,2,3……N),这里的N是自然数；

步骤(2)、顺序挑选一张图像I_i(i＝1,2,3……N)作为源图，再选取另一张图像I_j(j＝1,2,3……N,i≠j)作为目标图；

步骤(3)、计算图像I_i和图像I_j的二值卷积矩，并转化为一维轮廓特征向量C_i与C_j；

步骤(4)、对两个轮廓特征向量使用轮廓相似度算法计算轮廓相似度O_ij；

步骤(5)、重复执行以上步骤(2)～(4)，直到对于图像I_i来说，获得全部的N-1个轮廓相似度值；

步骤(6)、重复执行步骤(5)，直到数据集中的所有图像都两两计算完毕，最终得到一个包括N个值的轮廓相似度结果集O；

步骤(7)、将轮廓相似度结果集O进行一元回归，回归结果就是最终计算的轮廓相似度S。

与现有技术相比，本发明的有益效果：

本发明提出的轮廓特征提取方案，可以提取出图像中目标物体的轮廓特征，从而实现目标与背景的分离，本发明的有益效果主要包括三方面：第一，可以降低在图像识别时背景噪声对目标物体的干扰；第二，由于二值卷积矩对于图像轮廓特征信息的提取较为详细，能够提高相似度计算的整体可信度；第三，由于二值卷积矩是由外而内螺旋式生成的，该方法适用于任何图像的轮廓提取，具有较好的可移植性，确保了计算结果的健壮性。

附图说明

图1是本发明实施例的算法流程图。

图2是本发明实施例目标物体数据集的原始图像。

图3是本发明实施例转换后的二值化图像。

图4是本发明实施例图像均匀分块后的状态。

图5是本发明实施例中提取图像的二值卷积矩。

图6是由图5转换而来的轮廓特征向量。

图7是本发明实施例轮廓相似图像的实验结果。

图8是本发明实施例轮廓不相似图像的实验结果。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。

如图1所示为本发明的方法流程图，包括以下步骤：

步骤一：输入一个目标物体的图像集，其中图像元素如图2所示，进行二值化处理后，得到一幅二值化的灰度图像，如图3所示。

步骤二：将图像均匀划分，划分方法如下：N*N像素的图像分割为个等分的图像(N为自然数)，按照螺旋形顺序对每个等分的图像方格(也称图像单元)进行标记，方格内的数字代表它所在的图像标号。

步骤三：按照标号数字从小到大的顺序，依次对每个图像单元进行处理，然后统计每一个图像单元的像素点个数。当一个图像单元内的黑色像素点的数量超过白色像素点数量的3/4时，判定该图像单元的特征为黑色特征，反之亦然。

步骤四：将具有黑色特征的图像单元用1来表示，白色特征的图像单元用0来表示，至此就构建了一个二值卷积矩阵，如图5所示。

步骤五：将二值卷积矩阵按照数字标号从小到大的顺序进行拼接，可以得到如图6所示的轮廓特征向量，然后使用轮廓特征向量分别计算欧氏距离U与余弦相似度D。

步骤六：计算轮廓相似度值如式(1)与式(2)所示:

s＝W₁U+W₂D (1)

W₁+W₂＝1 (2)

这里，U代表欧式距离，D代表余弦距离，W₁、W₂分别为欧式距离与余弦距离的权重值，且被(2)式所约束。s是两个二值卷积矩在当前权重分配下的轮廓相似度值。

步骤七：以穷举权重的方式计算并获得轮廓相似度值的结果集。

所谓穷举权重的方式，就是指在一个确定区间内，以某一固定步长将此区间内所有可能的权重分配算尽。例如，本例中以0.001为步长，在[0,1]区间内进行计算，权重系数可能是(W₁＝0.001，W₂＝0.999)，或(W₁＝0.002，W₂＝0.998)，......或(W₁＝0.999，W₂＝0.001)依此类推，那么就可穷举999种权重分配的可能性。每一次用权重分配计算的结果作为一个轮廓相似度结果集中的元素，直至算完穷举的全部权重系数，最终得到一个轮廓相似度值的结果集。

如式(3)所示为权重值的计算公式。其中，W₁代表公式(2)中的权重值，n代表计数器，p代表步长。

步骤八：一元回归得到最终的轮廓相似度。

将上述轮廓相似度的结果集进行一元回归，如公式(4)和回归式(5)所示。这里，a、b均表示一元回归式中的参数，(X_i，Y_i)代表一个坐标点，k表示一元回归线的斜率，S表示最终的轮廓相似度值。

y＝kx+S (5)

至此，轮廓相似值计算完成。

下面结合一个具体实施例对本发明进行详细说明：

实施例：

步骤一：采用经过伪装的若干张物体图像，如图2所示，组成数据集I，以计算二值卷积矩的相似值作为判断伪装效果时的轮廓特征指标。

步骤二：从上述数据集中顺序选择一张图像作为原图，计算二值卷积矩，计算过程如下将25*25像素的图像分割为5*5个方格等分的图像，按照螺旋形顺序对每个方格进行标记形成如图4所示。

步骤三：按照图4标号数字从小到大的顺序，依次对每个图像单元进行处理，然后统计每一个图像单元的像素点个数。当一个图像单元内的黑色像素点的数量超过白色像素点数量的3/4时，判定该图像单元的特征为黑色特征标记为0，反之，标记为1，形成二值卷积矩，如图5所示

步骤四：将图5中的数值按照图4标记顺序拼接，形成轮廓特征向量，如图6所示。

步骤五：对两个轮廓特征向量分别使用公式(6)计算欧氏距离，使用公式(7)计算余弦相似度。X_i,Y_i代表数据的坐标点，d(x,y)代表欧式距离，A、B分别表示轮廓特征向量，cos(θ)为余弦相似度值。

步骤六：以穷举权重的方式计算并获得轮廓相似度值的结果集，本例中以0.001为步长，在[0,1]区间内进行计算，权重系数可能是(W₁＝0.001，W₂＝0.999)，或(W₁＝0.002，W₂＝0.998)，......或(W₁＝0.999，W₂＝0.001)依此类推，那么就可穷举999种权重分配的可能性。每一次用权重分配计算的结果作为一个轮廓相似度结果集中的元素，直至算完穷举的全部权重系数，最终得到一个轮廓相似度值的结果集S。

步骤七：对轮廓相似度结果集S进行一元回归，得到最终的相似度值就是一次实验数据的相似度值。

步骤八：对数据集I中的所有数据均执行步骤二到步骤七的操作可以得到轮廓相似度果集O。

步骤九：对轮廓相似度结果集O进行一元回归，得到最终的相似度值就是评价伪装效果时针对轮廓特征的指标。

图7为轮廓相似图像实验结果，其取值范围在0.908±0.003之间，作为对比，图8是轮廓不相似图像实验结果，其取值范围在0.64±0.03之间，可以看出，计算轮廓特征相似度的数据结果具有主客观一致性。

对于本技术领域的普通技术人员来说，在不脱离本发明所属原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.基于轮廓相似度的图像比较算法，其特征在于，包括以下步骤：

步骤(1)、输入一个任意的图像数据集I，假设该数据集I包括N张图像，N是自然数，每张图像用I_i(i＝1,2,3……N)表示；

步骤(2)、顺序挑选一张图像I_i(i＝1,2,3……N)作为源图，再选取另一张图像I_j(j＝1,2,3……N,i≠j)作为目标图；

步骤(3)、计算图像I_i和图像I_j的二值卷积矩，并转化为一维轮廓特征向量C_i与C_j；

步骤(4)、对两个轮廓特征向量C_i与C_j，使用轮廓相似度算法计算轮廓相似度O_ij；

步骤(5)、重复执行以上步骤(2)～(4)，直到对于图像I_i来说，获得全部的N-1个轮廓相似度值；

步骤(6)、重复执行步骤(5)，直到数据集中的所有图像都两两计算完毕，最终得到一个包括N个值的轮廓相似度结果集O；

步骤(7)、将轮廓相似度结果集O进行一元回归，回归结果就是最终计算的轮廓相似度S。

2.根据权利要求1所述基于轮廓相似度的图像比较算法，其特征在于判定图像单元黑白特征的方法以及根据二值卷积矩生成轮廓特征向量的方法，如：所述步骤3的具体转化方法为：

步骤(3.1)、对于图像I_i或I_j(假设大小为N*N)，首先对其进行均匀划分，划分方法如下：N*N像素的图像分割为

个等分的图像，按照螺旋形顺序对每个等分的图像方格(也称图像单元)进行标记，方格内的数字代表它所在的图像标号。

步骤(3.2)、按照标号数字从小到大的顺序，统计每一个图像单元的像素点个数。当一个图像单元内的黑色像素点的数量超过白色像素点数量的3/4时，判定该图像单元的特征为黑色特征，反之亦然。

步骤(3.3)、将具有黑色特征的图像单元用1来表示，白色特征的图像单元用0来表示，至此就构建了一个二值卷积矩阵

步骤(3.4)、将二值卷积矩阵按照上述的数字标号从小到大的顺序对二值卷积矩阵进行拼接，可以得到一维的轮廓特征向量。

Images