CN116310420A - 一种基于邻域差值的图像相似度度量方法及装置 - Google Patents

Abstract

本发公开了一种基于邻域差值的图像相似度度量方法及装置，利用转化为灰度图进行计算的方式，尽量排除掉因为图像亮度以及图像对比度而出现的影响。将图像作差后通过寻找差值矩阵的每个像素点的邻域点之间的差值，选择最大的差值作为最终结果，可以精确找出图像的是否发生平移等情况，避免因为结构相似而出现误判，本发明通过将数据集转化为灰度图，解决因为图像整体亮度不同而带来的不稳定问题。又通过增加容忍度系数进行高斯滤波，调节算法的精细度，可以在不同的应用场景下都表现出良好的性能。通过计算差值矩阵中每个像素点间最大距离，解决因为图像平移等问题而导致不稳定性。

Description

一种基于邻域差值的图像相似度度量方法及装置

技术领域

本发明涉及一种图像相似度度量方法，具体地说，是一种基于邻域差值的图像相似度度量方法及装置。

背景技术

图像相似度算法在图像识别、图像搜素引擎等研究领域具有重要意义。越来越多的研究者开始使用图像相似度的技术用来提高生产效率，不管是图像配准，还是以图搜图等等，都说明了图像相似度算法正在逐步影响着生产环境。

其中PSNR是之前比较广泛使用的图像相似度度量方法，不过在真实的生产环境中显示，PSNR的最终得分系数无法和人眼观察到的画面表现一致，有可能PSNR系数较高的图像反而比PSNR系数较低的图像表现更差。这或许是因为人类视觉对误差敏感度不是一定的，其感知的结果会受到许多外界因素的影响而产生变化。而结构相似性SSIM算法改进了上面这种缺陷，现如今，结构相似性指数SSIM是目前图像相似度算法中作为图像质量评估措施广泛流行，被认为是评估图像视觉接近度的最强大方法之一，但是结构相似性指数SSIM在用于对平移等问题的图像以及对图像的亮度等信息特别敏感，造成对这类图像数据的性能表现并不好。

对于上述图像所出现的平移以及图像亮度等问题在生产环境中也是刻不容缓需要解决的。

发明内容

本发明正是针对现有技术存在的问题，提供了一种基于邻域差值的图像相似度度量方法的方法及装置。利用转化为灰度图进行计算的方式，尽量排除掉因为图像亮度以及图像对比度而出现的影响。将图像作差后通过寻找差值矩阵的每个像素点的邻域点之间的差值，选择最大的差值作为最终结果，可以精确找出图像的是否发生平移等情况，避免因为结构相似而出现误判。

具体的，该方法转化为灰度图后，又设定容忍度系数，可以让使用者通过调参优化算法的性能表现，如果不调参将会通过图像的大小计算出默认的容忍度系数。使用容忍度系数对图像做高斯滤波。将高斯滤波后的图像作差得到差值矩阵。利用差值矩阵，计算每个像素点与周围像素点间的最大距离，分析差值图像的波动情况，能够反映出图像的平移等情况，从而避免了对图像平移导致结构不变而产生的对图像不敏感现象。具体地，本发明是采用以下技术方案来实现的：

本发明公开了一种基于邻域差值的图像相似度度量方法，包括：

获得至少两张以上尺寸相同的图像数据；

根据所获得的两张尺寸相同的图像数据，判断图像数据是RGB格式还是灰度图格式，若为RGB格式则进行转换，得到两张灰度图格式的图像；

根据所获得的数据，判断其中是否包含容忍度系数，若没有包含容忍度系数，则根据所生成的两张灰度图格式的图像的大小，计算出容忍度系数；

根据两张灰度图格式的图像和容忍度系数，通过高斯滤波算法获得两张高斯模糊的灰度图图像；

通过两张高斯模糊后的灰度图图像，得到两张灰度图的极大评估系数；

根据两张高斯模糊后的灰度图图像，作差得到一个差值矩阵；

根据差值矩阵，得到差值矩阵的极差；

根据差值矩阵，计算差值矩阵每个坐标的值与其周围坐标的值的距离，选择距离最大的作为当前所在坐标的值，生成邻域矩阵；

根据邻域矩阵，得到邻域矩阵的极差；

根据极大评估系数、差值矩阵的极差和邻域矩阵的极差，得到邻域差值系数。

作为进一步地改进，本发明所述的计算出容忍度系数具体为：根据所生成的两张灰度图格式的图像，计算灰度图图像像素点的数量，根据数量值，求得根号下数量值并且除以100，得到最终值，作为该灰度图图像的默认容忍度系数。

作为进一步地改进，本发明所述的通过两张高斯模糊后的灰度图图像，得到两张灰度图的极大评估系数，具体为：

根据两张高斯模糊后的灰度图图像，计算出第一张高斯模糊后的灰度图图像的极大值Image1_max和极小值Image1_min，计算出第二张高斯模糊后的灰度图图像的极大值Image2_max和极小值Image2_min，然后分别计算第二张高斯模糊后的灰度图图像的极大值Image2_max与第一张高斯模糊后的灰度图图像的极大值Image1_max和极小值Image1_min的差值绝对值，再分别计算第二张高斯模糊后的灰度图图像的极大值Image2_min与第一张高斯模糊后的灰度图图像的极大值Image1_max和极小值Image1_min的差值绝对值，根据上述共四种差值再进一步根据极大评估系数公式计算出极大评估系数：

上述的极大评估系数公式如下所示：

其中e₀表示两张高斯模糊处理后的灰度图图像的极大评估系数，ABS表示差值的绝对值，Max表示选取其中最大值，Min表示选取其中最小值。

作为进一步地改进，本发明根据差值矩阵，计算差值矩阵每个坐标的值与其周围坐标的值的距离，选择距离最大的作为当前所在坐标的值，生成邻域矩阵，具体为：

根据差值矩阵，差值矩阵为一个二维数组，二维数组中的值可以表示为每个坐标点当前的值，对每个坐标点的值进行计算，寻找每个坐标点的值与附近邻域点的值的差值，其中二维数组中坐标点的附近邻域点一共分为以下三种不同的情况：

二维数组中位于四个角的坐标点其附近邻域点一共有三个：左上角坐标点其附近邻域点分别为右、下、右下；右上角坐标点其附近邻域点分别为左、下、左下；左下角坐标点其附近邻域点分别为右、上、右上；右下角坐标点其附近邻域点为左、上、左上；

二维数组中位于四个边上的坐标点其附近邻域点一共有五个：左边边上的坐标点其附近邻域点分别为：上、右上、右、右下、下；右边边上的坐标点其附近邻域点分别为：上、左上、左、左下、下；上边边上的坐标点其附近邻域点分别为：左、左下、下、右下、右；下边边上的坐标点其附近邻域点分别为：左、左上、上、右上、右；

二维数组中位于内部区域的坐标点其附近邻域点一共有八个：内部坐标点的附近邻域点分别为：上、下、左、右、左上、左下、右上、右下；

二维矩阵中的每个坐标点都计算其与附近邻域点的差值，在其与邻域点的差值中，选择差值最大的作为当前坐标点的新值，最终得到一个由新值组成的二维数组，即邻域矩阵。

作为进一步地改进，本发明所述的根据极大评估系数、差值矩阵的极差和邻域矩阵的极差，得到邻域差值系数，具体为：

根据两张高斯模糊处理后的灰度图图像计算出来的极大评估系数e₀，根据差值矩阵计算出来的极差R_d，根据邻域矩阵计算出来的极差R_b，上述三个值代入邻域系数公式，计算出最终的基于邻域差值的图像相似度，最终值为一个0到1的系数值；

上述的极大评估系数公式如下所示：

其中ndc表示最终的基于邻域差值的图像相似度度量系数，e₀表示两张高斯模糊处理后的灰度图图像计算出来的极大评估系数，R_d表示差值矩阵的极差，R_b表示邻域矩阵的极差。

本发明还公开了一种基于邻域差值的图像相似度度量装置，包括：

第一处理模块：获得至少两张以上尺寸相同的图像数据；

第一判断模块：根据所获得的两张尺寸相同的图像数据，判断图像数据的RGB格式还是灰度图格式，如果为RGB格式则进行转换，得到两张灰度图格式的图像；

第二判断模块：根据所获得的数据，判断其中是否包含容忍度系数，如果没有包含容忍度系数，则根据所生成的两张灰度图格式的图像的大小，计算出容忍度系数；

第一过滤模块：根据两张灰度图格式的图像和容忍度系数，通过高斯滤波算法获得两张高斯模糊的灰度图图像；

第一计算模块：通过两张高斯模糊后的灰度图图像，得到两张灰度图的极大评估系数；

第二计算模块：根据两张高斯模糊后的灰度图图像，作差得到一个差值矩阵；根据差值矩阵，得到差值矩阵的极差；

第一选择模块：根据差值矩阵，计算差值矩阵每个坐标的值与其周围坐标的值的距离，选择距离最大的作为当前所在坐标的值，生成邻域矩阵；

第三计算模块：根据邻域矩阵，得到邻域矩阵的极差；

第四计算模块：根据极大评估系数、差值矩阵的极差和邻域矩阵的极差，得到邻域差值系数。

本发明的有益效果如下：

本发明利用相邻像素点间距离偏差的特点，实现了一种邻域差值的图像相似度度量方法。通过将数据集转化为灰度图，解决因为图像整体亮度不同而带来的不稳定问题。又通过增加容忍度系数进行高斯滤波，调节算法的精细度，可以在不同的应用场景下都表现出良好的性能。通过计算差值矩阵中每个像素点间最大距离，解决因为图像平移等问题而导致不稳定性，实现应对不同应用场景时图像相似度算法对图像的精确判断的目的。

附图说明

图1是本发明的数据流程图；

具体实施方式

下面通过结合说明书附图，通过具体实施例，对本发明的技术方案作进一步地说明：

本发明的目的是针对现有的图像相似度度量指标的方式出现不稳定性的情况，提出了一种基于邻域差值的图像相似度度量的方法，图1是本发明的数据流程图：

本发明的具体实施方法如下：

步骤一、获得至少两张以上尺寸相同的图像数据。

本实施例中获取到了四种图像数据，分别为：宠物、鲜花、月球、象棋。其中宠物图片的像素为700*700，背景杂乱；鲜花图片的像素为2744*4090，背景全黑；月球图片的像素为5184*3888，背景全黑；象棋图片的像素为5760*3840，背景全白。

每种图像都有11张图像数据，其中一张为原图，另外10张为不同程序偏移后的图像，偏移程度基于原图像素点的大小偏移量分别为0.1％、0.2％、0.3％、0.4％、0.5％、0.6％、0.7％、0.8％、0.9％、1.0％，通过对比原图图像数据与偏移后的图像数据，包括原图图像数据与自身的对比，每种图像将会有11组不同的图像组合，一共有44组图像组合。

步骤二、根据所获得的两张尺寸相同的图像数据，判断图像数据的RGB格式还是灰度图格式，如果为RGB格式则进行转换，得到两张灰度图格式的图像。

本实施例中原有数据集读取之后获得的是三维的RGB格式的图像数据，需要转换成二维的灰度图格式的图像数据。

在读取到图像数据后，一般三维的RGB格式的图像数据最内层的数据为RGB，先需要把图像数据的维度转换一下，将RGB数据分成3个二维的R矩阵m_R、G矩阵m_G、B矩阵m_B，带入到转换灰度图的公式中得到灰度图格式的图像数据。

上述的转换灰度图的公式如下所示：

m_Gery＝m_R×0.299+m_G×0.587+m_B×0.114

将每组图像中的两张图像数据都转化为灰度图格式的图像数据。

步骤三、根据所获得的数据，判断其中是否包含容忍度系数，如果没有包含容忍度系数，则根据所生成的两张灰度图格式的图像的大小，计算出容忍度系数。

本实施例中在所获得到的数据中，除了两张尺寸相同的图像以外，判断是否还获得了一个容忍度系数值。如果没有获得该容忍度系数，则需要先计算出容忍度系数。根据所生成的两张灰度图格式的图像，计算灰度图图像像素点的数量，根据数量值，求得根号下数量值并且除以100，得到最终值，作为该灰度图图像的默认容忍度系数。

步骤四、根据两张灰度图格式的图像和容忍度系数，通过高斯滤波算法获得两张高斯模糊的灰度图图像。

本实施例中将上述的一组图像中的两张灰度图格式的图像数据与容忍度系数，通过Python编程语言Scipy库中所封装的Scipy.ndimage.gaussian_filter高斯滤波方法，实现对图像数据的高斯模糊处理，得到高斯模糊处理后的两张灰度图图像数据。

步骤五、通过两张高斯模糊后的灰度图图像，得到两张灰度图的极大评估系数。

本实施例中根据两张高斯模糊后的灰度图图像，计算出第一张高斯模糊后的灰度图图像的极大值Image1_max和极小值Image1_min，计算出第二张高斯模糊后的灰度图图像的极大值Image2_max和极小值Image2_min。然后分别计算第二张高斯模糊后的灰度图图像的极大值Image2_max与第一张高斯模糊后的灰度图图像的极大值Image1_max和极小值Image1_min的差值绝对值，再分别计算第二张高斯模糊后的灰度图图像的极大值Image2_min与第一张高斯模糊后的灰度图图像的极大值Image1_max和极小值Image1_min的差值绝对值。根据上述一共四种差值再进一步根据极大评估系数公式计算出极大评估系数。

上述的极大评估系数公式如下所示：

其中e₀表示两张高斯模糊处理后的灰度图图像的极大评估系数，ABS表示差值的绝对值，Max表示选取其中最大值，Min表示选取其中最小值。

步骤六、根据两张高斯模糊后的灰度图图像，作差得到一个差值矩阵。

本实施例中两张高斯模糊处理后的灰度图图像数据，直接相减作差，取绝对值，得到一个差值矩阵Matrix_d，每组图像数据都将会产生一个差值矩阵，以便于后续通过差值矩阵去寻找邻域点。

步骤七、根据差值矩阵，得到差值矩阵的极差。

本实施例中上述所获得的差值矩阵Matrix_d，分析出差值矩阵Matrix_d中的最大值和最小值，代入到极差公式中，求得差值矩阵Matrix_d的极差R_d。

上述的差值矩阵Matrix_d的极差公式如下所示：

R_d＝Max(Matrix_d)-Min(Matrix_d)

步骤八、根据差值矩阵，计算差值矩阵每个坐标的值与其周围坐标的值的距离，选择距离最大的作为当前所在坐标的值，生成邻域矩阵。

根据差值矩阵Matrix_d，差值矩阵Matrix_d为一个二维数组，二维数组中的值可以表示为每个坐标点当前的值。对每个坐标点的值进行计算，寻找每个坐标点的值与附近邻域点的值的差值。其中二维数组中坐标点的附近邻域点一共可以分为三种不同的情况。

二维数组中位于四个角的坐标点其附近邻域点一共有三个：左上角坐标点其附近邻域点分别为右、下、右下；右上角坐标点其附近邻域点分别为左、下、左下；左下角坐标点其附近邻域点分别为右、上、右上；右下角坐标点其附近邻域点为左、上、左上。

二维数组中位于四个边上的坐标点其附近邻域点一共有五个：左边边上的坐标点其附近邻域点分别为：上、右上、右、右下、下；右边边上的坐标点其附近邻域点分别为：上、左上、左、左下、下；上边边上的坐标点其附近邻域点分别为：左、左下、下、右下、右；下边边上的坐标点其附近邻域点分别为：左、左上、上、右上、右。

二维数组中位于内部区域的坐标点其附近邻域点一共有八个：内部坐标点的附近邻域点分别为：上、下、左、右、左上、左下、右上、右下。

二维矩阵中的每个坐标点都计算其与附近邻域点的差值，在其与邻域点的差值中，选择差值最大的作为当前坐标点的新值，最终得到一个由新值组成的二维数组，即邻域矩阵Matrix_b。

本实施例中因为考虑到上述方式在Python编程中需要通过双循环的方式遍历差值矩阵Matrix_d上的每一个像素点，而每一个像素点又需要与邻域点进行计算，导致程序运行时间过长。

在Python编程代码中的实现，可以先在差值矩阵Matrix_d的四周添加一圈边际值，得到扩充边际后的新差值矩阵Matrix_d2，设定滑动窗口大小与原差值矩阵Matrix_d的大小一致，将滑动窗口作用于新差值矩阵Matrix_d2中依次获取到9种不同的且与原差值矩阵大小相同的临时矩阵，其中第5种临时矩阵会与原差值矩阵Matrix_d相同。先初始化一个值全为0且大小与原差值矩阵Matrix_d大小相同的邻域矩阵Matrix_b，将原差值矩阵与每次的临时矩阵相减，得到临时的邻域矩阵，通过临时的邻域矩阵与邻域矩阵Matrix_b相比较大小，将其中临时的邻域矩阵的值更大的赋值给邻域矩阵Matrix_b，每个临时的邻域矩阵都会与邻域矩阵Matrix_b相比较进行更新，邻域矩阵Matrix_b将会被更新9次，得到最终的邻域矩阵Matrix_b。

上述在Python编程程序中的实现，不管是直接双训练遍历每个像素点去计算得到邻域矩阵Matrix_b，还是通过滑动窗口依次更新得到邻域矩阵Matrix_b，两种方式仅仅是Python编程代码的编写上不同，提高了程序运行的时间效率，核心思路是一致的。

步骤九、根据邻域矩阵，得到邻域矩阵的极差。

本实施例中上述所获得的邻域矩阵Matrix_b，分析出邻域矩阵Matrix_b中的最大值和最小值，代入到极差公式中，求得邻域矩阵Matrix_b的极差R_b。

上述的邻域矩阵Matrix_b的极差公式如下所示：

R_b＝Max(Matrix_b)-Min(Matrix_b)

步骤十、根据极大评估系数、差值矩阵的极差和邻域矩阵的极差，得到邻域差值系数。

本实施例中根据两张高斯模糊处理后的灰度图图像计算出来的极大评估系数e₀，根据差值矩阵Matrix_d计算出来的极差R_d，根据邻域矩阵Matrix_b计算出来的极差R_b。上述三个值代入邻域系数公式，计算出最终的基于邻域差值的图像相似度。最终值为一个0到1的系数值。

上述的极大评估系数公式如下所示：

其中ndc表示最终的基于邻域差值的图像相似度度量系数，e₀表示两张高斯模糊处理后的灰度图图像计算出来的极大评估系数，R_d表示差值矩阵的极差，R_b表示邻域矩阵的极差。

一共四种不同的图像数据，44种不同图像组合。如表1所示为目前市面上最常用的图像结构相似性SSIM计算数据集的结果，从表中结果来看，Dog图像和Flower图像在偏移量超过5％左右时SSIM算法就产生了脱敏现象，在对图像平移的问题上并不能很好的解决，并且因为Moon图像和Chess图像的背景色不同而产生的整体图像亮度不同的问题，SSIM算法在同样偏移量的数据上却表现出了不一样的系数值，出现了因图像亮度而带来的不稳定现象。如表2所示为基于邻域差值的图像相似度ndc计算出来的结果，从表中结果来看，无论是因为图像偏移量过大，还是因为图像整体亮度的问题，都没有对ndc的系数值造成影响，依旧表现出很好的性能。

表1图像结构相似性SSIM系数值

表2基于邻域差值的图像相似度NDC系数值

本发明还公开了一种基于邻域矩阵的图像相似度度量装置，包括：

第一处理模块：获得至少两张以上尺寸相同的图像数据；

第一判断模块：根据所获得的两张尺寸相同的图像数据，判断图像数据的RGB格式还是灰度图格式，如果为RGB格式则进行转换，得到两张灰度图格式的图像；

第二判断模块：根据所获得的数据，判断其中是否包含容忍度系数，如果没有包含容忍度系数，则根据所生成的两张灰度图格式的图像的大小，计算出容忍度系数；

第一过滤模块：根据两张灰度图格式的图像和容忍度系数，通过高斯滤波算法获得两张高斯模糊的灰度图图像；

第一计算模块：通过两张高斯模糊后的灰度图图像，得到两张灰度图的极大评估系数；

第二计算模块：根据两张高斯模糊后的灰度图图像，作差得到一个差值矩阵；根据差值矩阵，得到差值矩阵的极差；

第一选择模块：根据差值矩阵，计算差值矩阵每个坐标的值与其周围坐标的值的距离，选择距离最大的作为当前所在坐标的值，生成邻域矩阵；

第三计算模块：根据邻域矩阵，得到邻域矩阵的极差；

第四计算模块：根据极大评估系数、差值矩阵的极差和邻域矩阵的极差，得到邻域差值系数。

以上所述并非是对本发明的限制，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明实质范围的前提下，还可以做出若干变化、改型、添加或替换，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于邻域差值的图像相似度度量方法，其特征在于，包括：

获得至少两张以上尺寸相同的图像数据；

根据所获得的两张尺寸相同的图像数据，判断图像数据是RGB格式还是灰度图格式，若为RGB格式则进行转换，得到两张灰度图格式的图像；

根据所获得的数据，判断其中是否包含容忍度系数，若没有包含容忍度系数，则根据所生成的两张灰度图格式的图像的大小，计算出容忍度系数；

根据两张灰度图格式的图像和容忍度系数，通过高斯滤波算法获得两张高斯模糊的灰度图图像；

通过两张高斯模糊后的灰度图图像，得到两张灰度图的极大评估系数；

根据两张高斯模糊后的灰度图图像，作差得到一个差值矩阵；

根据差值矩阵，得到差值矩阵的极差；

根据差值矩阵，计算差值矩阵每个坐标的值与其周围坐标的值的距离，选择距离最大的作为当前所在坐标的值，生成邻域矩阵；

根据邻域矩阵，得到邻域矩阵的极差；

根据极大评估系数、差值矩阵的极差和邻域矩阵的极差，得到邻域差值系数。

2.根据权利要求1所述的基于邻域差值的图像相似度度量方法，其特征在于，所述的计算出容忍度系数具体为：根据所生成的两张灰度图格式的图像，计算灰度图图像像素点的数量，根据数量值，求得根号下数量值并且除以100，得到最终值，作为该灰度图图像的默认容忍度系数。

3.根据权利要求1所述的基于邻域差值的图像相似度度量方法，其特征在于，所述的通过两张高斯模糊后的灰度图图像，得到两张灰度图的极大评估系数，具体为：

根据两张高斯模糊后的灰度图图像，计算出第一张高斯模糊后的灰度图图像的极大值Image1_max和极小值Image1_min，计算出第二张高斯模糊后的灰度图图像的极大值Image2_max和极小值Image2_min，然后分别计算第二张高斯模糊后的灰度图图像的极大值Image2_max与第一张高斯模糊后的灰度图图像的极大值Image1_max和极小值Image1_min的差值绝对值，再分别计算第二张高斯模糊后的灰度图图像的极大值Image2_min与第一张高斯模糊后的灰度图图像的极大值Image1_max和极小值Image1_min的差值绝对值，根据上述共四种差值再进一步根据极大评估系数公式计算出极大评估系数：

上述的极大评估系数公式如下所示：

其中e₀表示两张高斯模糊处理后的灰度图图像的极大评估系数，ABS表示差值的绝对值，Max表示选取其中最大值，Min表示选取其中最小值。

4.根据权利要求1所述的基于邻域差值的图像相似度度量方法，其特征在于，根据差值矩阵，计算差值矩阵每个坐标的值与其周围坐标的值的距离，选择距离最大的作为当前所在坐标的值，生成邻域矩阵，具体为：

根据差值矩阵，差值矩阵为一个二维数组，二维数组中的值可以表示为每个坐标点当前的值，对每个坐标点的值进行计算，寻找每个坐标点的值与附近邻域点的值的差值，其中二维数组中坐标点的附近邻域点一共分为以下三种不同的情况：

二维数组中位于四个角的坐标点其附近邻域点一共有三个：左上角坐标点其附近邻域点分别为右、下、右下；右上角坐标点其附近邻域点分别为左、下、左下；左下角坐标点其附近邻域点分别为右、上、右上；右下角坐标点其附近邻域点为左、上、左上；

二维数组中位于四个边上的坐标点其附近邻域点一共有五个：左边边上的坐标点其附近邻域点分别为：上、右上、右、右下、下；右边边上的坐标点其附近邻域点分别为：上、左上、左、左下、下；上边边上的坐标点其附近邻域点分别为：左、左下、下、右下、右；下边边上的坐标点其附近邻域点分别为：左、左上、上、右上、右；

二维数组中位于内部区域的坐标点其附近邻域点一共有八个：内部坐标点的附近邻域点分别为：上、下、左、右、左上、左下、右上、右下；

二维矩阵中的每个坐标点都计算其与附近邻域点的差值，在其与邻域点的差值中，选择差值最大的作为当前坐标点的新值，最终得到一个由新值组成的二维数组，即邻域矩阵。

5.根据权利要求1所述的基于邻域差值的图像相似度度量方法，其特征在于，所述的根据极大评估系数、差值矩阵的极差和邻域矩阵的极差，得到邻域差值系数，具体为：

根据两张高斯模糊处理后的灰度图图像计算出来的极大评估系数e₀，根据差值矩阵计算出来的极差R_d，根据邻域矩阵计算出来的极差R_b，上述三个值代入邻域系数公式，计算出最终的基于邻域差值的图像相似度，最终值为一个0到1的系数值；

上述的极大评估系数公式如下所示：

其中ndc表示最终的基于邻域差值的图像相似度度量系数，e₀表示两张高斯模糊处理后的灰度图图像计算出来的极大评估系数，R_d表示差值矩阵的极差，R_b表示邻域矩阵的极差。

6.一种基于邻域差值的图像相似度度量装置，其特征在于，包括：

第一处理模块：获得至少两张以上尺寸相同的图像数据；

第一判断模块：根据所获得的两张尺寸相同的图像数据，判断图像数据的RGB格式还是灰度图格式，如果为RGB格式则进行转换，得到两张灰度图格式的图像；

第二判断模块：根据所获得的数据，判断其中是否包含容忍度系数，如果没有包含容忍度系数，则根据所生成的两张灰度图格式的图像的大小，计算出容忍度系数；

第一过滤模块：根据两张灰度图格式的图像和容忍度系数，通过高斯滤波算法获得两张高斯模糊的灰度图图像；

第一计算模块：通过两张高斯模糊后的灰度图图像，得到两张灰度图的极大评估系数；

第二计算模块：根据两张高斯模糊后的灰度图图像，作差得到一个差值矩阵；根据差值矩阵，得到差值矩阵的极差；

第一选择模块：根据差值矩阵，计算差值矩阵每个坐标的值与其周围坐标的值的距离，选择距离最大的作为当前所在坐标的值，生成邻域矩阵；

第三计算模块：根据邻域矩阵，得到邻域矩阵的极差；

第四计算模块：根据极大评估系数、差值矩阵的极差和邻域矩阵的极差，得到邻域差值系数。

Images