CN102054177B - 一种图像相似度计算方法和装置 - Google Patents

Abstract

本发明公开了一种图像相似度计算方法和装置，涉及图像处理技术领域。在本发明的方法中，将图像分成多个色块，并将色块的RGB分量的卡方和线性灰度值结合起来计算出图像的特征相量，然后根据该特征相量进行相似度计算。在本发明的技术方案中，由于色块RGB分量的卡方强调的是图像的局部特征，而色块的线性灰度强调的是图像的整体灰度特征，因此本发明中的相似度计算方案具有较高的准确性。

Description

一种图像相似度计算方法和装置

技术领域

本发明涉及图像处理技术领域，特别是涉及一种图像相似度计算方法和装置。

背景技术

随着多媒体技术和计算机网络的飞速发展，数字图像的数量正以惊人的速度增长。在图像检索等很多场景下都需要比较多个图像的相似度。

现有的图像相似度比较功能以图片的颜色为依据，即采用颜色直方图，以不同色彩在整幅图像中所占的比例作为相似性依据，通过颜色的差异来衡量两幅图像的相似度。比如网站用户上传图片的审核，可使用此方案进行初步审核。

但是，采用颜色直方图的方案注重颜色整体特征，不关心每种颜色所处的空间位置，忽略了颜色的局部特征，因此相似度计算效果较差。

发明内容

本发明提供了一种图像相似度计算方法，该方法的相似度计算准确性较高。

本发明还提供了一种图像相似度计算装置，该装置的相似度计算准确性较高。

为达到上述目的，本发明的技术方案是这样实现的：

本发明公开了一种图像相似度计算方法，对于给定的两幅图像，该方法执行以下步骤：

第一步，将每幅图像转换成M×N像素大小的图像后，分割成m×n个等面积的色块，每个色块里有

个像素点；M、N、m、n、

和

均为自然数；

第二步，对于每幅图像中的每个色块计算如下的四个特征值：

R分量特征值：取第i个色块内的所有像素点的R分量之和的平方；

G分量特征值：

取第i个色块内的所有像素点的G分量之和的平方；

B分量特征值：取第i个色块内的所有像素点的B分量之和的平方；

线性灰度特征值：

取第i个色块内的所有像素点的灰度值之和；

其中，j为图像的序号，j＝1，2；i为每个图像中的色块序号，i＝1，2，...，m×n；k为每个色块中的像素点序号，k＝1，2，...，K；r_jik、g_jik、b_jik和x_jik分别表示第j个图像的第i个色块中的第k个像素点的R分量值、G分量值、B分量值和灰度值；

第三步，计算每幅图像的特征向量：

Q_j＝[Q_j(R) Q_j(G) Q_j(B) Q_j(L)]；

其中，

对第j幅图像中的所有色块的R分量特征值进行求和，对第j幅图像中的所有色块的G分量特征值进行求和，

对第j幅图像中的所有色块的B分量特征值进行求和，

对第j幅图像中的所有色块的线性灰度特征值进行求和；

第四步，根据所述两幅图像的特征向量计算其相似度，具体为：

计算第1图像的特征向量中的4个特征值的总和Q₁₁：

Q₁₁＝Q₁(R)+Q₁(G)+Q₁(B)+Q₁(L)；

计算第2图像的特征向量中的4个特征值的总和Q₂₂：

Q₂₂＝Q₂(R)+Q₂(G)+Q₂(B)+Q₂(L)；

则第1图像和第2图像之间的相似度值SIM为：SIM＝|Q₁₁-Q₂₂|；

SIM值越小，第1图像和第2图像之间的相似度越高；

或者，

根据如下公式计算第1图像和第2图像之间的相似度值SIM：

$\mathrm{SIM}=\sqrt{{(Q_1\left(R\right)-Q_2\left(R\right))}^2+{(Q_1\left(G\right)-Q_2\left(G\right))}^2+{(Q_1\left(B\right)-Q_2\left(B\right))}^2{(Q_1\left(L\right)-Q_2\left(L\right))}^2}$

SIM值越小，第1图像和第2图像之间的相似度越高。

本发明还公开了一种图像相似度计算装置，该装置包括：图像转换模块、特征值计算模块、特征向量计算模块和相似度计算模块，其中：

图像转换模块，用于将给定的两幅图像中的每幅图像转换成M×N像素大小的图像后，分割成m×n个等面积的色块后，发送给特征值计算模块；其中每个色块里有个像素点；M、N、m、n、

和均为自然数；

特征值计算模块，用于对所接收的每幅图像中的每个色块计算如下的四个特征值后发送给特征向量计算模块：

R分量特征值：取第i个色块内的所有像素点的R分量之和的平方；

G分量特征值：

取第i个色块内的所有像素点的G分量之和的平方；

B分量特征值：

取第i个色块内的所有像素点的B分量之和的平方；

线性灰度特征值：取第i个色块内的所有像素点的灰度值之和；

其中，j为图像的序号，j＝1，2；i为每个图像中的色块序号，i＝1，2，...，m×n；k为每个色块中的像素点序号，k＝1，2，...，K；r_jik、g_jik、b_jik和x_jik分别表示第j个图像的第i个色块中的第k个像素点的R分量值、G分量值、B分量值和灰度值；

特征向量计算模块，用于根据如下公式计算每幅图像的特征向量后，发送给相似度计算模块：

Q_j＝[Q_j(R) Q_j(G) Q_j(B) Q_j(L)]；

其中，对第j幅图像中的所有色块的R分量特征值进行求和，

对第j幅图像中的所有色块的G分量特征值进行求和，

对第j幅图像中的所有色块的B分量特征值进行求和，

对第j幅图像中的所有色块的线性灰度特征值进行求和；

相似度计算模块，用于根据两幅图像的特征向量计算其相似度，具体为：

所述相似度计算模块，用于计算第1图像的特征向量中的4个特征值的总和Q₁₁，以及计算第2图像的特征向量中的4个特征值的总和Q₂₂，然后计算第1图像和第2图像之间的相似度值SIM；其中：

Q₁₁＝Q₁(R)+Q₁(G)+Q₁(B)+Q₁(L)，

Q₂₂＝Q₂(R)+Q₂(G)+Q₂(B)+Q₂(L)，

SIM＝|Q₁₁-Q₂₂|；

SIM值越小，第1图像和第2图像之间的相似度越高；

或者，

所述相似度计算模块，用于根据如下公式计算第1图像和第2图像之间的相似度值SIM：

$\mathrm{SIM}=\sqrt{{(Q_1\left(R\right)-Q_2\left(R\right))}^2+{(Q_1\left(G\right)-Q_2\left(G\right))}^2+{(Q_1\left(B\right)-Q_2\left(B\right))}^2{(Q_1\left(L\right)-Q_2\left(L\right))}^2}$

SIM值越小，第1图像和第2图像之间的相似度越高。

由上述可见，本发明这种将图像分成多个色块，并将色块的RGB分量的卡方和线性灰度值结合起来计算出图像的特征向量，并根据该特征向量进行相似度计算的技术方案中，由于色块RGB分量的卡方强调的是图像的局部特征，而色块的线性灰度强调的是图像的整体灰度特征，因此该方案的相似度计算准确性较高。

附图说明

图1是本发明实施例中的将64×64像素图像等分成8×8等面积色块的示意图；

图2是本发明实施例中的一种图像相似度计算装置的结构示意图。

具体实施方式

本发明的核心思想是将图像分成多个色块，并将色块的RGB分量的卡方和线性灰度值结合起来计算出图像的颜色特征向量，并根据该颜色特征向量进行相似度计算。由于色块RGB分量的卡方强调的是图像的局部特征，而色块的线性灰度强调的是图像的整体灰度特征，因此该方案的相似度计算准确性较高

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

对于给定的两幅图像，本发明的技术方案总体包括以下步骤：

第一步，将每幅图像转换成M×N像素大小的图像后，分割成m×n个等面积的色块，每个色块里有

个像素点；M、N、m、n、

和

均为自然数。

例如，在本发明的一个实施例中，M＝64，N＝64，m＝8，n＝8，则本步骤中，先将图像转换成64×64(宽64像素，高64像素)像素大小的图像。然后对64×64像素的图像进行8×8等面积分割，得到64个色块，每个色块内有64个像素。图1是本发明实施例中的将64×64像素图像等分成8×8等面积色块的示意图。在图1中，为64个色块赋予了1～64的编号。

第二步，对于每幅图像中的每个色块计算如下的四个特征值：

R分量特征值： $Q_j\left(R_i\right)={\left({\mathrm{\Σ}}_{k=1}^K{r}_{\mathrm{jik}}\right)}^2,---\left(1\right)$

G分量特征值： $Q_j\left(G_i\right)={\left({\mathrm{\Σ}}_{k=1}^K{g}_{\mathrm{jik}}\right)}^2,---\left(2\right)$

B分量特征值： $Q_j\left(B_i\right)={\left({\mathrm{\Σ}}_{k=1}^K{b}_{\mathrm{jik}}\right)}^2,---\left(3\right)$

线性灰度特征值： $L_j\left(i\right)={\mathrm{\Σ}}_{k=1}^K{x}_{\mathrm{jik}},---\left(4\right)$

其中，j为图像的序号，j＝1，2；i为每个图像中的色块序号，i＝1，2，...，m×n；k为每个色块中的像素点序号，k＝1，2，...，K；r_jik、g_jik、b_jik和x_jik分别表示第j个图像的第i个色块中的第k个像素点的R分量值、G分量值、B分量值和灰度值。例如r₁₆₉表示第1个图像的第6个色块的第9个像素的R分量值，以此类推。

这里R对应三基色中的红色，G对应三基色中的绿色，B对应三基色中的蓝色。公式(1)的含义是取第i个色块内的所有像素点的R分量之和的平方；公式(2)的含义是取第i个色块内的所有像素点的G分量之和的平方；公式(3)的含义是取第i个色块内的所有像素点的B分量之和的平方；公式(4)的含义是取第i个色块内的所有像素点的灰度值之和。

在公式(4)中，所述灰度值x_jik＝0.3×r_jik+0.59×g_jik+0.11×b_jik。

第三步，计算每幅图像的特征向量：

Q_j＝[Q_j(R) Q_j(G) Q_j(B) Q_j(L)]；  (5)

其中， $Q_j\left(R\right)={\mathrm{\Σ}}_{i=1}^{m\×n}{Q}_j\left(R_i\right),$ $Q_j\left(G\right)={\mathrm{\Σ}}_{i=1}^{m\×n}{Q}_j\left(G_i\right),$ $Q_j\left(B\right)={\mathrm{\Σ}}_{i=1}^{m\×n}{Q}_j\left(B_i\right),$ $Q_j\left(L\right)={\mathrm{\Σ}}_{i=1}^{m\×n}{L}_j\left(i\right);$

即Q_j(R)是对一幅图像中的所有色块的R分量特征值进行求和，Q_j(G)是对一幅图像中的所有色块的G分量特征值进行求和，Q_j(B)是对一幅图像中的所有色块的B分量特征值进行求和，Q_j(L)是对一幅图像中的所有色块的线性灰度特征值进行求和。

则第1个图像的特征向量为：Q₁＝[Q₁(R) Q₁(G) Q₁(B) Q₁(L)]；第2个图像的特征向量为：Q₂＝[Q₂(R) Q₂(G) Q₂(B) Q₂(L)]。

第四步，根据所述两幅图像的特征向量计算其相似度。

本发明中提供了两种根据两幅图像的特征向量计算其相似度的方案：

(方案1)计算第1图像的特征向量中的4个特征值的总和Q₁₁，以及计算第2图像的特征向量中的4个特征值的总和Q₂₂：

Q₁₁＝Q₁(R)+Q₁(G)+Q₁(B)+Q₁(L)，    (6)

Q₂₂＝Q₂(R)+Q₂(G)+Q₂(B)+Q₂(L)，    (7)

则第1图像和第2图像之间的相似度值SIM为：

SIM＝|Q₁₁-Q₂₂|，                  (8)

值越小，第1图像和第2图像之间的相似度越高。

(方案2)根据公式(9)计算第1图像和第2图像之间的相似度值SIM：

$\mathrm{SIM}=\sqrt{{(Q_1\left(R\right)-Q_2\left(R\right))}^2+{(Q_1\left(G\right)-Q_2\left(G\right))}^2+{(Q_1\left(B\right)-Q_2\left(B\right))}^2+{(Q_1\left(L\right)-Q_2\left(L\right))}^2}$

$\left(9\right)$

公式(9)中的SIM值越小，第1图像和第2图像之间的相似度越高。

在上述的方案1中，将公式(5)中的特征向量归为一个值，这种方式适合有大量图像需要比较的场景，该方式地计算速度快，但准确性不及方案2高。在方案2中计算了两幅图像的特征向量的欧式距离，这种方***性较高。

经测试，本发明的这种相似度计算方法具有独立性强、准确性高、抗图像几何变换(如拉伸、旋转、适度涂改等)等特点。

基于上述实施例给出本发明中的一种图像相似度计算装置的结构。

图2是本发明实施例中的一种图像相似度计算装置的结构示意图。如图2所示，该装置包括：图像转换模块201、特征值计算模块202、特征向量计算模块203和相似度计算模块204，其中：

图像转换模块201，用于将给定的两幅图像中的每幅图像转换成M×N像素大小的图像后，分割成m×n个等面积的色块后，发送给特征值计算模块202；其中每个色块里有

个像素点；M、N、m、n、

和

均为自然数；

特征值计算模块202，用于对所接收的每幅图像中的每个色块计算如下的四个特征值后发送给特征向量计算模块203：

R分量特征值： $Q_j\left(R_i\right)={\left({\mathrm{\Σ}}_{k=1}^K{r}_{\mathrm{jik}}\right)}^2,$

G分量特征值： $Q_j\left(G_i\right)={\left({\mathrm{\Σ}}_{k=1}^K{g}_{\mathrm{jik}}\right)}^2,$

B分量特征值： $Q_j\left(B_i\right)={\left({\mathrm{\Σ}}_{k=1}^K{b}_{\mathrm{jik}}\right)}^2,$

线性灰度特征值： $L_i\left(i\right)={\mathrm{\Σ}}_{k=1}^K{X}_{\mathrm{jik}},$

其中，j为图像的序号，j＝1，2；i为每个图像中的色块序号，i＝1，2，...，m×n；k为每个色块中的像素点序号，k＝1，2，...，K；r_jik、g_jik、b_jik和x_jik分别表示第j个图像的第i个色块中的第k个像素点的R分量值、G分量值、B分量值和灰度值；

特征向量计算模块203，用于根据如下公式计算每幅图像的特征向量后，发送给相似度计算模块204：

Q_j＝[Q_j(R) Q_j(G) Q_j(B) Q_j(L)]；

其中， $Q_j\left(R\right)={\mathrm{\Σ}}_{i=1}^{m\×n}{Q}_j\left(R_i\right),$ $Q_j\left(G\right)={\mathrm{\Σ}}_{i=1}^{m\×n}{Q}_j\left(G_i\right),$ $Q_j\left(B\right)={\mathrm{\Σ}}_{i=1}^{m\×n}{Q}_j\left(B_i\right),$ $Q_j\left(L\right)={\mathrm{\Σ}}_{i=1}^{m\×n}{L}_j\left(i\right);$

相似度计算模块204，用于根据两幅图像的特征向量计算其相似度。

在图2所示的装置中，特征值计算模块202，根据公式x_jik＝0.3×r_jik+0.59×g_jik+0.11×b_jik计算灰度值。

在图2所示的装置中，相似度计算模块204，用于计算第1图像的特征向量中的4个特征值的总和Q₁₁，以及计算第2图像的特征向量中的4个特征值的总和Q₂₂，然后计算第1图像和第2图像之间的相似度值SIM；其中：

Q₁₁＝Q₁(R)+Q₁(G)+Q₁(B)+Q₁(L)，

Q₂₂＝Q₂(R)+Q₂(G)+Q₂(B)+Q₂(L)，

SIM＝|Q₁₁-Q₂₂|；

SIM值越小，第1图像和第2图像之间的相似度越高。

或者，在图2所示的装置中，所述相似度计算模块204，用于根据如下公式计算第1图像和第2图像之间的相似度值SIM：

$\mathrm{SIM}=\sqrt{{(Q_1\left(R\right)-Q_2\left(R\right))}^2+{(Q_1\left(G\right)-Q_2\left(G\right))}^2+{(Q_1\left(B\right)-Q_2\left(B\right))}^2+{(Q_1\left(L\right)-Q_2\left(L\right))}^2}$

SIM值越小，第1图像和第2图像之间的相似度越高。

在图2所示的装置中，所述图像转换模块201，用于将给定的两幅图像中的每幅图像转换成64×64像素大小的图像后，分割成8×8个等面积的色块后，发送给特征值计算模块202。

由上述可见，本发明这种将图像分成多个色块，并将色块的RGB分量的卡方和线性灰度值结合起来计算出图像的特征向量，并根据该特征向量进行相似度计算的技术方案中，由于色块RGB分量的卡方强调的是图像的局部特征，而色块的线性灰度强调的是图像的整体灰度特征，因此该方案即结合颜色的局部特征又结合颜色的整体特征，以局部兼整体的方式使颜色特征值更能反映真实的图像，进而使得相似度的计算具有较高的准确性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (6)

1.一种图像相似度计算方法，其特征在于，对于给定的两幅图像，该方法执行以下步骤：

第一步，将每幅图像转换成M×N像素大小的图像后，分割成m×n个等面积的色块，每个色块里有

个像素点；M、N、m、n、

和

均为自然数；

第二步，对于每幅图像中的每个色块计算如下的四个特征值：

R分量特征值：

取第i个色块内的所有像素点的R分量之和的平方；

G分量特征值：

取第i个色块内的所有像素点的G分量之和的平方；

B分量特征值：取第i个色块内的所有像素点的B分量之和的平方；

线性灰度特征值：

取第i个色块内的所有像素点的灰度值之和；

其中，j为图像的序号，j＝1，2；i为每个图像中的色块序号，i＝1，2，...，m×n；k为每个色块中的像素点序号，k＝1，2，...，K；r_jik、g_jik、b_jik和x_jik分别表示第j个图像的第i个色块中的第k个像素点的R分量值、G分量值、B分量值和灰度值；

第三步，计算每幅图像的特征向量：

Q_j＝[Q_j(R) Q_j(G) Q_j(B) Q_j(L)]；

其中，对第j幅图像中的所有色块的R分量特征值进行求和，对第j幅图像中的所有色块的G分量特征值进行求和，

对第j幅图像中的所有色块的B分量特征值进行求和，

对第j幅图像中的所有色块的线性灰度特征值进行求和；

第四步，根据所述两幅图像的特征向量计算其相似度，具体为：

计算第1图像的特征向量中的4个特征值的总和Q₁₁：

Q₁₁＝Q₁(R)+Q₁(G)+Q₁(B)+Q₁(L)；

计算第2图像的特征向量中的4个特征值的总和Q₂₂：

Q₂₂＝Q₂(R)+Q₂(G)+Q₂(B)+Q₂(L)；

则第1图像和第2图像之间的相似度值SIM为：SIM＝|Q₁₁-Q₂₂|；

SIM值越小，第1图像和第2图像之间的相似度越高；

或者，

根据如下公式计算第1图像和第2图像之间的相似度值SIM：

$\mathrm{SIM}=\sqrt{{(Q_1\left(R\right)-Q_2\left(R\right))}^2+{(Q_1\left(G\right)-Q_2\left(G\right))}^2+{(Q_1\left(B\right)-Q_2\left(B\right))}^2{(Q_1\left(L\right)-Q_2\left(L\right))}^2}$

SIM值越小，第1图像和第2图像之间的相似度越高。

2.根据权利要求1所述的方法，其特征在于，

所述灰度值x_jik＝0.3×r_jik+0.59×g_jik+0.11×b_jik。

3.根据权利要求1或2所述的方法，其特征在于，

所述M＝64，N＝64，m＝8，n＝8。

4.一种图像相似度计算装置，其特征在于，该装置包括：图像转换模块、特征值计算模块、特征向量计算模块和相似度计算模块，其中：

图像转换模块，用于将给定的两幅图像中的每幅图像转换成M×N像素大小的图像后，分割成m×n个等面积的色块后，发送给特征值计算模块；其中每个色块里有

个像素点；M、N、m、n、

和

均为自然数；

特征值计算模块，用于对所接收的每幅图像中的每个色块计算如下的四个特征值后发送给特征向量计算模块：

R分量特征值：

取第i个色块内的所有像素点的R分量之和的平方；

G分量特征值：

取第i个色块内的所有像素点的G分量之和的平方；

B分量特征值：

取第i个色块内的所有像素点的B分量之和的平方；

线性灰度特征值：

取第i个色块内的所有像素点的灰度值之和；

其中，j为图像的序号，j＝1，2；i为每个图像中的色块序号，i＝1，2，...，m×n；k为每个色块中的像素点序号，k＝1，2，...，K；r_jik、g_jik、b_jik和x_jik分别表示第j个图像的第i个色块中的第k个像素点的R分量值、G分量值、B分量值和灰度值；

特征向量计算模块，用于根据如下公式计算每幅图像的特征向量后，发送给相似度计算模块：

Q_j＝[Q_j(R) Q_j(G) Q_j(B) Q_j(L)]；

其中，

对第j幅图像中的所有色块的R分量特征值进行求和，

对第j幅图像中的所有色块的G分量特征值进行求和，对第j幅图像中的所有色块的B分量特征值进行求和，

对第j幅图像中的所有色块的线性灰度特征值进行求和；

相似度计算模块，用于根据两幅图像的特征向量计算其相似度，具体为：

所述相似度计算模块，用于计算第1图像的特征向量中的4个特征值的总和Q₁₁，以及计算第2图像的特征向量中的4个特征值的总和Q₂₂，然后计算第1图像和第2图像之间的相似度值SIM；其中：

Q₁₁＝Q₁(R)+Q₁(G)+Q₁(B)+Q₁(L)，

Q₂₂＝Q₂(R)+Q₂(G)+Q₂(B)+Q₂(L)，

SIM＝|Q₁₁-Q₂₂|；

SIM值越小，第1图像和第2图像之间的相似度越高；

或者，

所述相似度计算模块，用于根据如下公式计算第1图像和第2图像之间的相似度值SIM：

$\mathrm{SIM}=\sqrt{{(Q_1\left(R\right)-Q_2\left(R\right))}^2+{(Q_1\left(G\right)-Q_2\left(G\right))}^2+{(Q_1\left(B\right)-Q_2\left(B\right))}^2{(Q_1\left(L\right)-Q_2\left(L\right))}^2}$

SIM值越小，第1图像和第2图像之间的相似度越高。

5.根据权利要求4所述的装置，其特征在于，

特征值计算模块，根据公式x_jik＝0.3×r_jik+0.59×g_jik+0.11×b_jik计算灰度值。

6.根据权利要求4或5所述的装置，其特征在于，

所述图像转换模块，用于将给定的两幅图像中的每幅图像转换成64×64像素大小的图像后，分割成8×8个等面积的色块后，发送给特征值计算模块。

Images