CN113626629B - 一种利用尺度不变特征计算图像哈希值的方法 - Google Patents
一种利用尺度不变特征计算图像哈希值的方法 Download PDFInfo
- Publication number
- CN113626629B CN113626629B CN202110942325.1A CN202110942325A CN113626629B CN 113626629 B CN113626629 B CN 113626629B CN 202110942325 A CN202110942325 A CN 202110942325A CN 113626629 B CN113626629 B CN 113626629B
- Authority
- CN
- China
- Prior art keywords
- image
- hash value
- feature
- calculating
- features
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种利用尺度不变特征计算图像哈希值的方法,属于图像处理领域。本发明利用SIFT算法,计算图像的特征点及相应的尺度不变特征;根据图像中各个特征之间的距离,计算各个特征的权重;比较特征中的各个分量与相邻分量的大小,将特征的各个分量二值化,得到特征的哈希值;将特征的哈希值和权值相乘,得到特征的权重哈希值;将图像各个特征的权重哈希值相加,再将各分量二值化,得到图像的哈希值。本发明提出的计算图像哈希值的方法,利用尺度不变特征作为图像哈希值的基础,缩放、旋转、平移后的图像具有相似的哈希值,符合人类视觉习惯,有助于图像大数据的快速检索,在图像大数据应用中具有重要的应用价值。
Description
技术领域
本发明属于图像处理领域,具体涉及一种利用尺度不变特征计算图像哈希值的方法,确切说,涉及一种利用尺度不变特征的分类来计算图像的哈希值,便于图像大数据快速判断图像间相似性的方法。
背景技术
随着信息技术的发展,人们在互联网上累计了大量的图像,形成了图像大数据。其中,相当大一部分图像是相同或相似的,不仅浪费了大量网络传输时间和存储空间。如果能够实现判断两幅图像的相似性,就可以减少网络传输和存储需求。在图像大数据中,由于图像的数量巨大,通常采用哈希值判断图像的相似性。
目前,已经有多种计算图像的哈希值的方法,例如谷歌提出的图像感知哈希值方法,以及神经网络方法。这些方法中,很少能处理图像的缩放、旋转、平移,经过缩放、旋转、平移后的图像尽管视觉上相似,但这些方法计算出的图像哈希值可能不相似。
因此,需要一种考虑图像缩放、旋转、平移的哈希值计算方法,使得视觉相似的图像的哈希值也相似。本发明正是基于这种现实需求而产生的。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何提供一种利用尺度不变特征计算图像哈希值的方法,以解决现有的计算图像的哈希值的方法很少能处理图像的缩放、旋转、平移,经过缩放、旋转、平移后的图像尽管视觉上相似,但这些方法计算出的图像哈希值可能不相似的问题。
(二)技术方案
为了解决上述技术问题,本发明提出一种利用尺度不变特征计算图像哈希值的方法,该方法包括如下步骤:
S1、图像特征计算步骤;利用SIFT算法,计算图像的特征点及相应的尺度不变特征;
S2、特征权重计算步骤;根据图像中各个特征之间的距离,计算各个特征的权重;
S3、特征哈希值计算步骤;比较特征中的各个分量与相邻分量的大小,将特征的各个分量二值化,得到特征的哈希值;
S4、特征权重哈希值计算步骤;将特征的哈希值和权值相乘,得到特征的权重哈希值;
S5、图像哈希值计算步骤;将图像各个特征的权重哈希值相加,再将各分量二值化,得到图像的哈希值。
进一步地,所述步骤S1具体包括:利用现有的SIFT算法计算每幅图像的尺度不变特征,记录各个特征的值为Fi=(fi1,fi2,…,fiM)。
进一步地,所述特征Fi=(fi1,fi2,…,fiM)的维度M为128维及以上。
进一步地,特征分量fij的值采用f’ij=fij/(fi1+fi2+…+fiM)的方式规范化为0≤f’ij≤1。
进一步地,所述步骤S2具体包括:如果图像中有N个特征Fi,计算每个特征Fi到其它特征Fj的距离Dij,特征的权重为特征Fi的权重
进一步地,所述每个特征Fi到其它特征Fj的距离Dij采用如下方式计算:对于两个特征向量F1=(f11,f12,…,f1M)和F2=(f21,f22,…,f2M),
进一步地,所述步骤S3具体包括:如果图像的某个特征Fi=(fi1,fi2,…,fiM),哈希值为Hi=(hi1,hi2,…,hiM),由于特征是分段的,哈希值也分段,M=L×S,特征分为S段,每段长度为L,对于其中的一段特征(fi1,fi2,…,fiL),如果fi(j-1)≤fij,则hij=+1,否则,hij=-1,如果j=1,则规定j-1=L。
进一步地,所述步骤S4具体包括:如果图像的某个特征Fi=(fi1,fi2,…,fiM)的哈希值Hi=(hi1,hi2,…,hiM),权重为wi,则相应的权重哈希值HWi=(hi1×wi,hi2×wi,…,hiM×wi)。
进一步地,所述步骤S5具体包括:计算图像的权重哈希值HW=HW1+HW2+…+HWN=(hw1,hw2,…,hwM),hwj=h1j×w1+h2j×w2+…+hNj×wN,计算hw=(hw1+hw2+…+hwM)/M,图像的哈希值H=(h1,h2,…,hM),如果hwj≤hw,则hj=0,否则hj=1。
进一步地,所述步骤S5具体包括:计算图像的权重哈希值HW=HW1+HW2+…+HWN=(hw1,hw2,…,hwM),hwj=h1j×w1+h2j×w2+…+hNj×wN,计算hw=(hw1+hw2+…+hwM)/M,图像的哈希值H=(h1,h2,…,hM),如果hwj≤hw,则hj=1,否则hj=0。
(三)有益效果
本发明提出一种利用尺度不变特征计算图像哈希值的方法,以经过实践证明有效的尺度不变特征为基础,能够有效处理图像的缩放、旋转和平移,使得相似图像的哈希值相似,有助于图像大数据的快速检索,在图像大数据应用中具有重要的应用价值。
附图说明
图1为本发明利用尺度不变特征计算图像哈希值的方法流程图。
具体实施方式
为使本发明的目的、内容和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明公开了一种利用尺度不变特征(SIFT)计算图像哈希值的方法,该方法包括:(1)图像特征计算步骤。利用SIFT算法,计算图像的特征点及相应的尺度不变特征。(2)特征权重计算步骤。根据图像中各个特征之间的距离,计算各个特征的权重。(3)特征哈希值计算步骤。比较特征中的各个分量与相邻分量的大小,将特征的各个分量二值化,得到特征的哈希值。(4)特征权重哈希值计算步骤。将特征的哈希值和权值相乘,得到特征的权重哈希值。(5)图像哈希值计算步骤。将图像各个特征的权重哈希值相加,再将各分量二值化,得到图像的哈希值。本发明提出的计算图像哈希值的方法,利用尺度不变特征作为图像哈希值的基础,缩放、旋转、平移后的图像具有相似的哈希值,符合人类视觉习惯,有助于图像大数据的快速检索,在图像大数据应用中具有重要的应用价值。
本发明的目的是:提供一种利用尺度不变特征计算图像哈希值的方法,考虑图像的缩放、旋转、平移,满足视觉相似的图像的哈希值相似的需求。
为实现上述目的,本发明提出了一种利用尺度不变特征计算图像哈希值的方法,该方法包括:
S1、图像特征计算步骤。利用SIFT算法,计算图像的特征点及相应的尺度不变特征。
S2、特征权重计算步骤。根据图像中各个特征之间的距离,计算各个特征的权重。
S3、特征哈希值计算步骤。比较特征中的各个分量与相邻分量的大小,将特征的各个分量二值化,得到特征的哈希值。
S4、特征权重哈希值计算步骤。将特征的哈希值和权值相乘,得到特征的权重哈希值。
S5、图像哈希值计算步骤。将图像各个特征的权重哈希值相加,再将各分量二值化,得到图像的哈希值。
图1是本发明的一种利用尺度不变特征计算图像哈希值的方法的流程图。如图1所示,该方法包括:
S1、图像特征计算步骤。利用SIFT算法,计算图像的特征点及相应的尺度不变特征。
具体实施时,利用现有的SIFT算法计算每幅图像的尺度不变特征,记录各个特征的值,特征Fi=(fi1,fi2,…,fiM)的维度M可以选择128维及以上,特征分量fij的值可以采用f’ij=fij/(fi1+fi2+…+fiM)的方式规范化为0≤f’ij≤1。
S2、特征权重计算步骤。根据图像中各个特征之间的距离,计算各个特征的权重。
具体实施时,如果图像中有N个特征Fi,计算每个特征Fi到其它特征Fj的距离Dij。例如,对于两个特征向量F1=(f11,f12,…,f1M)和F2=(f21,f22,…,f2M),特征Fi的权重/>
S3、特征哈希值计算步骤。比较特征中的各个分量与相邻分量的大小,将特征的各个分量二值化,得到特征的哈希值。
具体实施时,如果图像的某个特征Fi=(fi1,fi2,…,fiM),哈希值为Hi=(hi1,hi2,…,hiM),由于特征是分段的,哈希值也分段,M=L×S,特征分为S段,每段长度为L,对于其中的一段特征(fi1,fi2,…,fiL),如果fi(j-1)≤fij,则hij=+1,否则,hij=-1。如果j=1,则规定j-1=L。
S4、特征权重哈希值计算步骤。将特征的哈希值和权值相乘,得到特征的权重哈希值。
具体实施时,如果图像的某个特征Fi=(fi1,fi2,…,fiM)的哈希值Hi=(hi1,hi2,…,hiM),权重为wi,则相应的权重哈希值HWi=(hi1×wi,hi2×wi,…,hiM×wi)。
(5)图像哈希值计算步骤。将图像各个特征的权重哈希值相加,再将各分量二值化,得到图像的哈希值。
具体实施时,计算图像的权重哈希值HW=HW1+HW2+…+HWN=(hw1,hw2,…,hwM)。hwj=h1j×w1+h2j×w2+…+hNj×wN。计算hw=(hw1+hw2+…+hwM)/M,图像的哈希值H=(h1,h2,…,hM)。如果hwj≤hw,则hj=0,否则hj=1。或者如果hwj≤hw,则hj=1,否则hj=0。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种利用尺度不变特征计算图像哈希值的方法,其特征在于,该方法包括如下步骤:
S1、图像特征计算步骤;利用SIFT算法,计算图像的特征点及相应的尺度不变特征;
S2、特征权重计算步骤;根据图像中各个特征之间的距离,计算各个特征的权重;
S3、特征哈希值计算步骤;比较特征中的各个分量与相邻分量的大小,将特征的各个分量二值化,得到特征的哈希值;
S4、特征权重哈希值计算步骤;将特征的哈希值和权值相乘,得到特征的权重哈希值;
S5、图像哈希值计算步骤;将图像各个特征的权重哈希值相加,再将各分量二值化,得到图像的哈希值。
2.如权利要求1所述的利用尺度不变特征计算图像哈希值的方法,其特征在于,所述步骤S1具体包括:利用现有的SIFT算法计算每幅图像的尺度不变特征,记录各个特征的值为Fi=(fi1,fi2,...,fiM)。
3.如权利要求2所述的利用尺度不变特征计算图像哈希值的方法,其特征在于,所述特征Fi=(fi1,fi2,...,fiM)的维度M为128维及以上。
4.如权利要求2所述的利用尺度不变特征计算图像哈希值的方法,其特征在于,特征分量fij的值采用f’ij=fij/(fi1+fi2+...+fiM)的方式规范化为0≤f’ij≤1。
5.如权利要求2-4任一项所述的利用尺度不变特征计算图像哈希值的方法,其特征在于,所述步骤S2具体包括:如果图像中有N个特征Fi,计算每个特征Fi到其它特征Fj的距离Dij,特征的权重为特征Fi的权重
6.如权利要求5所述的利用尺度不变特征计算图像哈希值的方法,其特征在于,所述每个特征Fi到其它特征Fj的距离Dij采用如下方式计算:对于两个特征向量F1=(f11,f12,...,f1M)和F2=(f21,f22,...,f2M),
7.如权利要求5所述的利用尺度不变特征计算图像哈希值的方法,其特征在于,所述步骤S3具体包括:如果图像的某个特征Fi=(fi1,fi2,...,fiM),哈希值为Hi=(hi1,hi2,...,hiM),由于特征是分段的,哈希值也分段,M=L×S,特征分为S段,每段长度为L,对于其中的一段特征(fi1,fi2,...,fiL),如果fi(j-1)≤fij,则hij=+1,否则,hij=-1,如果j=1,则规定j-1=L。
8.如权利要求7所述的利用尺度不变特征计算图像哈希值的方法,其特征在于,所述步骤S4具体包括:如果图像的某个特征Fi=(fi1,fi2,...,fiM)的哈希值Hi=(hi1,hi2,...,hiM),权重为wi,则相应的权重哈希值HWi=(hi1×wi,hi2×wi,...,hiM×wi)。
9.如权利要求8所述的利用尺度不变特征计算图像哈希值的方法,其特征在于,所述步骤S5具体包括:计算图像的权重哈希值HW=HW1+HW2+...+HWN=(hw1,hw2,...,hwM),hwj=h1j×W1+h2j×W2+...+hNj×wN,计算hw=(hw1+hw2+...+hwM)/M,图像的哈希值H=(h1,h2,...,hM),如果hwj≤hw,则hj=0,否则hj=1。
10.如权利要求8所述的利用尺度不变特征计算图像哈希值的方法,其特征在于,所述步骤S5具体包括:计算图像的权重哈希值HW=HW1+HW2+...+HWN=(hw1,hw2,...,hwM),hwj=h1j×w1+h2j×W2+...+hNj×wN,计算hw=(hw1+hw2+...+hwM)/M,图像的哈希值H=(h1,h2,...,hM),如果hwj≤hw,则hj=1,否则hj=0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110942325.1A CN113626629B (zh) | 2021-08-17 | 2021-08-17 | 一种利用尺度不变特征计算图像哈希值的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110942325.1A CN113626629B (zh) | 2021-08-17 | 2021-08-17 | 一种利用尺度不变特征计算图像哈希值的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113626629A CN113626629A (zh) | 2021-11-09 |
CN113626629B true CN113626629B (zh) | 2023-09-29 |
Family
ID=78386103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110942325.1A Active CN113626629B (zh) | 2021-08-17 | 2021-08-17 | 一种利用尺度不变特征计算图像哈希值的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113626629B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184411A (zh) * | 2011-05-09 | 2011-09-14 | 中国电子科技集团公司第二十八研究所 | 基于彩色信息的尺度不变特征点描述和匹配方法 |
CN105469096A (zh) * | 2015-11-18 | 2016-04-06 | 南京大学 | 一种基于哈希二值编码的特征袋图像检索方法 |
CN105512273A (zh) * | 2015-12-03 | 2016-04-20 | 中山大学 | 一种基于可变长深度哈希学习的图像检索方法 |
CN106776856A (zh) * | 2016-11-29 | 2017-05-31 | 江南大学 | 一种融合颜色特征与词汇树的车辆图像检索方法 |
CN109410255A (zh) * | 2018-10-17 | 2019-03-01 | 中国矿业大学 | 一种基于改进的sift与哈希算法的图像配准方法及装置 |
CN109558890A (zh) * | 2018-09-30 | 2019-04-02 | 天津大学 | 基于自适应权重哈希循环对抗网络的零样本图像分类方法 |
CN111125411A (zh) * | 2019-12-20 | 2020-05-08 | 昆明理工大学 | 一种深度强相关哈希学习的大规模图像检索方法 |
-
2021
- 2021-08-17 CN CN202110942325.1A patent/CN113626629B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184411A (zh) * | 2011-05-09 | 2011-09-14 | 中国电子科技集团公司第二十八研究所 | 基于彩色信息的尺度不变特征点描述和匹配方法 |
CN105469096A (zh) * | 2015-11-18 | 2016-04-06 | 南京大学 | 一种基于哈希二值编码的特征袋图像检索方法 |
CN105512273A (zh) * | 2015-12-03 | 2016-04-20 | 中山大学 | 一种基于可变长深度哈希学习的图像检索方法 |
CN106776856A (zh) * | 2016-11-29 | 2017-05-31 | 江南大学 | 一种融合颜色特征与词汇树的车辆图像检索方法 |
CN109558890A (zh) * | 2018-09-30 | 2019-04-02 | 天津大学 | 基于自适应权重哈希循环对抗网络的零样本图像分类方法 |
CN109410255A (zh) * | 2018-10-17 | 2019-03-01 | 中国矿业大学 | 一种基于改进的sift与哈希算法的图像配准方法及装置 |
CN111125411A (zh) * | 2019-12-20 | 2020-05-08 | 昆明理工大学 | 一种深度强相关哈希学习的大规模图像检索方法 |
Non-Patent Citations (3)
Title |
---|
Image Hashing Based on SIFT Features;Pingyuan Li等;《CSSE 21》;253-256 * |
Query-Adaptive Image Search With Hash Codes;Yu-Gang Jiang等;《IEEE Transactions on Multimedia》;第15卷(第2期);442-453 * |
面向大规模图像检索的深度强相关散列学习方法;贺周雨等;《计算机研究与发展》;第57卷(第11期);1-14 * |
Also Published As
Publication number | Publication date |
---|---|
CN113626629A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112966725B (zh) | 匹配模板图像的方法、装置及终端设备 | |
CN112232346B (zh) | 语义分割模型训练方法及装置、图像语义分割方法及装置 | |
CN103927387A (zh) | 图像检索***及其相关方法和装置 | |
US10769784B2 (en) | Image analyzing method and electrical device | |
CN112614110B (zh) | 评估图像质量的方法、装置及终端设备 | |
CN118015644B (zh) | 基于图片和文字的社交媒体关键词数据分析方法及装置 | |
CN110956038A (zh) | 图文内容重复判断方法及装置 | |
CN113111880A (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
CN114283431B (zh) | 一种基于可微分二值化的文本检测方法 | |
Meena et al. | Image splicing forgery detection using noise level estimation | |
CN110717405A (zh) | 人脸特征点定位方法、装置、介质及电子设备 | |
CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
CN113626629B (zh) | 一种利用尺度不变特征计算图像哈希值的方法 | |
Uchiyama et al. | Camera tracking by online learning of keypoint arrangements using LLAH in augmented reality applications | |
CN115601586A (zh) | 标签信息获取方法、装置、电子设备及计算机存储介质 | |
CN112699898B (zh) | 一种基于多层特征融合的图像方向识别方法 | |
CN113947778A (zh) | 一种基于档案文件数字化处理方法 | |
CN113763313A (zh) | 文本图像的质量检测方法、装置、介质及电子设备 | |
CN108334884B (zh) | 一种基于机器学习的手写文档检索方法 | |
CN112749691A (zh) | 图像处理方法及相关设备 | |
Cao et al. | Character segmentation and restoration of Qin-Han bamboo slips using local auto-focus thresholding method | |
WO2023071577A1 (zh) | 特征提取模型训练方法、图片搜索方法、装置及设备 | |
CN118015634B (zh) | 一种获取手写字符的验证结果的数据处理*** | |
CN113436188B (zh) | 一种利用卷积计算图像哈希值的方法 | |
Xia et al. | A new texture direction feature descriptor and its application in content-based image retrieval |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |