WO2015024383A1 - 用于颜色分布和纹理分布图像检索的相似度获取方法 - Google Patents

用于颜色分布和纹理分布图像检索的相似度获取方法 Download PDF

Info

Publication number
WO2015024383A1
WO2015024383A1 PCT/CN2014/073995 CN2014073995W WO2015024383A1 WO 2015024383 A1 WO2015024383 A1 WO 2015024383A1 CN 2014073995 W CN2014073995 W CN 2014073995W WO 2015024383 A1 WO2015024383 A1 WO 2015024383A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
distribution
template
pixels
feature
Prior art date
Application number
PCT/CN2014/073995
Other languages
English (en)
French (fr)
Inventor
徐滢
Original Assignee
成都品果科技有限公司
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 成都品果科技有限公司 filed Critical 成都品果科技有限公司
Publication of WO2015024383A1 publication Critical patent/WO2015024383A1/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Definitions

  • the present invention relates to image retrieval techniques, and more particularly to a similarity acquisition method for color distribution and texture distribution image retrieval. Background technique
  • the technical problem to be solved by the present invention is: To solve the above problems, a similarity acquisition method suitable for cloud storage color distribution and texture distribution image retrieval is provided.
  • Step 1 extracting the color distribution feature and the texture distribution feature of the input image
  • Step 2 respectively calculating the similarity between the color distribution feature of the input image and the color distribution feature of each image in the database, and obtaining an input image and a database
  • Step 201 Convert an image to a color space to obtain an image I;
  • Step 202 Mapping H, S, and components of each pixel of the image into color feature values G:
  • Step 203 Statistic value distribution of each pixel in the statistical image: traverse the color feature value of each pixel, and the statistics fall into each color
  • the number of pixels in the distribution histogram interval is divided by the number of pixels in each color distribution histogram interval divided by the total number of image pixels to obtain a normalized color distribution feature ⁇ t(x), where X represents the color distribution histogram Diagram interval.
  • the method for acquiring the color distribution feature further includes:
  • the method for obtaining the texture distribution feature includes: Step 301: Convert an image into a grayscale image to obtain an image L;
  • Step 302 traversing the image to obtain an LHP feature of each template by using a template with a size of 3 pixels and 3 pixels, wherein the method for obtaining the template L B p feature includes:
  • the gray value of the nine pixels in the template is P' ( Q ⁇ z ⁇ 8 ), where the gray value of the pixel in the middle of the template is recorded as; the gray value of the other pixels in the template is subtracted.
  • Step 303 Obtaining a rotation-invariant feature of each template; wherein the method of obtaining the rotation-invariant LBP feature of the template includes:
  • Step 304 Counting the distribution of each of the rotation-invariant features in each template: traversing each rotation-invariant feature value of each template, and counting the number of pixels falling into each texture distribution histogram interval, and then falling into The number of pixels in each texture distribution histogram interval is divided by the total number of image pixels, and the normalized texture distribution feature hist(y) is obtained, where _y represents the texture distribution histogram interval.
  • the method for calculating the color distribution feature similarity Sa in the step 2 includes: Step 401: Using the formula
  • the method for calculating the texture distribution feature similarity Sb in the step 2 includes:
  • ⁇ is the texture distribution feature of the first image and the texture distribution feature of the second image.
  • Wa Wb.
  • the present invention also protects a similarity acquisition method for a texture distribution image retrieval method, including:
  • Step 1 extracting a texture distribution feature of the input image
  • Step 2 Calculate the similarity between the texture distribution feature of the input image and the texture distribution feature of each image in the database, and obtain the texture distribution feature similarity Sb between the input image and each image in the database (i) ), 1 takes 0, 1, 2... total number of database images -1; the method for obtaining the texture distribution features includes:
  • Step 301 Converting an image into a grayscale image to obtain an image L;
  • Step 302 traversing the image to obtain an LHP feature of each template by using a template with a size of 3 pixels and 3 pixels, wherein the method for obtaining the template L B p feature includes: recording a gray value of 9 pixels in the template P' ( Q ⁇ z ⁇ 8 ), where the gray value of the pixel in the middle of the template is recorded as; the gray value of the other pixels in the template is subtracted.
  • the method for obtaining the template L B p feature includes: recording a gray value of 9 pixels in the template P' ( Q ⁇ z ⁇ 8 ), where the gray value of the pixel in the middle of the template is recorded as; the gray value of the other pixels in the template is subtracted.
  • Step 303 Obtaining a rotation-invariant feature of each template; wherein the method of obtaining the rotation-invariant LBP feature of the template includes:
  • LBP" (i) m [ n (ROR(LBP(il q)) , where 1 ⁇ 8, ROR represents the shift operation, and g 0 represents the number of shift bits;
  • Step 304 Counting the distribution of each of the rotation-invariant features in each template: traversing each rotation-invariant feature value of each template, and counting the number of pixels falling into each texture distribution histogram interval, and then falling into The number of pixels in each texture distribution histogram interval is divided by the total number of image pixels, and the normalized texture distribution feature hist(y) is obtained, where _y represents the texture distribution histogram interval.
  • the present invention also protects the method of acquiring texture distribution features in the above.
  • the above technical solution is adopted, and the beneficial effects of the present invention are as follows:
  • the image similarity obtaining method according to the present invention does not need to make any assumptions on the image, and does not require a large number of labeled sample training models, and is easy to implement.
  • FIG. 1 is a flow chart of color distribution feature extraction in the present invention.
  • the present invention provides a similarity acquisition method for color distribution and texture distribution image retrieval, and the specific steps include:
  • Step 1 extracting the color distribution feature and the texture distribution feature of the input image
  • Step 2 respectively calculating the similarity between the color distribution feature of the input image and the color distribution feature of each image in the database, and obtaining an input image and a database
  • a method for acquiring a color distribution feature includes: Step 201: Convert an image into a color space to obtain an image I; generally, the image is an RGB color space, and the image of the RGB color space is obtained.
  • the conversion to the color space is a technique well known in the art, and the specific process thereof will not be described herein.
  • Step 203 Statistic value distribution of each pixel in the statistical image: traverse the color feature values of each pixel, and count the number of pixels falling into the histogram interval of each color distribution, The number of pixels falling into the histogram interval of each color distribution is divided by the total number of image pixels, respectively, to obtain a normalized color distribution feature ⁇ t(x), where X represents a color distribution histogram interval.
  • the method for acquiring the color distribution feature further includes:
  • the image is divided into N blocks, for example, N is equal to 36; the pixels contained in the image boundary block are counted only once, and the remaining pixels are counted twice.
  • N is equal to 36; the pixels contained in the image boundary block are counted only once, and the remaining pixels are counted twice.
  • collecting the feature value distribution of each pixel in the image traversing the feature value of each pixel, and counting the number of pixels falling into the histogram interval of each color distribution; The pixel points in the image boundary block are counted twice, gp.
  • the number of pixels falling into the interval is increased by 2;
  • the number of pixels falling into the interval is increased by 1; finally, the pixel falling into the histogram interval of each color distribution is added.
  • the number is divided by the total number of image pixels to obtain a normalized color distribution characteristic tet(x), where X represents a color histogram.
  • the method for obtaining the texture distribution feature includes:
  • Step 301 Converting an image into a grayscale image to obtain an image L;
  • ⁇ 0.299 ⁇ + 0.587 *(? + 0.114 R represents the red component of the pixel, G represents the green component of the pixel, and ⁇ represents the blue component of the pixel.
  • 0.299, 0.587, 0.114 are coefficients, although this coefficient is not unique and cannot be construed as limiting the invention.
  • Step 302 traversing the image to obtain a ⁇ feature (ie, a texture feature) of each template by using a template with a size of 3 pixels and 3 pixels, wherein the method for obtaining the template feature includes: recording 9 pixels in the template The gray value is P' ( Q ⁇ z ⁇ 8 ), where the image in the middle of the template The prime gray value is recorded as; the gray value of other pixels in the template is subtracted. get:
  • step 303 obtaining the rotation-invariant LBP" feature of each template;
  • the method of rotating the invariant LBP "features includes: For each H of the template (0 is shifted by operation, respectively, 8 binary data can be obtained, and the smallest one is taken as the rotation-invariant LBP ".
  • LBP" (i) m [ n (ROR(LBP(il q)) , where 1 ⁇ 8, ROR represents the shift operation, and g 0 represents the number of shift bits;
  • Step 304 Counting the distribution of each of the rotation-invariant features in each template: traversing each rotation-invariant feature value of each template, and counting the number of pixels falling into each texture distribution histogram interval, and then falling into The number of pixels in each texture distribution histogram interval is divided by the total number of image pixels, and the normalized texture distribution feature hist(y) is obtained, where _y represents the texture distribution histogram interval.
  • the definition of the texture distribution histogram here is similar to the definition of the aforementioned color distribution histogram.
  • the texture distribution histogram divides the texture features of the entire image into several intervals, and then describes the proportion of different textures in the entire image by the case where each pixel is distributed in each interval.
  • Step 401 Using the formula
  • a specific implementation manner of calculating the texture distribution feature similarity Sb of the two images includes:
  • J represents the texture distribution histogram interval.
  • Step 2 respectively calculating the similarity between the texture distribution feature of the input image and the texture distribution feature of each image in the database, and obtaining a texture distribution feature similarity Sb between the input image and each image in the database (i) ), 1 takes 0, 1, 2. 2. The total number of database images -1. Similarly, when the texture distribution feature similarity between the input image and each image of the database is obtained, each similarity is sorted. The greater the similarity, the more similar the two images are. We can set a threshold according to experience. , will output the image in all databases larger than the combined similarity greater than the threshold as the search result.
  • the invention is not limited to the specific embodiments described above. The invention extends to any novel features or any new combinations disclosed in this specification, as well as a novel or a novel combination of any new method or process disclosed.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了用于颜色分布和纹理分布图像检索的相似度获取方法，涉及图像检索技术。本发明技术要点包括：提取输入图像的颜色分布特征及纹理分布特征；分别计算所述输入图像的颜色分布特征与数据库中每一幅图像的颜色分布特征的相似度，得到输入图像与数据库中每一幅图像之间的颜色分布特征相似度Sa（i）；分别计算所述输入图像的纹理分布特征与数据库中每一幅图像的纹理分布特征的相似度，得到输入图像与数据库中每一幅图像之间的纹理分布特征相似度Sb（i）；利用公式S（i）=Wa×Sa（i）+Wb×Sb （i），计算输入图像与数据库中每一幅图像的组合相似度S（i）。

Description

说 明 书 用于颜色分布和纹理分布图像检索的相似度获取方法 技术领域
本发明涉及图像检索技术，尤其是一种用于颜色分布和纹理分布 图像检索的相似度获取方法。 背景技术
近年来， 随着移动互联网的迅速发展， 拍照应用获得了很大的发 展空间， 照片的获取与存储变得十分容易。 随着照片数据***式的增 长， 用户迫切需要对照片的检索和整理的自动化技术。现有的图像检 索技术都要依赖数据库中已存图像的训练样本求得相似度。而目前云 存储的照片基本上都是来自各种用户拍摄的各种场景的照片，并没有 可获取的显示标注了的训练样本。因而现有的图像检索技术不便直接 应用到云存储图像的检索中。 发明内容
本发明所要解决的技术问题是： 针对上述存在的问题， 提供一种 适用于云存储颜色分布和纹理分布图像检索的相似度获取方法。
本发明提供的用于颜色分布和纹理分布图像检索的相似度获取方 法， 其特征在于， 包括：
歩骤 1 : 提取输入图像的颜色分布特征及纹理分布特征； 歩骤 2: 分别计算所述输入图像的颜色分布特征与数据库中每一 幅图像的颜色分布特征的相似度，得到输入图像与数据库中每一幅图 像之间的颜色分布特征相似度 Sa (0, i取 0、 1、 2...数据库图像总 数 -1 ;
分别计算所述输入图像的纹理分布特征与数据库中每一幅图像的 纹理分布特征的相似度，得到输入图像与数据库中每一幅图像之间的 纹理分布特征相似度 Sb (1)， 1取 0、 1、 2...数据库图像总数 -1;
歩骤 3： 利用公式 S (i) =WaxSa (i) +Wb Sb (i)， i取 0、 1、 2... 数据库图像总数 -1， Wa、 Wb为加权系数且 Wa+Wb=l， 计算输入图 像与数据库中每一幅图像的组合相似度 S (i)0 优选地， 所述颜色分布特征的获取方法包括：
歩骤 201: 将图像转换到 颜色空间， 得到图像 I；
歩骤 202:将图像各个像素的 H、 S, 分量映射为颜色特征值 G:
G = Qs*Qv*H + Qv*S + V, 将 颜色空间的三个通道的取值范围进行 区间划分， 分别划分为 A , 其中0≤ζ≤¾,0≤·/≤ ,0≤ ， ， ， 分别表示 颜色空间的三个通道被分割的区间总数； 歩骤 203: 统计图像中各个像素点的特征值分布情况： 遍历每个 像素点的颜色特征值，统计落入各个颜色分布直方图区间的像素点数 量，将落入各个颜色分布直方图区间的像素点数量分别除以图像像素 点总数,得到归一化的颜色分布特征^t(x)， 其中 X代表颜色分布直方 图区间。 优选地， 所述颜色分布特征的获取方法还包括：
将图像划分为 Ν块； 在所述歩骤 203中： 统计图像中各个像素点 的特征值分布情况： 遍历每个像素点的特征值， 统计落入各个颜色分 布直方图区间的像素点数量，且将不是图像边界块中的像素点统计两 次；将落入各个颜色分布直方图区间的像素点数量分别除以图像像素 点总数,得到归一化的颜色分布特征^t(x)， 其中 X代表颜色直方图。 优选地， 所述纹理分布特征的获取方法包括： 歩骤 301 : 将图像转换为灰度图， 得到图像 L;
歩骤 302: 以尺寸为 3像素 χ3像素的模板， 遍历所述图像 得 到每个模板的 LHP特征， 其中得到模板 LBp特征的方法包括：
记模板中的 9个像素点的灰度值为 P' (Q≤ z≤ 8)， 其中模板正中的像 素灰度值记为 ； 将模板中其它的像素点的灰度值减去 。得到：
对每个计算得到的 &进行二值化处理： 如果 g' ≥Q则令 g' = 1， 否则 g- = 0 ;将位于位置 z的像素的 &值扩展为 8位 2进制数，得到 特 征为， 1≤ ≤8： g 0 .
歩骤 303 : 获得每个模板的旋转不变的 特征； 其中得到模板 的旋转不变的 LBP"特征的方法包括：
对模板的每个 H(0按进行移位操作，分别可以得到 8个二进制数 据， 取其中最小的一个作为旋转不变的 LBP" 特征：
LBP" (/) = q)) , 式中 l≤z'≤8， RC>R表示移位操作， q
Figure imgf000005_0001
表示移位位数；
歩骤 304 : 统计各个模板中各个旋转不变的^ 特征的分布情 况：遍历各个模板的每个旋转不变的 特征值，统计落入各个纹 理分布直方图区间的像素点数量，再将落入各个纹理分布直方图区间 的像素点数量分别除以图像像素点总数,得到归一化的纹理分布特征 hist(y) , 其中 _y代表纹理分布直方图区间。 优选地，所述歩骤 2中计算颜色分布特征相似度 Sa的方法包括: 歩骤 401 : 利用公式
Figure imgf000006_0001
相似度， 其中 tet x)为第一幅图像的颜色分布特征， tot2 (x)为第二幅 图像的颜色分布特征。 优选地，所述歩骤 2中计算纹理分布特征相似度 Sb的方法包括：
^ mrn^is^ (y\ hist2 y))
歩骤 401 : 利用公式& =^ 计算纹理分布特征相 似度， 其中 Ο 为第一幅图像的纹理分布特征， 为第二幅图 像的纹理分布特征。 优选地， 所述 Wa>Wb。 本发明还保护一种用于纹理分布图像检索方法的相似度获取方 法， 包括：
歩骤 1 : 提取输入图像的纹理分布特征；
歩骤 2: 分别计算所述输入图像的纹理分布特征与数据库中每一 幅图像的纹理分布特征的相似度，得到输入图像与数据库中每一幅图 像之间的纹理分布特征相似度 Sb ( i)， 1取 0、 1、 2...数据库图像总 数 -1 ; 所述纹理分布特征的获取方法包括：
歩骤 301 : 将图像转换为灰度图， 得到图像 L;
歩骤 302: 以尺寸为 3像素 χ3像素的模板， 遍历所述图像 得 到每个模板的 LHP特征， 其中得到模板 LBp特征的方法包括： 记模板中的 9个像素点的灰度值为 P' (Q≤ z≤ 8)， 其中模板正中的像 素灰度值记为 ； 将模板中其它的像素点的灰度值减去 。得到： 对每个计算得到的 &进行二值化处理： 如果 g' ≥Q则令 g' = 1， 否则 g- = 0 ;将位于位置 z的像素的 &值扩展为 8位 2进制数，得到 特 征为， 1≤ ≤8： g 0 .
歩骤 303 : 获得每个模板的旋转不变的 特征； 其中得到模板 的旋转不变的 LBP"特征的方法包括：
对模板的每个 H(0按进行移位操作，分别可以得到 8个二进制数 据， 取其中最小的一个作为旋转不变的 LBP" 特征：
LBP" (i) = m[n(ROR(LBP(il q)) , 式中 1≤ 8， ROR表示移位操作， g 0 表示移位位数；
歩骤 304: 统计各个模板中各个旋转不变的^ 特征的分布情 况：遍历各个模板的每个旋转不变的 特征值，统计落入各个纹 理分布直方图区间的像素点数量，再将落入各个纹理分布直方图区间 的像素点数量分别除以图像像素点总数,得到归一化的纹理分布特征 hist(y) , 其中 _y代表纹理分布直方图区间。
本发明还保护上述中的纹理分布特征的获取方法。 综上所述， 由于采用了上述技术方案， 本发明的有益效果是： 本发明涉及的图像相似度获取方法不需对图像进行任何假设， 也 不需要大量的标注样本训练模型，具有容易实现，计算速度快的优点。 附图说明
本发明将通过例子并参照附图的方式说明， 其中： 图 1为本发明中颜色分布特征提取流程图。
图 2为本发明中纹理分布特征提取流程图。 图 3为本发明中图像检索流程图。 具体实施方式 本说明书中公开的所有特征，或公开的所有方法或过程中的歩骤， 除了互相排斥的特征和 /或歩骤以外， 均可以以任何方式组合。 本说明书中公开的任一特征， 除非特别叙述， 均可被其他等效或 具有类似目的的替代特征加以替换。 gp， 除非特别叙述， 每个特征只 是一系列等效或类似特征中的一个例子而已。
本发明提供了一种用于颜色分布和纹理分布图像检索的相似度获 取方法， 其具体歩骤包括：
歩骤 1: 提取输入图像的颜色分布特征及纹理分布特征； 歩骤 2: 分别计算所述输入图像的颜色分布特征与数据库中每一 幅图像的颜色分布特征的相似度，得到输入图像与数据库中每一幅图 像之间的颜色分布特征相似度 Sa (0, i取 0、 1、 2...数据库图像总 数 -1;
分别计算所述输入图像的纹理分布特征与数据库中每一幅图像的 纹理分布特征的相似度，得到输入图像与数据库中每一幅图像之间的 纹理分布特征相似度 Sb (i)， 1取 0、 1、 2...数据库图像总数 -1; 歩骤 3: 利用公式 S (i) =WaxSa (i) +WbxSb (i)， i取 0、 1、 2...数据库图像总数-1， Wa、 Wb为加权系数且 Wa+Wb=l， 计算输入 图像与数据库中每一幅图像的组合相似度 S (i)0 由于人们在一般情 况下更关心颜色， 因此作为一个优选的实施方式， 加权系数 Wa>Wb。 如图 3， 当获得了输入图像与数据库每一幅图像之间的组合相似 度后， 对各个相似度进行排序， 相似度越大说明两幅图像越相似， 我 们可以根据经验设定一阈值，将大于组合相似度大于该阈值的所有数 据库中的图像输出， 作为检索结果。 如图 1，在本发明一个实施例中，颜色分布特征的获取方法包括： 歩骤 201: 将图像转换到 颜色空间， 得到图像 I； 一般来说图 片为 RGB颜色空间，将 RGB颜色空间的图片转换到 颜色空间为 本领域公知的技术， 在此不再赘述其具体过程。
歩骤 202 : 将图像各个像素的 H、 S , 分量按照公式 G = * *H + 2V^+ 映射关系转换为颜色特征值 G; 其中， Qh,Qs,Qv 的定义是这样的：将^^颜色空间的三个通道的取值范围进行区间划 分， 分别划分为 ， Λ， 其中 o≤ ≤ ,o≤_/≤ ,o≤A≤a， , a, 分 别表示 HSV颜色空间的三个通道被分割的区间总数； 歩骤 203: 统计图像中各个像素点的特征值分布情况： 遍历每个 像素点的颜色特征值，统计落入各个颜色分布直方图区间的像素点数 量，将落入各个颜色分布直方图区间的像素点数量分别除以图像像素 点总数,得到归一化的颜色分布特征^t(x)， 其中 X代表颜色分布直方 图区间。 本领域技术人员均知晓，颜色分布直方图将整幅图像的颜色特征 分为若干区间，然后用各个像素在各个区间分布的情况描述不同色彩 在整幅图像中所占的比例。 考虑到一幅图像所表达的含义，往往位于图像边界附近的区域不 太重要， 我们更关心图非边界区域表达的内容。 因此， 在本发明另一 个实施例中， 所述颜色分布特征的获取方法还包括：
将图像划分为 N块， 例如 N等于 36; 包含在图像边界块中的像 素仅被统计一次， 其余像素被统计两次。 具体而言， 在所述歩骤 203 中： 统计图像中各个像素点的特征值分布情况： 遍历每个像素点的特 征值， 统计落入各个颜色分布直方图区间的像素点数量； 且将不是图 像边界块中的像素点统计两次， gp， 当有不是图像边界块中的像素点 的特征值落入某一颜色分布直方图区间时，将落入该区间的像素点数 量加 2; 当有是图像边界块中的像素点的特征值落入某一颜色分布直 方图区间时， 则将落入该区间的像素点数量加 1 ; 最后再将落入各个 颜色分布直方图区间的像素点数量分别除以图像像素点总数,得到归 一化的颜色分布特征 tet(x)， 其中 X代表颜色直方图。
这样统计出来的颜色分布特征值更加准确。 如图 2， 在本发明的另一个实施例中， 所述纹理分布特征的获取 方法包括：
歩骤 301 : 将图像转换为灰度图， 得到图像 L; 将 RGB图像转换 为 灰 度 图 有 多 种 方 法 ， 其 中 一 种 是 利 用 公 式 Ζ = 0.299^ + 0.587 *(? + 0.114 进行转换， 其中， R代表像素的红色分 量， G代表像素的绿色分量， Β代表像素的蓝色分量。 0.299、 0.587、 0.114为系数， 当然这个系数并不唯一， 不能理解为对本发明的限制。
歩骤 302: 以尺寸为 3像素 χ3像素的模板， 遍历所述图像 得 到每个模板的^^特征 （即纹理特征）， 其中得到模板^^特征的方 法包括： 记模板中的 9个像素点的灰度值为 P'(Q≤ z≤ 8)， 其中模板正中的像 素灰度值记为 ； 将模板中其它的像素点的灰度值减去 。得到：
对每个计算得到的 &进行二值化处理： 如果 g' ≥Q则令 g' = 1， 否则 g- = 0 ;将位于位置 z的像素的 &值扩展为 8位 2进制数，得到 特 征为， 1≤ ≤8：
Figure imgf000011_0001
上述计算的^ ^特征不能应对旋转不变的要求， 为了获得旋转不 变的 Z ?P特征， 需要进一歩执行歩骤 303 : 获得每个模板的旋转不变 的 LBP"特征； 其中得到模板的旋转不变的 LBP"特征的方法包括： 对模板的每个 H(0按进行移位操作，分别可以得到 8个二进制数 据， 取其中最小的一个作为旋转不变的 LBP" 特征：
LBP" (i) = m[n(ROR(LBP(il q)) , 式中 1≤ 8， ROR表示移位操作， g 0 表示移位位数；
歩骤 304: 统计各个模板中各个旋转不变的^ 特征的分布情 况：遍历各个模板的每个旋转不变的 特征值，统计落入各个纹 理分布直方图区间的像素点数量，再将落入各个纹理分布直方图区间 的像素点数量分别除以图像像素点总数,得到归一化的纹理分布特征 hist(y) , 其中 _y代表纹理分布直方图区间。 这里纹理分布直方图的定义与前述颜色分布直方图定义类似。纹 理分布直方图将整幅图像的纹理特征分为若干区间，然后用各个像素 在各个区间分布的情况描述不同纹理在整幅图像中所占的比例。
当得到图像的颜色分布特征后，计算两幅图像的颜色分布特征相 似度 Sa的一个具体实施方式， 包括： 歩骤 401 : 利用公式
Figure imgf000012_0001
相似度， 其中 tet x)为第一幅图像的颜色分布特征， tot2 (x)为第二幅 图像的颜色分布特征， 其中 X代表颜色直方图。 当得到图像的纹理分布特征后，计算两幅图像的纹理分布特征相 似度 Sb的一个具体实施方式， 包括：
^ mrn^is^ (y\ hist2 y))
歩骤 501 : 利用公式& =^ 计算纹理分布特征相 似度， 其中 Ο 为第一幅图像的纹理分布特征， 0 为第二幅图 像的纹理分布特征。 J代表纹理分布直方图区间。 在上述内容的教导下，本领域技术人员容易想到基于本发明创新 思想的一种用于纹理分布图像检索方法的相似度获取方法， 包括： 歩骤 1 : 提取输入图像的纹理分布特征；
歩骤 2 : 分别计算所述输入图像的纹理分布特征与数据库中每一 幅图像的纹理分布特征的相似度，得到输入图像与数据库中每一幅图 像之间的纹理分布特征相似度 Sb ( i)， 1取 0、 1、 2. . .数据库图像总 数 -1。 同理，当获得了输入图像与数据库每一幅图像之间的纹理分布特 征相似度后， 对各个相似度进行排序， 相似度越大说明两幅图像越相 似， 我们可以根据经验设定一阈值， 将大于组合相似度大于该阈值的 所有数据库中的图像输出， 作为检索结果。 本发明并不局限于前述的具体实施方式。 本发明扩展到任何在本 说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或 过程的歩骤或任何新的组合。

Claims

权 利 要 求 书
1、 一种用于颜色分布和纹理分布图像检索的相似度获取方法，其 特征在于， 包括：
歩骤 1: 提取输入图像的颜色分布特征及纹理分布特征； 歩骤 2: 分别计算所述输入图像的颜色分布特征与数据库中每一 幅图像的颜色分布特征的相似度，得到输入图像与数据库中每一幅图 像之间的颜色分布特征相似度 Sa (0, i取 0、 1、 2...数据库图像总 数 -1;
分别计算所述输入图像的纹理分布特征与数据库中每一幅图像的 纹理分布特征的相似度，得到输入图像与数据库中每一幅图像之间的 纹理分布特征相似度 Sb (i)， 1取 0、 1、 2...数据库图像总数 -1;
歩骤 3： 利用公式 S (i) =WaxSa (i) +Wb Sb (i)， i取 0、 1、 2... 数据库图像总数 -1， Wa、 Wb为加权系数且 Wa+Wb=l， 计算输入图 像与数据库中每一幅图像的组合相似度 S (i)0
2、 根据权利要求 1 所述的用于颜色分布和纹理分布图像检索的 相似度获取方法， 其特征在于， 所述颜色分布特征的获取方法包括： 歩骤 201: 将图像转换到 颜色空间， 得到图像 I；
歩骤 202:将图像各个像素的 H、 S, 分量映射为颜色特征值 G: G = Qs*Qv*H + Qv*S + V, 将 颜色空间的三个通道的取值范围进行 区间划分， 分别划分为 ΑΛ， 其中0≤ζ≤¾,0≤·/≤ ,0≤ ， ， ， 分别表示 颜色空间的三个通道被分割的区间总数； 歩骤 203: 统计图像中各个像素点的颜色特征值分布情况： 遍历 每个像素点的颜色特征值，统计落入各个颜色分布直方图区间的像素 点数量，将落入各个颜色分布直方图区间的像素点数量分别除以图像 像素点总数,得到归一化的颜色分布特征^t(x)， 其中 X代表颜色分布 直方图区间。
3、 根据权利要求 2 所述的用于颜色分布和纹理分布图像检索的 相似度获取方法，其特征在于，所述颜色分布特征的获取方法还包括: 将图像划分为 N块； 在所述歩骤 203中： 统计图像中各个像素点 的特征值分布情况： 遍历每个像素点的特征值， 统计落入各个颜色分 布直方图区间的像素点数量，且将不是图像边界块中的像素点统计两 次；将落入各个颜色分布直方图区间的像素点数量分别除以图像像素 点总数,得到归一化的颜色分布特征^t(x)， 其中 X代表颜色直方图。
4、 根据权利要求 1或 2所述的用于颜色分布和纹理分布图像检索 的相似度获取方法，其特征在于，所述纹理分布特征的获取方法包括: 歩骤 301 : 将图像转换为灰度图， 得到图像 L;
歩骤 302: 以尺寸为 3像素 χ3像素的模板， 遍历所述图像 得 到每个模板的 LHP特征， 其中得到模板 LBp特征的方法包括：
记模板中的 9个像素点的灰度值为 P'(Q≤ z≤ 8)， 其中模板正中的像 素灰度值记为 ； 将模板中其它的像素点的灰度值减去 。得到：
对每个计算得到的 &进行二值化处理： 如果 g' ≥Q则令 g' = 1， 否则 g- = 0 ;将位于位置 z的像素的 &值扩展为 8位 2进制数，得到 特 征为， 1≤ ≤8：
Figure imgf000015_0001
歩骤 303 : 获得每个模板的旋转不变的 特征； 其中得到模板 的旋转不变的 LBP"特征的方法包括：
对模板的每个 H(0按进行移位操作，分别可以得到 8个二进制数 据， 取其中最小的一个作为旋转不变的 LBPD特征： LBPn {i) = m[n(ROR(LBP(i), q)) , 式中 l≤z'≤8 ， ROR表示移位操作， g二 0 表示移位位数；
歩骤 304: 统计各个模板中各个旋转不变的^ 特征的分布情 况：遍历各个模板的每个旋转不变的 特征值，统计落入各个纹 理分布直方图区间的像素点数量，再将落入各个纹理分布直方图区间 的像素点数量分别除以图像像素点总数,得到归一化的纹理分布特征 hist(y) , 其中 _y代表纹理分布直方图区间。
5、 根据权利要求 4 所述的用于颜色分布和纹理分布图像检索的 相似度获取方法， 其特征在于， 所述歩骤 2中计算颜色分布特征相似 度 Sa的方法包括： 歩骤 401 : 利用公式
Figure imgf000016_0001
似度， 其中 ^ χ)为第一幅图像的颜色分布特征， 为第二幅图 像的颜色分布特征。
6、 根据权利要求 4 所述的用于颜色分布和纹理分布图像检索的 相似度获取方法， 其特征在于， 所述歩骤 2中计算纹理分布特征相似 度 Sb的方法包括：
^ mrn^is^ (y\ hist2 y))
歩骤 401 : 利用公式& =^ ~~ ^-— 计算纹理分布特征相 似度， 其中 Ο 为第一幅图像的纹理分布特征， 0 为第二幅图 像的纹理分布特征。
7、 根据权利要求 1 所述的用于颜色分布和纹理分布图像检索的 相似度获取方法， 其特征在于， 所述 Wa>Wb。
8、 一种用于纹理分布图像检索方法的相似度获取方法，其特征在 于， 包括：
歩骤 1: 提取输入图像的纹理分布特征；
歩骤 2: 分别计算所述输入图像的纹理分布特征与数据库中每一 幅图像的纹理分布特征的相似度， 到的若干纹理分布特征相似度 Sb (i)， 1取 0、 1、 2...数据库图像总数 -1;
所述纹理分布特征的获取方法包括：
歩骤 301: 将图像转换为灰度图， 得到图像 L;
歩骤 302: 以尺寸为 3像素 χ3像素的模板， 遍历所述图像 得 到每个模板的 LHP特征， 其中得到模板 LBP特征的方法包括：
记模板中的 9个像素点的灰度值为 P'(Q≤ z≤ 8)， 其中模板正中的像 素灰度值记为 ； 将模板中其它的像素点的灰度值减去 。得到：
对每个计算得到的 &进行二值化处理： 如果 g'≥Q则令 g' =1， 否则 g-=0;将位于位置 z的像素的 &值扩展为 8位 2进制数，得到 特 征为， 1≤ ≤8：
Figure imgf000017_0001
g二 0 .
歩骤 303: 获得每个模板的旋转不变的 特征； 其中得到模板 的旋转不变的 LBP"特征的方法包括：
对模板的每个 H(0按进行移位操作，分别可以得到 8个二进制数 据， 取其中最小的一个作为旋转不变的 LBP" 特征：
LBP" (/) = m[n(ROR(LBP(i), q)) , 式中 1≤ 8， RC>R表示移位操作， 表示移位位数；
歩骤 304: 统计各个模板中各个旋转不变的^ 特征的分布情 况：遍历各个模板的每个旋转不变的 特征值，统计落入各个纹 理分布直方图区间的像素点数量，再将落入各个纹理分布直方图区间 的像素点数量分别除以图像像素点总数,得到归一化的纹理分布特征 hist(y) , 其中 _y代表纹理分布直方图区间。
9、 根据权利要求 8 所述的用于纹理分布图像检索的相似度获取 方法， 其特征在于， 所述歩骤 2中计算纹理分布特征相似度 Sb的方 法包括：
^ mrn^is^ (y\ hist2 y))
歩骤 401: 利用公式& =^ ~~ ^-— 计算纹理分布特征相 似度， 其中 Ο 为第一幅图像的纹理分布特征， 0 为第二幅图 像的纹理分布特征。
10、 一种纹理分布特征的获取方法， 其特征在于， 包括： 歩骤 301: 将图像转换为灰度图， 得到图像 L;
歩骤 302: 以尺寸为 3像素 χ3像素的模板， 遍历所述图像 得 到每个模板的 LHP特征， 其中得到模板 LBp特征的方法包括：
记模板中的 9个像素点的灰度值为 P'(Q≤ Z≤ 8)， 其中模板正中的像 素灰度值记为 ； 将模板中其它的像素点的灰度值减去 。得到：
对每个计算得到的 &进行二值化处理： 如果 g'≥ Q则令 g' = 1， 否则 g-=0;将位于位置 z的像素的 &值扩展为 8位 2进制数，得到 特 征为， 1≤ ≤8： g 0 .
歩骤 303 : 获得每个模板的旋转不变的 特征； 其中得到模板 的旋转不变的 LBP"特征的方法包括：
对模板的每个 H(0按进行移位操作，分别可以得到 8个二进制数 据， 取其中最小的一个作为旋转不变的 LBP" 特征：
LBP" (i) = m[n(ROR(LBP(il q)) , 式中 1≤ 8， ROR表示移位操作， g 0 表示移位位数；
歩骤 304: 统计各个模板中各个旋转不变的^ 特征的分布情 况：遍历各个模板的每个旋转不变的 特征值，统计落入各个纹 理分布直方图区间的像素点数量，再将落入各个纹理分布直方图区间 的像素点数量分别除以图像像素点总数,得到归一化的纹理分布特征 hist(y) , 其中 _y代表纹理分布直方图区间。
PCT/CN2014/073995 2013-08-19 2014-03-25 用于颜色分布和纹理分布图像检索的相似度获取方法 WO2015024383A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2013103616152 2013-08-19
CN201310361615.2A CN103440646B (zh) 2013-08-19 2013-08-19 用于颜色分布和纹理分布图像检索的相似度获取方法

Publications (1)

Publication Number Publication Date
WO2015024383A1 true WO2015024383A1 (zh) 2015-02-26

Family

ID=49694339

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2014/073995 WO2015024383A1 (zh) 2013-08-19 2014-03-25 用于颜色分布和纹理分布图像检索的相似度获取方法

Country Status (2)

Country Link
CN (1) CN103440646B (zh)
WO (1) WO2015024383A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461147A (zh) * 2020-04-30 2020-07-28 柳州智视科技有限公司 一种基于图像特征的二进制编码组织算法
CN111861981A (zh) * 2020-05-29 2020-10-30 北京工商大学 一种基于点线面的图像颜色空间脂肪点检测评估方法
CN111985559A (zh) * 2020-08-19 2020-11-24 合肥工业大学 一种基于边界特性的轮胎花纹结构相似性检测方法
CN114445659A (zh) * 2022-01-20 2022-05-06 南京中医药大学 一种基于图像颜色及纹理特征的真伪酸枣仁鉴别方法

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440646B (zh) * 2013-08-19 2016-08-10 成都品果科技有限公司 用于颜色分布和纹理分布图像检索的相似度获取方法
CN104699726B (zh) * 2013-12-18 2018-03-23 杭州海康威视数字技术股份有限公司 一种应用于交通卡口的车辆图像检索方法和装置
CN104750697B (zh) * 2013-12-27 2019-01-25 同方威视技术股份有限公司 基于透视图像内容的检索***、检索方法以及安全检查设备
CN104156732A (zh) * 2014-08-01 2014-11-19 北京利云技术开发公司 纸张真伪辨别***和方法
CN105574837A (zh) * 2014-10-13 2016-05-11 Tcl集团股份有限公司 一种图像相似性匹配方法及装置
CN106033549B (zh) * 2015-03-16 2019-05-07 北京大学 一种车辆检索中的重排序方法及装置
CN105160029B (zh) * 2015-09-30 2019-04-16 努比亚技术有限公司 图像检索装置及方法
CN107145487A (zh) * 2016-03-01 2017-09-08 深圳中兴力维技术有限公司 图像搜索方法和装置
CN106202250B (zh) * 2016-06-29 2019-12-17 西安电子科技大学 基于类的综合特征和完整类匹配的图像检索方法
CN107729855B (zh) * 2017-10-25 2022-03-18 成都尽知致远科技有限公司 海量数据处理方法
CN108876832B (zh) * 2018-05-30 2022-04-26 重庆邮电大学 基于分组-次序模式的鲁棒纹理特征提取方法
CN109671113B (zh) * 2018-09-29 2022-12-20 浙江华孚色纺有限公司 一种基于图像技术的色纺面料的测配色方法
CN110298366B (zh) * 2019-07-05 2021-05-04 北华航天工业学院 农作物分布提取方法及装置
CN110909791B (zh) * 2019-11-20 2023-02-28 车智互联（北京）科技有限公司 一种相似图像识别方法及计算设备
CN115830352B (zh) * 2023-02-20 2023-06-02 深圳中微电科技有限公司 一种图像相似度对比方法、装置及存储介质
CN116403419B (zh) * 2023-06-07 2023-08-25 贵州鹰驾交通科技有限公司 基于车路协同的交通灯控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080166026A1 (en) * 2007-01-10 2008-07-10 Samsung Electronics Co., Ltd. Method and apparatus for generating face descriptor using extended local binary patterns, and method and apparatus for face recognition using extended local binary patterns
CN101425136A (zh) * 2008-10-24 2009-05-06 北京工业大学 视频图像局部二进制模式特征的获取方法和装置
CN101551823A (zh) * 2009-04-20 2009-10-07 浙江师范大学 一种综合多特征图像检索方法
CN102254165A (zh) * 2011-08-12 2011-11-23 北方工业大学 一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法
CN102662949A (zh) * 2012-02-27 2012-09-12 安科智慧城市技术（中国）有限公司 一种基于多特征融合的指定目标检索方法及***
CN103440646A (zh) * 2013-08-19 2013-12-11 成都品果科技有限公司 用于颜色分布和纹理分布图像检索的相似度获取方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005086092A1 (ja) * 2004-03-03 2005-09-15 Nec Corporation 画像類似度算出システム、画像検索システム、画像類似度算出方法および画像類似度算出用プログラム
TW200818058A (en) * 2006-05-29 2008-04-16 Univ Wollongong Content based image retrieval
CN101789005A (zh) * 2010-01-22 2010-07-28 深圳创维数字技术股份有限公司 一种基于感兴趣区域的图像检索方法
CN102663754B (zh) * 2012-04-17 2014-12-10 北京博研新创数码科技有限公司 一种基于区域高斯加权的图像匹配计算方法
CN103207910B (zh) * 2013-04-08 2017-02-08 河南大学 基于分层特征和遗传规划相关反馈的图像检索方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080166026A1 (en) * 2007-01-10 2008-07-10 Samsung Electronics Co., Ltd. Method and apparatus for generating face descriptor using extended local binary patterns, and method and apparatus for face recognition using extended local binary patterns
CN101425136A (zh) * 2008-10-24 2009-05-06 北京工业大学 视频图像局部二进制模式特征的获取方法和装置
CN101551823A (zh) * 2009-04-20 2009-10-07 浙江师范大学 一种综合多特征图像检索方法
CN102254165A (zh) * 2011-08-12 2011-11-23 北方工业大学 一种基于结构编码特征和纹理编码特征融合的手背静脉识别方法
CN102662949A (zh) * 2012-02-27 2012-09-12 安科智慧城市技术（中国）有限公司 一种基于多特征融合的指定目标检索方法及***
CN103440646A (zh) * 2013-08-19 2013-12-11 成都品果科技有限公司 用于颜色分布和纹理分布图像检索的相似度获取方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461147A (zh) * 2020-04-30 2020-07-28 柳州智视科技有限公司 一种基于图像特征的二进制编码组织算法
CN111861981A (zh) * 2020-05-29 2020-10-30 北京工商大学 一种基于点线面的图像颜色空间脂肪点检测评估方法
CN111861981B (zh) * 2020-05-29 2023-05-30 北京工商大学 一种基于点线面的图像颜色空间脂肪点检测评估方法
CN111985559A (zh) * 2020-08-19 2020-11-24 合肥工业大学 一种基于边界特性的轮胎花纹结构相似性检测方法
CN114445659A (zh) * 2022-01-20 2022-05-06 南京中医药大学 一种基于图像颜色及纹理特征的真伪酸枣仁鉴别方法

Also Published As

Publication number Publication date
CN103440646A (zh) 2013-12-11
CN103440646B (zh) 2016-08-10

Similar Documents

Publication Publication Date Title
WO2015024383A1 (zh) 用于颜色分布和纹理分布图像检索的相似度获取方法
CN108052980B (zh) 基于图像的空气质量等级检测方法
WO2016127883A1 (zh) 一种图像区域检测方法及装置
CN103065153B (zh) 一种基于色彩量化和聚类的视频关键帧提取方法
TWI338265B (en) System, apparatus, method and program for processing image
CN106920256B (zh) 一种有效的失踪儿童寻找***
US9749503B2 (en) Image processing device, image processing method and recording medium
JP2019145040A (ja) 特徴表現装置、特徴表現方法、およびプログラム
WO2020238515A1 (zh) 图像匹配方法、装置、设备、介质和程序产品
CN103366178A (zh) 一种用于对目标图像进行颜色分类的方法与设备
CN106250431B (zh) 一种基于分类服装的颜色特征提取方法及服装检索***
CN103530638A (zh) 多摄像头下的行人匹配方法
CN109635799B (zh) 一种燃气表字轮数字的识别方法
CN105404657A (zh) 一种基于cedd特征和phog特征的图像检索方法
CN109829924A (zh) 一种基于主体特征分析的图像质量评价方法
CN108805139B (zh) 一种基于频域视觉显著性分析的图像相似性计算方法
US8995759B2 (en) Image processing apparatus and image processing method
CN109886281A (zh) 一种基于四元数超限学习机彩色图像识别方法
WO2017215194A1 (zh) 一种图像处理方法及其装置、存储介质
CN109213886A (zh) 基于图像分割和模糊模式识别的图像检索方法及***
Bairwa et al. Classification of Fruits Based on Shape, Color and Texture using Image Processing Techniques
CN108648245B (zh) 测井解释曲线的信息提取方法及装置
JP6151908B2 (ja) 学習装置、識別装置、およびそのプログラム
CN113435515B (zh) 图片识别方法和装置、存储介质及电子设备
JP6789175B2 (ja) 画像認識装置、方法、及びプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14837926

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14837926

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 14837926

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 16.11.2016)