一种图像相似度的获取方法及系统技术方案

本发明专利技术公开了一种图像相似度的获取方法及系统，涉及图像搜索技术领域，本发明专利技术技术要点包括：分别提取目标图像及被比图像的GIST特征值、LBP特征值、HSV特征值与神经网络特征值；计算目标图像的各特征值与被比图像的各特征值的相似度；计算公式：融合相似度＝GIST特征相似度×a1+LBP特征相似度×a2+HSV特征相似度×a3+神经网络特征相似度×a4，得到目标图像与被比图像的融合相似度；其中0.1≤a1≤0.5，0.1≤a2≤0.4，0.1≤a3≤0.4，0.1≤a4≤0.5，且a1+a2+a3+a4＝1。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种图像相似度的获取方法及系统，涉及图像搜索
，本专利技术技术要点包括：分别提取目标图像及被比图像的GIST特征值、LBP特征值、HSV特征值与神经网络特征值；计算目标图像的各特征值与被比图像的各特征值的相似度；计算公式：融合相似度＝GIST特征相似度×a1+LBP特征相似度×a2+HSV特征相似度×a3+神经网络特征相似度×a4，得到目标图像与被比图像的融合相似度；其中0.1≤a1≤0.5，0.1≤a2≤0.4，0.1≤a3≤0.4，0.1≤a4≤0.5，且a1+a2+a3+a4＝1。【专利说明】一种图像相似度的获取方法及系统
本专利技术涉及图像搜索
，尤其涉及一种基于内容的图像相似度获取方法。
技术介绍
基于内容的图像搜索是通过图像处理，特征提取，采用一定相似算法的搜索图像的技术。这种技术与传统的人工加入的语义标签的最大不同在于，前者搜索出来的答案更客观，不需要有意的花大量时间和精力为数据库中的每张图像做语义标签。 目前基于内容的图像搜索原理是利用图像本身包含的色彩、纹理、物体几何关系等底层图像特征来表述，通过特有的算法提取以上特征，然后采用不同的准则函数去检索图像库，把最相似图像的排序提取出来。 基于内容的图像搜索目前主流的具体方法是这样的，采用机器学习方法，这类方法把大千世界的物体和场景分为如干类别，然后人工提取图像特征，采用监督学习算法学习分类器。这类方法的最大缺点一是不可能把现实世界都分类，准确度也不高；二是，不管从计算机资源和训练时间上考虑，开销都很大。 【专利技术内容】 本专利技术所要解决的技术问题是:针对上述存在的问题，提供一种图像相似度获取方法及系统，结合机器提取特征值与人工提取的特征值获取融合相似度方法，为基于内容的图像搜索提供具有更高召回度和准确度的检索依据。 本专利技术提供的一种图像相似度的获取方法，包括以下步骤: 步骤1:分别提取目标图像的GIST特征值、LBP特征值、HSV特征值与神经网络特征值；分别提取被比图像的GIST特征值、LBP特征值、HSV特征值与神经网络特征值； 步骤2:计算目标图像的GIST特征值与被比图像的GIST特征值的相似度得到GIST特征相似度；计算目标图像的LBP特征值与被比图像的LBP特征值的相似度得到LBP特征相似度；计算目标图像的HSV特征值与被比图像的HSV特征值的相似度得到HSV特征相似度；计算目标图像的神经网络特征值与被比图像的神经网络特征值的相似度得到神经网络特征相似度； 步骤3:按照公式: 融合相似度=GIST特征相似度Xal+LBP特征相似度Xa2+HSV特征相似度Xa3+神经网络特征相似度Xa4 计算目标图像与被比图像的融合相似度； 其中0.1 彡 al 彡 0.5，0.1 彡 a2 彡 0.4，0.1 彡 a3 彡 0.4，0.1 彡 a4 彡 0.5，且 al+a2+a3+a4 = I。 进一步，提取目标图像或被比图像的GIST特征值的方法包括以下步骤: 选择5个尺度与8个方向的GABOR核； 将图像与上述40个GABOR核依次做卷积得到40个处理后的图像； 将每个处理后的图像分为bXb个小块，并计算每个小块的灰度均值得到40XbXb个灰度均值，40XbXb个灰度均值组成的向量即为40XbXb维的GIST特征值； 其中b的取值为3或4。 进一步，提取目标图像或被比图像的LBP特征值的方法包括以下步骤: 设置3像素点X 3像素点的计算窗口 ； 将计算窗口加到图像上，比较计算窗口的周围点像素值是否大于中心点像素值，若大于将该周围点的像素点设为I，否则设为0，将8个周围点的像素值依次排列得到一个8位无符号的二进制数，将这个无符号二进制数作为中心点的新像素值； 利用计算窗口遍历整个图像，得到图像中每个非边缘像素点的新像素值，并将各边缘像素点的新像素值设为某值，即得到经过LBP处理后的图像； 将经过LBP处理后的图像分为cXc个小块，并分别计算每个小块灰度直方图，所述灰度直方图中的灰度采用64阶表示，便得到每个小块中64个灰阶上分布的像素点数；将cXc个小块64个灰阶上分布的像素点数依次排列最终得到cXcX64维的LBP特征值； 其中c的取值为3或4。 进一步，提取目标图像或被比图像的神经网络特征值的方法包括以下步骤: 选取三级神经网络； 设置d像素点X d像素点的取值窗口 ； 利用取值窗口在图像中多次随机取dXd个像素点；用取出的像素点依次带入神经网络的输入层神经元，对神经网络进行训练，直到神经网络输出层神经元与神经网络输入层神经元的值差别小于设定值时，则认为此时神经网络隐藏层的节点为神经网络特征值； 所述神经网络的输入层神经元个数与输出层神经元个数均为dXd，且输入层神经元个数大于隐藏层神经元个数； d为非零自然数。 进一步，提取目标图像或被比图像的HSV特征值的方法包括以下步骤: 根据图像每个像素点的R、G、B值计算该像素点的H、S、V值； 将图像分为eXe个小块，并分别计算每个小块的颜色直方图，所述颜色直方图中的颜色采用90阶表示，便得到每个小块中90个色阶上分布的像素点数；将eXe个小块90个灰阶上分布的像素点数依次排列最终得到eXeX90维的HSV特征值； 其中e的取值为2或3。 本专利技术还提供了一种图像相似度的获取系统，包括: GIST特征值提取模块，用于提取目标图像与被比图像的GIST特征值； LBP特征值提取模块，用于提取目标图像与被比图像的LBP特征值； HSV特征值提取模块，用于提取目标图像与被比图像的HSV特征值； 神经网络特征值提取模块，用于提取目标图像与被比图像的神经网络特征值； GIST特征相似度计算模块，用于计算目标图像的GIST特征值与被比图像的GIST特征值的相似度得到GIST特征相似度； LBP特征相似度计算模块，用于计算目标图像的LBP特征值与被比图像的LBP特征值的相似度得到LBP特征相似度； HSV特征相似度计算模块，用于计算目标图像的HSV特征值与被比图像的HSV特征值的相似度得到HSV特征相似度； 神经网络特征相似度计算模块，用于计算目标图像的神经网络特征值与被比图像的神经网络特征值的相似度得到神经网络特征相似度； 相似度融合模块，用于根据公式 融合相似度=GIST特征相似度X a I+LBP特征相似度X a2+HSV特征相似度X a3+神经网络特征相似度Xa4 计算目标图像与被比图像的融合相似度； 其中0.1 彡 al 彡 0.5，0.1 彡 a2 彡 0.4，0.1 彡 a3 彡 0.4，0.1 彡 a4 彡 0.5，且 al+a2+a3+a4 = I。 GIST特征值提取模块进一步包括: GABOR核确定模块，用于选择5个尺度与8个方向的GABOR核； 卷积模块，用于将图像与上述40个GABOR核依次做卷积得到40个处理后的图像； GIST特征值计算模块，用于将每个处理后的图像分为bXb个小块，并计算每个小块的灰度均值，得到40XbXb个灰度均值，40XbXb个灰度均值组成的向量即为40XbXb维的GIST特征值； 本文档来自技高网...

【技术保护点】
一种图像相似度的获取方法，其特征在于，包括以下步骤：步骤1：分别提取目标图像的GIST特征值、LBP特征值、HSV特征值与神经网络特征值；分别提取被比图像的GIST特征值、LBP特征值、HSV特征值与神经网络特征值；步骤2：计算目标图像的GIST特征值与被比图像的GIST特征值的相似度得到GIST特征相似度；计算目标图像的LBP特征值与被比图像的LBP特征值的相似度得到LBP特征相似度；计算目标图像的HSV特征值与被比图像的HSV特征值的相似度得到HSV特征相似度；计算目标图像的神经网络特征值与被比图像的神经网络特征值的相似度得到神经网络特征相似度；步骤3：按照公式：融合相似度＝GIST特征相似度×a1+LBP特征相似度×a2+HSV特征相似度×a3+神经网络特征相似度×a4计算目标图像与被比图像的融合相似度；其中0.1≤a1≤0.5，0.1≤a2≤0.4，0.1≤a3≤0.4，0.1≤a4≤0.5，且a1+a2+a3+a4＝1。

【技术特征摘要】

【专利技术属性】
技术研发人员：张楠，
申请(专利权)人：成都品果科技有限公司，
类型：发明
国别省市：四川;51