一种甲骨文图片局部纹理特征的提取及匹配方法及系统技术方案

本发明专利技术属于甲骨文数字化技术领域，公开了一种甲骨文图片局部纹理特征的提取及匹配方法及系统，对加载的甲骨文待识图片使用灰度共生矩阵进行纹理特征的提取和灰度处理；然后通过对比度、能量、熵、相关性这些特征量的算法公式计算出纹理特征值；对待识图片与其他图片使用最小欧式距离准则进行匹配分类；距离越小的相似度越大。本发明专利技术解决了目前甲骨片碎片多，需人工缀合，精确度不高和缀合难度大的问题，可以快速筛选出纹理相似的碎片，而不需人工匹配，为甲骨文专家进行甲骨片缀合提供有效的帮助；并解决了以往纹理特征提取方法在缩小同类的样本特征差距上效果差，在不同类间特征的差距上不明显，对图像的分类效果差的问题。

【技术实现步骤摘要】
一种甲骨文图片局部纹理特征的提取及匹配方法及系统
本专利技术属于甲骨文数字化
，尤其涉及一种甲骨文图片局部纹理特征的提取及匹配方法及系统。
技术介绍
甲骨文是我国迄今发现的最早的一种成熟文字系统，在我国文字发展史上占有重要地位。而这些文字记录的关于商(殷)朝政治、经济、文化、习俗等许多方面的内容，是研究上古历史，尤其是商代历史不可替代的第一手材料，它们的出现，解决了不少历史之谜，也吸引着越来越多的学者对甲骨文进行研究。然而，甲骨质地较脆，容易断裂，经过三千多年的埋藏之后，在出土时大部分都有破损。偶尔发现较大而且完整的甲骨片，常因为转售、墨拓等过程而断裂为更多的碎片。如果能把一些碎裂的甲骨拼缀复原，可以更全面了解卜辞的内容，更好地掌握卜辞的文例和语法规律，这对甲骨文研究将有非常大的贡献。这也正是本专利技术的根本意义。人工缀合法是以拼缀者的经验用实物或拓本，根据甲骨的断痕、弧度、色泽、字体风格、卜辞内容、断痕处的文字笔划、钻、凿、灼痕和卜兆的方向等甲骨文字和非文字特征来判断并缀合甲骨。因此，人工缀合甲骨，必须甲骨学专家亲自动手。如果没有甲骨学的丰富知识，不熟悉甲骨的类别和整治方法，就不可能通过龟甲的“齿缝”与“盾纹”来判别著录中的拓本、摹本或照片究竟是甲是骨，是腹甲、背甲或残骨版的某一部分，也就根本无法从事缀合工作。而如果不懂得甲骨文的卜法、文例与卜辞的内容，只凭形状差不多或部位大体相合来缀合，就必然会造成大量的假缀合。因此，必须对各方面做仔细的考察才能动手。然而这是一件非常繁琐的工作，这将耗费很多研究人员大量的精力和时间。数字图像处理技术、模式识别技术和数据库技术的发展，为甲骨缀合开辟了一个全新的研究手段。1973年国外就有人用计算机进行甲骨缀合工作，他们对甲骨片进行数字化建库时首先将整个骨片分为几个部分，待入库骨片将根据其形状得到骨片位置属性，在加上刻字笔触粗细等多个属性，缀合时根据某个骨片的各个属性值，利用计算机进行自动匹配。该方法前期还是需要人工判断骨片位置，字体等信息，前期工作非常复杂。1974年我国也有学者用计算机在缀合甲骨方面进行了有益探索。1992年王骏发和张嘉男利用计算机图像处理技术设计一阶层式分类系统，以便将全世界所有的骨片拓片集加以分类，把重复的拓片找出加以剔除，来完成一部全世界最完整的甲骨拓片合集。数字化的甲骨片影像经过该文献的算法演算后产生一个一维的时间序列作为主要特征值，加上一些辅助次要特征值，来表示一个甲骨片外形。据最近的统计，甲骨出土的数量已多达十几万片，今后的新发现还未可预料，如全靠人力来整理将是十分困难的。但国外用电子计算机只能做到完整的或大致完整的骨版的缀合，而且其方法也有继续改进的空间。我国学者探索的结果，除了相邻的骨版以外，还可以将每一骨版的1/4以上的碎片进行缀合，其准确性也有待提高。这些甲骨文计算机辅助缀合的方法还不能满足人们的需要。只是浅层次的直接辅助，缺少系统研究，特别是用人工录制标本信息工作量大，而且并不准确。计算机技术经过几十年的发展，纹理分析取得了很大的进步，产生了许多纹理特征研究方法，局部纹理特征大致有：协方差矩阵、共生矩阵、小波能量、熵等。这些方法可以分为统计分析法、模型法、结构分析法等，其中统计分析法应用最广泛。但在具体的研究过程中，还存在着特征提取困难，特征向量表示不准确等问题。综上所述，现有技术存在的问题是：现有甲骨片缀合方法大多依靠人工进行匹配速度慢，精确度不高，耗费甲骨文专家大量精力。部分计算机辅助缀合的方法，只是浅层次的提供辅助，未提供有效的结果，同样需要耗费大量精力。并且目前的图像特征提取方法存在特征提取困难，向量表示不准确，在缩小同类的样本特征差距上效果差，在不同类间特征的差距上不明显，对图像的分类效果差等问题。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种甲骨文图片局部纹理特征的提取及匹配方法及系统。本专利技术是这样实现的，一种甲骨文图片局部纹理特征的提取及匹配方法，所述甲骨文图片局部纹理特征的提取及匹配方法，包括：对加载的甲骨文图片使用灰度共生矩阵进行纹理特征的提取和灰度处理；然后通过对比度、能量、熵、相关性这些特征量的算法公式计算出纹理特征值；使选择的图片与其他图片进行最小欧式距离准则匹配分类；在二类别的情况下匹配计算时，利用公式进行识别的图像的特征向量归属，d(x,y)表示距离，x、y表示两幅图片的特征向量，i表示特征向量中第i个元素，d表示特征向量中元素的个数；在多类别情况下匹配计算时，用判别函数：进行计算，选择最小的数值放在前面，越小的值相似度越大(G表示判别函数，i表示类别，x表示被识别图片特征向量，d表示距离，μi表示第i类特征向量，T表示转置)。进一步，所述灰度共生矩阵归一化公式为：P(x,y)＝#(X)＝#{(a1,b1),(a2,b2)∈M×Nf(a1,b1)＝x,f(a2,b2)＝y}(1)；#(X)代表的是集合X中的元素个数，(a,b)是数字图像中的一个点，M×N是数字图像的大小，元素(x,y)的值表示为一个灰度为x，另一个灰度为y。f(a,b)为灰度计算函数。进一步，所述灰度共生矩阵包括：共生矩阵：P(x,y,d,θ)；其中，x、y表示灰度值，d表示移动的距离，θ表示移动的角度。先提取数字图像M×N中的一个点(a,b)和这个点周围的任意一个点(a+i,b+j),假设这个点对的灰度值是(x,y)；使这个点(a,b)在这个画面上不断移动，就会得到不同的(x,y)值，灰度值的级数假设为K，那么(x,y)的组合数量有K的平方个，在画面上记录出每种(x,y)灰度值在画面出现的次数，然后把这些次数排列成一个方阵，再用(x,y)在图像出现的总次数将它们进行归一化为出现概率P(x,y)，所得到的方阵为灰度共生矩阵；如果(a,b)与(a+i,b+j)距离为d,两者与坐标横轴的夹角为θ，得到各种距离以及角度的灰度共生矩阵P(x,y,d,θ)；若i＝1,j＝0,θ＝0，像素对为水平；若i＝0,j＝1,θ＝90,像素对为垂直；若i＝1,j＝1,θ＝45,像素对为右对角线；若i＝-1,j＝1,θ＝135,像素对为左对角线。进一步，所述通过对比度、能量、熵、相关性这些特征量的算法公式，具体包括：对比度算法公式：其中，x、y表示灰度共生矩阵中的灰度级，P(x,y)表示矩阵中的元素；能量算法公式：其中，x、y表示灰度共生矩阵中的灰度级，P(x,y)表示矩阵中的元素；熵的算法公式：其中，x、y表示灰度共生矩阵中的灰度级，P(x,y)表示矩阵中的元素；相关性算法公式：其中，x、y表示灰度共生矩阵中的灰度级，P(x,y)表示矩阵中的元素；其中所述通过对比度、能量、熵、相关性这些特征量的算法公式计算出纹理特征值，然后用向量h＝[Asm1,Con1,Ent1,Corr1,…,Asm4,Con4,Ent4,Corr4]将以上特征综合在一起。结合之后的向量就为做图像纹理特征值。进一步，所述最小欧式距离准则包括：(1)设两个点a(x1,y1)和b(x2,y2)在二维面上欧氏距离公式是：其中，d表示距离，x、y表示点在二维面上的位置坐标；(2)设两个点a(x1,y1,z1)和b(x2,y2,z2)在三维面上欧氏距离公式是：其中，d表示距离本文档来自技高网...

【技术保护点】
一种甲骨文图片局部纹理特征的提取及匹配方法，其特征在于，所述甲骨文图片局部纹理特征的提取及匹配方法，包括：对加载的甲骨文图片使用灰度共生矩阵进行纹理特征的提取和灰度处理；然后通过对比度、能量、熵、相关性这些特征量的算法公式计算出纹理特征值；对选择的图片与其他图片进行最小欧式距离准则匹配分类；在二类别的情况下匹配计算时，利用公式

【技术特征摘要】
1.一种甲骨文图片局部纹理特征的提取及匹配方法，其特征在于，所述甲骨文图片局部纹理特征的提取及匹配方法，包括：对加载的甲骨文图片使用灰度共生矩阵进行纹理特征的提取和灰度处理；然后通过对比度、能量、熵、相关性这些特征量的算法公式计算出纹理特征值；对选择的图片与其他图片进行最小欧式距离准则匹配分类；在二类别的情况下匹配计算时，利用公式进行识别的图像的特征向量归属，d(x,y)表示距离，x、y表示两幅图片的特征向量，i表示特征向量中第i个元素，d表示特征向量中元素的个数；在多类别情况下匹配计算时，用判别函数：Gi(x)＝d(x,μi)＝|x-μi|2＝(x-μi)T(x-μi)＝xTx-(xTμi+μiTx-μiTμi)进行计算，选择最小的数值放在前面，越小的值相似度越大，G表示判别函数，i表示类别，x表示被识别图片特征向量，d表示距离，μi表示第i类特征向量，T表示转置。2.如权利要求1所述的甲骨文图片局部纹理特征的提取及匹配方法，其特征在于，所述灰度共生矩阵归一化公式为：P(x,y)＝#(X)＝#{(a1,b1),(a2,b2)∈M×N|f(a1,b1)＝x,f(a2,b2)＝y}(1)；#(X)代表的是集合X中的元素个数，(a,b)是数字图像中的一个点，M×N是数字图像的大小，元素(x,y)的值表示为一个灰度为x，另一个灰度为y。f(a,b)为灰度计算函数。3.如权利要求2所述的甲骨文图片局部纹理特征的提取及匹配方法，其特征在于，所述灰度共生矩阵包括：共生矩阵：P(x,y,d,θ)；x、y表示灰度值，d表示移动的距离，θ表示移动的角度；先提取数字图像M×N中的一个点(a,b)和这个点周围的任意一个点(a+i,b+j),假设这个点对的灰度值是(x,y)；使这个点(a,b)在这个画面上不断移动，就会得到不同的(x,y)值，灰度值的级数假设为K，那么(x,y)的组合数量有K的平方个，在画面上记录出每种(x,y)灰度值在画面出现的次数，然后把这些次数排列成一个方阵，再用(x,y)在图像出现的总次数将它们进行归一化为出现概率P(x,y)，所得到的方阵为灰度共生矩阵；如果(a,b)与(a+i,b+j)距离为d,两者与坐标横轴的夹角为θ，得到各种距离以及角度的灰度共生矩阵P(x,y,d,θ)；若i＝1,j＝0,θ＝0，像素对为水平；若i＝0,j＝1,θ＝90,像素对为垂直；若i＝1,j＝1,θ＝45,像素对为右对角线；若i＝-1,j＝1,θ＝135,像素对为左对角线。4.如权利要求1所述的甲骨文图片局部纹理特征的提取及匹配方法，其特征在于，所述通过对比度、能量、熵、相关性这些特征量的算法公式，具体包括：对比度算法公式：其中，x、y表示灰度共生矩阵中的灰度级，P(x,y)表示矩阵中的元素；能量算法公式：其中，x、y表示灰度共生矩阵中的灰度级，P(x,y)表示矩阵中的元素；熵的算法公式：其中，x、y表示灰度共生矩阵中的灰度级，P(x,y)表示矩阵中的元素；相关性算法公式：其中，x、y表示灰度共生矩阵中的灰度级，P(x,y)表示矩阵中的元素；

【专利技术属性】
技术研发人员：葛彦强，汪向征，高峰，刘永革，马得水，
申请(专利权)人：安阳师范学院，
类型：发明
国别省市：河南,41