[发明专利]一种基于区域高斯加权的图像匹配计算方法

摘要

本发明提出了一种基于区域高斯加权的图像匹配计算方法。通过提前训练，获得图像各个子区域的判别权重，然后统计每个子块内的LBP纹理直方图和颜色直方图，通过直方图与权重的相乘累加得到最终的加权相似度。具体方法的实现如下：第一步：对同一类归一化之后的图像通过背景差分，找出同一类图像的不相似区域；第二步：对于不同类的归一化之后的图像，通过图像子块间的距离按阈值将图像区域分为类间相似区域，类间不相似区域和中间区域；第三步，基于高斯函数计算图像子块的权重；第四步：根据所求的区域权重，对区域内的纹理直方图和颜色直方图进行加权累加，并计算总体图像的相似度。

主权项

一种基于区域高斯加权的图像匹配计算方法，其特征在于如下步骤：第一步：准备训练样本，对于每一个样本图像都要进行样本的归一化，该归一化的过程即相当于把图像当作一个向量来计算它的模值，整幅图像所有像素作为向量的元素，然后，每个象素点的灰度值除以该模值，从而得到归一化以后的图像，即为图像准备相似图像作为正例，不相似图像作为反例，对于选取的同一类图像根据关键点做对齐处理，消除平移旋转影响，对齐采取的策略是根据图像中的特殊点进行操作，网页的图像在顶端都有一些特定直线，采用hough变换来定位特定直线，利用这些直线作为参考进行对齐处理，然后做背景差分，找出同一类图像的不相似区域；第二步：对于第一步选取的反例图像，首先进行归一化，然后计算各幅图像对应子区域的之间的距离，通过累加获得不同类图像各个子块之间的平均距离，通过svm分类器训练或K‑means方法获得距离的阈值，首先，随机选取三个图像子块的特征作为聚类的初始中心，然后将其他图像子块按欧式距离聚类到这三个聚类中心上，然后根据聚类结果计算新的聚类中心，反复以上步骤，直到聚类中心前后两次的偏移量小于给定阈值；将图像区域分为类间相似区域，类间不相似区域和中间区域；第三步：对于中间区域，权重为1，对于类间相似区域、类间不相似区域权重为其对应的子块特征的高斯函数值； Weight ( i ) = G ( x ( i ) , y ( i ) ) = 1 2 π σ 2 exp ( - ( x ( i ) - y ( j ) ) 2 2 σ 2 ) 这里x(i)，y(i)是两幅图像中对应的子块的特征向量，分别代表类间不相似的区域，σ＝2π；Weight(i)为第i个子块对应的权重；第四步：根据所求的区域权重，对区域内的纹理直方图和颜色直方图进行加权累加，并计算总体图像的相似度；Sim＝p*sim(lbp)+(1‑p)sim(color)其中，p为lbp特征在最终相似度计算所占的权重，sim(lbp)，sim(color)分别为lbp特征相似度和颜色特征相似度，Sim为总的相似度。