admin管理员组文章数量:1531792
2024年7月12日发(作者：)
相似图像的检测方法
一、 哈希算法
哈希算法可对每张图像生成一个“指纹”(fingerprint)字符串，然后比较不同图像的
指纹。结果越接近，就说明图像越相似。
常用的哈希算法有三种：
1．均值哈希算法(ahash)
均值哈希算法就是利用图片的低频信息。将图片缩小至8*8，总共64个像素。这一步
的作用是去除图片的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图
片差异。将缩小后的图片，转为64级灰度。计算所有64个像素的灰度平均值，将每个像
素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0。将上一
步的比较结果，组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。
均值哈希算法计算速度快，不受图片尺寸大小的影响，但是缺点就是对均值敏感，例
如对图像进行伽马校正或直方图均衡就会影响均值，从而影响最终的hash值。
2．感知哈希算法(phash)
感知哈希算法是一种比均值哈希算法更为健壮的算法，与均值哈希算法的区别在于感
知哈希算法是通过DCT（离散余弦变换）来获取图片的低频信息。先将图像缩小至32*32，
并转化成灰度图像来简化DCT的计算量。通过DCT变换，得到32*32的DCT系数矩阵，
保留左上角的8*8的低频矩阵（这部分呈现了图片中的最低频率）。再计算8*8矩阵的DCT
的均值，然后将低频矩阵中大于等于DCT均值的设为”1”，小于DCT均值的设为“0”，
组合在一起，就构成了一个64位的整数，组成了图像的指纹。
感知哈希算法能够避免伽马校正或颜色直方图被调整带来的影响。对于变形程度在25%
以内的图片也能精准识别。
3．差异值哈希算法(dhash)
差异值哈希算法将图像收缩小至8*9，共72的像素点，然后把缩放后的图片转化为
256阶的灰度图。通过计算每行中相邻像素之间的差异，若左边的像素比右边的更亮，则
记录为1，否则为0，共形成64个差异值，组成了图像的指纹。
相对于pHash，dHash的速度要快的多，相比aHash，dHash在效率几乎相同的情
况下的效果要更好，它是基于渐变实现的。
二、 单通道直方图和三直方图
单通道图，俗称灰度图，每个像素点只能有有一个值表示颜色，它的像素值在0到255
之间，0是黑色，255是白色，中间值是一些不同等级的灰色。三通道图，每个像素点都有
3个值表示（如RGB图），所以就是3通道。图像的直方图用来表征该图像像素值的分布
情况。用一定数目的小区间(bin)来指定表征像素值的范围,每个小区间会得到落入该小区间
表示范围的像素数目。可以通过计算图像直方图的重合度，来判断图像之间的相似度。
直方图能够很好的归一化，比如256个bin条，那么即使是不同分辨率的图像都可以
直接通过其直方图来计算相似度，计算量适中。比较适合描述难以自动分割的图像。
三、 基于特征提取与匹配的方法
1．ORB特征
ORB特征是将FAST特征点的检测方法与BRIEF特征描述子结合起来，并在它们原来
的基础上做了改进与优化。ORB特征提取速度快,提取的特征直接是二元编码形式，无需使
用哈希学习方法就可以直接利用汉明距离快速计算相似度。在大多数情况下，去重效果能
够与 SIFT/SURF 持平。
2．SIFT/SURF特征
SIFT特征提取是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。
SIFT所查找到的关键点是一些十分突出、不会因光照、仿射变换和噪音等因素而变化的点，
如角点、边缘点、暗区的亮点及亮区的暗点等。
四、 基于BOW+K-Means的相似图像检测
BOW模型被广泛用于计算机视觉中，相比于文本的BOW，图像的特征被视为单词
（word），视觉词汇的字典则由图片集中的所有视觉词汇构成,词袋模型的生成如下图。首
先，用sift算法生成图像库中每幅图的特征点及描述符。再用k-Means算法对图像库中的
特征点进行聚类，聚类中心有k个，聚类中心被称为视觉词汇，将这些聚类中心组合在一
起，形成一部字典。根据IDF原理，计算每个视觉单词TF-IDF权重来表示视觉单词对区分
图像的重要程度。对于图像库中的每一幅图像，统计字典中每个单词在在其特征集中出现
的次数，将每张图像表示为K 维数值向量（直方图）。得到每幅图的直方图向量后，构造特
征到图像的倒排表，通过倒排表快速索引相关候选的图像。对于待检测的图像，计算出sift
特征，并根据TF-IDF转化成特征向量（频率直方图），根据索引结果进行直方图向量的相
似性判断。
五、 基于卷积网络的相似图像检测
在ImageNet中的卷积网络结构（vgg16）基础上，在第7层（4096个神经元）和
output层之间多加一个全连接层，并选用sigmoid激活函数使得输出值在0-1之间，设
定阈值0.5之后可以转成01二值向量作为二值检索向量。这样，对所有的图片做卷积网络
前向运算，得到第7层4096维特征向量和代表图像类别分桶的第8层output。对于待检
测的图片，同样得到4096维特征向量和128维01二值检索向量，在数据库中查找二值
检索向量对应的图片，比对4096维特征向量之间距离，重新排序即得到最终结果。
版权声明：本文标题：相似图像的检测方法 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/dongtai/1720771749a842094.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论