映像相似性（測試）–基於長條圖特徵的Image Search

轉自：http://blog.csdn.net/jia20003/article/details/7771651#comments

影像處理之相似圖片識別（長條圖應用篇）

演算法概述：

首先對源映像與要篩選的映像進行長條圖資料擷取，對採集的各自映像長條圖進行歸一化再

使用巴氏係數演算法對長條圖資料進行計算，最終得出映像相似性值，其值範圍在[0, 1]之間

0表示極其不同，1表示極其相似（相同）。

演算法步驟詳解：

大致可以分為兩步，根據源映像與候選映像的像素資料，產生各自長條圖資料。第二步：使

用第一步輸出的長條圖結果，運用巴氏係數（Bhattacharyya coefficient）演算法，計算出相似程

度值。

第一步：長條圖計算

長條圖分為灰階長條圖與RGB長條圖，對於灰階映像長條圖計算十分簡單，只要初始化一

個大小為256的長條圖數組H，然後根據像素值完成頻率分布統計，假設像素值為124，則

H[124] += 1, 而對於彩色RGB像素來說長條圖表達有兩種方式，一種是單一長條圖，另外一

種是三維長條圖，三維長條圖比較簡單明了，分別對應RGB三種顏色，定義三個長條圖HR,

HG, HB, 假設某一個像素點P的RGB值為(4, 231,129), 則對於的長條圖計算為HR[4] += 1,

HG[231] += 1, HB[129] += 1, 如此對每個像素點完成統計以後，RGB彩色長條圖資料就產生了。

而RGB像素的單一長條圖SH表示稍微複雜點，每個顏色的值範圍為0 ~ 255之間的，假設

可以分為一定範圍等份，當8等份時，每個等份的值範圍為32， 16等份時，每個等份值範

圍為16，當4等份時候，每個等份值的範圍為64，假設RGB值為(14, 68, 221), 16等份之

後，它對應長條圖索引值(index)分別為: (0, 4, 13), 根據計算索引值公式:index = R + G*16 + B*16*16

對應的長條圖index = 0 + 4*16 + 13 * 16 * 16， SH[3392] += 1

如此遍曆所有RGB像素值，完成長條圖資料計算。

第二步：巴氏係數計算，計算公式如下：

其中P, P’分別代表源與候選的映像長條圖資料，對每個相同i的資料點乘積開平方以後相加

得出的結果即為映像相似性值（巴氏係數因子值），範圍為0到1之間。

程式效果：

相似性超過99%以上，極其相似

相似性為：72%， 一般相似

程式長條圖計算原始碼如下：

[java]
view plaincopyprint?

1. public void setGreenBinCount(int greenBinCount) { 
2.     this.greenBins = greenBinCount; 
3. } 
4.  
5. public void setBlueBinCount(int blueBinCount) { 
6.     this.blueBins = blueBinCount; 
   
7. } 
8.  
9. public float[] filter(BufferedImage src, BufferedImage dest) { 
10.     int width = src.getWidth(); 
    
11.        int height = src.getHeight(); 
12.         
13.        int[] inPixels =
    new int[width*height]; 
14.        float[] histogramData =
    new float[redBins * greenBins * blueBins]; 
15.        getRGB( src, 0,
    0, width, height, inPixels ); 
16.        int index = 0; 
17.        int redIdx =
    0, greenIdx = 0, blueIdx =0; 
    
18.        int singleIndex = 0; 
19.        float total =
    0; 
20.        for(int row=0; row<height; row++) { 
21.         int ta =
    0, tr = 0, tg =0, tb =
    0; 
22.         for(int col=0; col<width; col++) { 
23.             index = row * width + col; 
24.             ta = (inPixels[index] >> 24) &0xff; 
    
25.                tr = (inPixels[index] >>
    16) & 0xff; 
26.                tg = (inPixels[index] >> 8) &0xff; 
    
27.                tb = inPixels[index] &
    0xff; 
28.                redIdx = (int)getBinIndex(redBins, tr,255); 
    
29.                greenIdx = (int)getBinIndex(greenBins, tg,255); 
    
30.                blueIdx = (int)getBinIndex(blueBins, tb,255); 
    
31.                singleIndex = redIdx + greenIdx * redBins + blueIdx * redBins * greenBins; 
32.                histogramData[singleIndex] += 1; 
33.                total += 1; 
34.         } 
35.        } 
36.         
37.        // start to normalize the histogram data 
38.        for (int i =0; i < histogramData.length; i++) 
    
39.        { 
40.         histogramData[i] = histogramData[i] / total; 
41.        } 
42.         
43.        return histogramData; 
44. } 

public void setGreenBinCount(int greenBinCount) {this.greenBins = greenBinCount;}public void setBlueBinCount(int blueBinCount) {this.blueBins = blueBinCount;}public float[] filter(BufferedImage src, BufferedImage dest) {int width = src.getWidth();        int height = src.getHeight();                int[] inPixels = new int[width*height];        float[] histogramData = new float[redBins * greenBins * blueBins];        getRGB( src, 0, 0, width, height, inPixels );        int index = 0;        int redIdx = 0, greenIdx = 0, blueIdx = 0;        int singleIndex = 0;        float total = 0;        for(int row=0; row<height; row++) {        int ta = 0, tr = 0, tg = 0, tb = 0;        for(int col=0; col<width; col++) {        index = row * width + col;        ta = (inPixels[index] >> 24) & 0xff;                tr = (inPixels[index] >> 16) & 0xff;                tg = (inPixels[index] >> 8) & 0xff;                tb = inPixels[index] & 0xff;                redIdx = (int)getBinIndex(redBins, tr, 255);                greenIdx = (int)getBinIndex(greenBins, tg, 255);                blueIdx = (int)getBinIndex(blueBins, tb, 255);                singleIndex = redIdx + greenIdx * redBins + blueIdx * redBins * greenBins;                histogramData[singleIndex] += 1;                total += 1;        }        }                // start to normalize the histogram data        for (int i = 0; i < histogramData.length; i++)        {        histogramData[i] = histogramData[i] / total;        }                return histogramData;}

計算巴氏係數的代碼如下：

[java]
view plaincopyprint?

1. /**
2. * Bhattacharyya Coefficient
3. * http://www.cse.yorku.ca/~kosta/CompVis_Notes/bhattacharyya.pdf
4. *
5. * @return
6. */ 
7. public double modelMatch() { 
8.     HistogramFilter hfilter = new HistogramFilter(); 
9.     float[] sourceData = hfilter.filter(sourceImage,null); 
   
10.     float[] candidateData = hfilter.filter(candidateImage,null); 
    
11.     double[] mixedData =new
    double[sourceData.length]; 
12.     for(int i=0; i<sourceData.length; i++ ) { 
13.         mixedData[i] = Math.sqrt(sourceData[i] * candidateData[i]); 
14.     } 
15.      
16.     // The values of Bhattacharyya Coefficient ranges from 0 to 1, 
17.     double similarity =
    0; 
18.     for(int i=0; i<mixedData.length; i++ ) { 
19.         similarity += mixedData[i]; 
20.     } 
21.      
22.     // The degree of similarity 
    
23.     return similarity; 
    
24. } 

/** * Bhattacharyya Coefficient * http://www.cse.yorku.ca/~kosta/CompVis_Notes/bhattacharyya.pdf *  * @return */public double modelMatch() {HistogramFilter hfilter = new HistogramFilter();float[] sourceData = hfilter.filter(sourceImage, null);float[] candidateData = hfilter.filter(candidateImage, null);double[] mixedData = new double[sourceData.length];for(int i=0; i<sourceData.length; i++ ) {mixedData[i] = Math.sqrt(sourceData[i] * candidateData[i]);}// The values of Bhattacharyya Coefficient ranges from 0 to 1,double similarity = 0;for(int i=0; i<mixedData.length; i++ ) {similarity += mixedData[i];}// The degree of similarityreturn similarity;}

轉載文章請務必註明出自本部落格