一种LBP改进的图片相似判定方法与流程

本发明涉及图像处理领域，特别涉及一种lbp改进的图片相似判定方法。

背景技术：

lbp(localbinarypattern，局部二值模式)是一种用来描述图像局部纹理特征的算子；原始的lbp算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即lbp码，共256种)，即得到该窗口中心像素点的lbp值，并用这个值来反映该区域的纹理信息。如图1所示。

基本的lbp算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域，这显然不能满足不同尺寸和频率纹理的需要。

圆形lbp算子：为了适应不同尺度的纹理特征，并达到灰度和旋转不变性的要求，ojala等对lbp算子进行了改进，将3×3邻域扩展到任意邻域，并用圆形邻域代替了正方形邻域，改进后的lbp算子允许在半径为r的圆形邻域内有任意多个像素点。从而得到了诸如半径为r的圆形区域内含有p个采样点的lbp算子，图2所示。

lbp旋转不变模式：从lbp的定义可以看出，lbp算子是灰度不变的，但却不是旋转不变的。图像的旋转就会得到不同的lbp值。

maenpaa等人又将lbp算子进行了扩展，提出了具有旋转不变性的lbp算子，即不断旋转圆形邻域得到一系列初始定义的lbp值，取其最小值作为该邻域的lbp值。

图3给出了求取旋转不变的lbp的过程示意图，图中算子下方的数字表示该算子对应的lbp值，图中所示的8种lbp模式，经过旋转不变的处理，最终得到的具有旋转不变性的lbp值为15。也就是说，图中的8种lbp模式对应的旋转不变的lbp模式都是00001111。

lbp等价模式：一个lbp算子可以产生不同的二进制模式，对于半径为r的圆形区域内含有p个采样点的lbp算子将会产生p2种模式。很显然，随着邻域集内采样点数的增加，二进制模式的种类是急剧增加的。例如：5×5邻域内20个采样点，有220＝1,048,576种二进制模式。如此多的二值模式无论对于纹理的提取还是对于纹理的识别、分类及信息的存取都是不利的。同时，过多的模式种类对于纹理的表达是不利的。例如，将lbp算子用于纹理分类或人脸识别时，常采用lbp模式的统计直方图来表达图像的信息，而较多的模式种类将使得数据量过大，且直方图过于稀疏。因此，需要对原始的lbp模式进行降维，使得数据量减少的情况下能最好的代表图像的信息。

为了解决二进制模式过多的问题，提高统计性，ojala提出了采用一种“等价模式”(uniformpattern)来对lbp算子的模式种类进行降维。在实际图像中，绝大多数lbp模式最多只包含两次从1到0或从0到1的跳变。因此，ojala将“等价模式”定义为：当某个lbp所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该lbp所对应的二进制就称为一个等价模式类。如00000000(0次跳变)，00000111(只含一次从0到1的跳变)，10001111(先由1跳到0，再由0跳到1，共两次跳变)都是等价模式类。除等价模式类以外的模式都归为另一类，称为混合模式类，例如10010111(共四次跳变)。

通过这样的改进，二进制模式的种类大大减少，而不会丢失任何信息。模式数量由原来的2p种减少为p(p-1)+2种，其中p表示邻域集内的采样点数。对于3×3邻域内8个采样点来说，二进制模式由原始的256种减少为58种，这使得特征向量的维数更少，并且可以减少高频噪声带来的影响。

由上述综述可得知：变形之后的lbp很适合人脸及人物运动的判断，但是lbp的计算量庞大，没有效率优势，很难适应互联网海量图片相似的判断。

申请人在专利申请名称“基于lbp的图片相似判定方法”，在lbp方法之前，先压缩图片，调整像素灰度，之后做dct变换，得到最简信息，然后进行lbp，之后摒弃了传统的直方图判断方法，而是采用lbp均值散列的方法，得到更多细节；但是由于是压缩之后的全图片一同做lbp，计算量仍显庞大，此外，机器人判断之后需要人工精确判断，因此，前期只需要一个大概的判断即可，要求是：不漏掉相似图片即可，也就是说，可以多找出涉嫌相似的图片，至于是否真的相似，可以人工判断；经验证明，100张图片之内，人工判断效率是很高的。

技术实现要素：

为了克服上述现有技术的不足，本发明提供了一种lbp改进的图片相似判定方法。

本发明提供的一种lbp改进的图片相似判定方法，包括以下步骤：

第一步，压缩图片尺寸

将图片压缩至64*64像素；

第二步，将压缩图片灰度化

将压缩图片降至64级灰度；

第三步，提取对角线灰度

第四步，dct变换

将对角线的每个像素进行dct变换；

第五步，计算对角线像素点的lbp值

对于每个对角线像素的dct值与相邻的8个像素的dct值进行比较，若周围像素值大于中心像dct值，则该像素点的位置被标记为1，否则为0；3*3邻域内的8个点经比较可产生8位二进制数，即得到该中心像dct值的lbp值；

第六步，建立lbp的散列

计算对角线lbp的均值，每个lbp值与均值对比，大于或等于记为1，小于记为0；采用一致性散列，得到15位基于lbp的散列值；

第七步，对比判定

将不同图片的lbp的散列值进行对比，小于或等于2，则判断近似。

有益效果：本发明仅对比对角线上的lbp均值(仅计算对角线以及相邻像素点的lbp即可)，并形成15为散列值，与64位散列相比节省4倍的计算量。

附图说明

图1是lbp方法原理图。

图2是圆形lbp方法原理图。

图3是求取旋转不变的lbp的过程示意图。

图4是原始图谱与lbp图谱。

具体实施方式

实施例：

第一步，压缩图片尺寸

将图片压缩至64*64像素；

第二步，将压缩图片灰度化

将压缩图片降至64级灰度；

第三步，提取对角线灰度

第四步，dct变换

将对角线的每个像素进行dct变换；

第五步，计算对角线像素点的lbp值

对于每个对角线像素的dct值与相邻的8个像素的dct值进行比较，若周围像素值大于中心像dct值，则该像素点的位置被标记为1，否则为0；3*3邻域内的8个点经比较可产生8位二进制数，即得到该中心像dct值的lbp值；

第六步，建立lbp的散列

计算对角线lbp的均值，每个lbp值与均值对比，大于或等于记为1，小于记为0；采用一致性散列，得到15位基于lbp的散列值；

第七步，对比判定

将不同图片的lbp的散列值进行对比，小于或等于2，则判断近似。