专利名称：基于圆环统计特征的抗旋转图像Hash方法
技术领域：
本发明涉及信号处理领域和计算机技术领域，特别是一种基于圆环统计特征的抗旋转图像Hash方法。
背景技术：
各种功能强大、操作简单的图像处理软件的出现,如Photoshop和A⑶See,使数字图像的编辑操作变得越来越容易，导致篡改、伪造等图像侵权问题日益严重，图像内容版权保护和完整性认证成为亟待解决的事情。与此同时，数字图像大规模增长急需更为有效的技术，以实现对海量图像数据的高效检索和管理。近年，数字媒体内容处理领域出现了一种名为图像Hash(哈希)的新技术，可广泛应用于图像检索、拷贝检测、内容认证、篡改检测、数字水印、图像质量评价、图像索引等方面。 图像Hash是用于表征图像的一串短小的字符或数字序列。由于正常的数字处理，如JPEG压缩和图像增强，会改变图像的具体表示数据，但仍然保持视觉内容不变，因此，尽管传统密码学Hash函数，如MD5和SHA-1，能将任意输入信息转换成长度固定的字符串，然而因为它们对输入变化非常敏感，任何I比特不同都会完全改变输出，所以不能直接用于图像Hash提取。为此，图像Hash应反映视觉内容，对具体表示数据不敏感。通常，图像Hash应满足两个条件(I)鲁棒性，即对视觉相似的图像，不管其具体表示数据是否相同，Hash应以很大的概率相同或十分接近；(2)唯一性，即不同内容的图像拥有完全不同的Hash。图像Hash研究起源于上世纪九十年代中后期，然而进入21世纪后，该方面研究才真正引起研究人员的广泛重视，并在近年获得了较快发展。根据图像Hash方法的内在构造技术不同，可将现有方法大致分为如下五类(I)基于统计量的方法；(2)基于不变关系的方法；(3)基于粗略特征描述的方法；(4)利用图像低层语义特征；(5)运用矩阵分解技术。上述已有技术大多对某些数字处理具有稳健性，如JPEG压缩、数字滤波、图像缩放、亮度调整，但普遍对旋转操作脆弱，存在唯一性较差的不足。
发明内容
本发明的目的在于提供一种基于圆环统计特征的抗旋转图像Hash方法，该方法可从数字图像中提取出鲁棒Hash，对图像旋转、JPEG压缩、亮度调整等常见数字处理稳健并具有良好的唯一性。实现本发明目的的技术方案是一种基于圆环统计特征的抗旋转图像Hash方法，先用双线性插值法将输入图像转换成规定尺寸，再用高斯低通滤波器处理图像，如果输入图像是彩色图像，则将其转换到YCbCr颜色空间并取亮度分量表示，接着将图像分割成若干个圆环，提取每个圆环像素的均值、方差、偏斜度和峭度等统计量作为特征，然后对统计特征进行归一化，再计算各统计量的均值并以此作为参考特征，最后计算每个圆环统计特征与参考特征的欧氏距离，串连所有距离值即为图像Hash，提取图像Hash的流程如图I所示；判断Hash相似性时，计算它们的L2范数，如果小于设定阈值，认为它们对应的图像相同，否则认为是不同图像。基于圆环统计特征的抗旋转图像Hash方法，具体步骤如下(I)尺寸规格化用双线性插值法将输入图像规格化成MXM大小；(2)高斯低通滤波用3X3高斯低通滤波器对规格化图像进行滤波，记处理后图像为I ;(3)颜色空间转换如果输入图像不是彩色图像，那么令J=I并转向执行第(4)步；否则将图像I转换到YCbCr颜色空间并取 亮度分量表示，记亮度分量为J ；(4)图像环形分割用N个圆将J分割成面积大致相等的N个圆环，按从小到大的
次序对圆的半径编号，设rj I ( i SN)为第i个圆的半径,那么第N个圆的半径为rjv=lM/2」，
2
W V
其中丨，表示向下取整运算，接着计算圆环平均面积』=if，于是得到第I个圆的半径为
L-JL 〃」
I1=JZ,第 j 个圆的半径为 r= ji + y—1 (j=2，3，4，...，N-l);设p(x，y) (I ^ x ^ Μ,
Vπ1 V π
I彡y彡Μ)为J的第y行第X列的像素值，用(x。，y。)表示图像中心坐标，如果M为偶数，取 xc=M/2+0. 5 和 y。= M/2+0. 5,否则取 Xc= (M+l)/2 和 y。(M+1)/2,计算 p (x, y)到图像中心
的欧氏距离d , ^^(x-xcf+(y-x )根据像素距离值和圆半径的关系得到每个圆环的像素值，即 R1= {p(x, y) I dx，y ( rj 和 Rn= {p(x, y) Γη_!<(1χ^ ( rn} (η=2, 3，…，N),其中 R1 和 Rn 分别是第I和第η个圆环的像素值的集合；(5)提取圆环统计特征计算Ri (I彡i彡N)的均值、方差、偏斜度和峭度并用叫、V。Si 和 Iii 表示，于是得到 4 个向量，即 m2,. . . , mN]、V=Lv1, v2,. . . , vN]、s= [S1, s2,...，sN]和 Ii=Ek1, k2,. . . , kN]；(6)特征归一化分别对m、v、s和k的元素归一化并将结果记为m(1)、v(1\ s(1)和 k⑴，即 miw=(mi-ym)/Sm、ν^)=(ν「μν)/δν、SiW=(Si-Us)7^s 和
(I彡i彡N)，其中μ μ ν、μ s和Uk分别是m、V、S和k的均值，δ m> δ ν、δ s和Sk分别为它们的标准差，m，)、v/1)、S,)和k/1)分别是ηιω、νω、8ω和k(1)的第i个元素；(7)计算特征距离分别计算m(1)、v(1)、s(1)和k(1)的均值并把它们作为参考特征，
即^ 艺wP、αν =:Σν ω、as和ak =ι^Σ^ω，接着计算各圆环特征与参考特
Jw f=iJwJV f—iIS! ,=I
征的欧氏距离夂=^(nf-am)2+(Vl1^ar)2 +(sf)-as)2+(^li- k)2 (I ￡/SiV)，于是得到图像 Hash K=Lh1, h2，…，hN]；(8)相似性判断设h(1)和h(2)为两个图像Hash，计算它们的L2范数
d =，其中比(1)和比(2)分别是h(1)和h(2)的第i个元素，如果d小于设定阈值
VI=I
T，认为h(1)和h(2)所对应的图像相同，否则认为是不同图像。本发明的优点是本发明与现有技术相比，具有如下显而易见的突出实质性特点和显著进步本发明将图像分割成一系列圆环，提取圆环像素的均值、方差、偏斜度和峭度等统计量作为特征，对旋转操作具有较好的稳健性；利用圆环各统计量的均值作为参考特征，通过计算圆环特征与参考特征的欧氏距离得到Hash值；特征提取过程的计算量小，运行速度快；生成的图像Hash对图像旋转、JPEG压缩、亮度调整、对比度增强、噪声干扰等常见数字处理稳健并具有良好的唯一性。
图I是本发明提取图像Hash的流程图；图2是实施例中用到的一幅图像，大小为760X560 ；图3是与图2视觉相似的另一幅图像，大小为760X560 ；图4是对图2进行尺寸规格化的结果示意图；图5是对图4进行闻斯低通滤波的结果不意图； 图6是取图5的亮度分量的结果示意图；图7是图6的环形分割示意图；图8实施例中L2范数的曲线图。
具体实施例方式以下结合附图对本发明的一个优选实施例作详细说明，但本发明的保护范围不限于下述的实施例。实施例图I是本发明提取图像Hash的流程图。本实施例包括鲁棒性验证和唯一性验证两部分。鲁棒性验证是计算图2和图3所对应的图像Hash的距离来判断它们是否为相似图像，与图2相比，图3经历过一系列数字处理，包括图像旋转(逆时针转4° )、JPEG压缩(质量因子为50)、亮度调整(调整幅度为50)以及高斯白噪声(均值为O、方差为O. 01)。在以下步骤中，(1Γ (7)是提取图2的Hash的步骤，由于提取图3的Hash的步骤与图2的相同，这里不再赘述，(8)是计算图2和图3的Hash的距离，具体步骤如下(I)尺寸规格化用双线性插值法将图2规格化成512X512大小，结果如图4所示；(2)高斯低通滤波用标准差为I的3X3高斯低通滤波器对图4进行滤波，结果如图5所示；(3)颜色空间转换将图5转换到YCbCr颜色空间并取亮度分量表示，结果如图6所示；(4)图像环形分割将图6分割成面积大致相等的60个圆环，图7为图像环形分割示意图，计算各个圆环的像素值的集合，得到如下结果^={175, 170，166，…，64，64}, R2= {177, 177，176，…，59，58}，R3= {221，221，220，
...,56, 56},R4= {215，213，212，· · ·，155，156}，R5= {216，212，207，· · ·，176，176}，R6= {200，199，198，. .，177，177}，R7= {212，207，202，· · ·，178，178}，R8= {199，197，194，· · ·，179，180}，R9= {209，206，206，· · ·，180，180}，R10= {218, 213，210，· · ·，180，181}，R11= {171，171，172，· · ·，181，181}，R12= {162，162，163，. . .，181，181},R13={176, 180，183，· · ·，179，180}，R14= {161，161，161，· · ·，182，182}，R15= {152，155，155，. . .，181，18},R16= {81，82，84, . . , 182，181}，R17= {73，72，70，…，181，182}，R18= {138，136，134，·
·，180，180},R19= {159, 159，159，· · ·，180，179}, R20= {142, 130，114，· · ·，180，179}，R21= {157，158，158，. . .，181，181},R22= {104, 101，102，· · ·，180，180}，R23= {109，84，80，…，182，182 }, R24={113, 128，145，· · ·，180，182}，R25=Ull, 113，114，· · ·，183，183}，R26={111, 110，110，· · ·，183，183}，R27= {140，14I, 135，. . .，183，183},R28= {112, 110，112，· ·，185，184}，R29= {152，141，131，· · ·，188，187}，R30= {133，144，160，. .，188，187},R31= {186, 185，184，· · ·，190，189}，R32= {181，181，183，· · ·，195，191}，R33= {130，143，164，· ·，185，186}，R34= {82, 80, 78, . . . , 185, 186}, R35= {55, 61, 65, . . . , 186, 186}, R36= {67, 67, 66,...
，186， 187}，R37= {63, 63，63，…，188，188}，R38= {50，52，56, . . , 190，191}，R39= {61，61，61，…，191，191}，R40= {42, 43，43, , 194，193}，R41= {48，47，47, , 191，191}，R42= {47，42，37，· · ·
，193， 193}，R43= {50，50，47, , 192，192}，R44= {58，55，55, , 193，193}，R45= {63，62，62，· · ·
，192， 193}，R46= {61, 60，60, , 192，192}，R47= {55，59，62, , 193，193}，R48= {58，57，57，· · ·
，194， 194}， R49= {64, 65, 65, . . . , 193, 193}, R50= {47, 53, 58, . . . , 193, 193}, R51= {56, 56, 56,...
，192， 192}，R52= {57，57，57, , 194，193}，R53= {54，54，54，· ·，194，194}，R54= {47，48，47,,194， 194}，R55= {43，45，47, , 193，194}，R56= {43，38，33, , 195，194}，R57= {50，51，51，· ·，194， 194}，R58= {53, 56, 58, . . . , 196, 196}, R59= {59, 58, 56, . . . , 195, 195}, R60= {57, 58, 58,...
，197，196，195};(5)提取圆环统计特征计算所有圆环的均值、方差、偏斜度和峭度，得到如下向量m=[78. 06，107. 74，115. 95，118. 68，129. 89，137. 64，141. 22，143. 89，146. 51，148.75，148. 13，149. 18，146. 3，146. 03，147. 46，148. 42，145. 88，143. 10，144. 19，141. 32，139. 26，136. 72，133. 73，132. 51，130. 07，128. 39，128. 10，128. 82，128. 79，127. 73，128. 08，129. 6I, 129. 08，128. 38，125. 03，123. 74，122. 92，121. 25，120. 09，119. 66，119. 02，118. 70, 118. 40,118. 04，117. 69，117. 22，116. 61，115. 78，114. 85，114. 54，114. 25，113. 15，111. 69，110. 5
1,109. 88，110. 17，110. 14，109. 77，109. 50，109. 34]；v=[1390. 3，3415. 4，3835，4183. 5，3714. I, 3321，3068. 7，2948. 7，2847. I, 2748. 8，2791. 9，2533，2504. 8，2353，2149. 4，1896. 6，1913. 7，1916. 3，1847. 9，1969，1869. 5，1840. 9，1892. I, 1846. 2，1838. 9，1854. 2，1862. 6，1806. 2，1830. 4，1902. 9，2000. 5，2001. 2，2020. 8，2074. 9，2147. 3，2254. 7，2358，2442. 5，2504. 6，2682. 7，2968. 9，3217. 4，3397，3489. 8，3595. 7，3650. 6，3693. 6，3759. 9，3882. 4，3945. 9，3961. 7，4020，4050. 9，4080. 3，4159. 7，4142.8，4156. 3，4141. 4，4145. 9，4148. 7]；s=[l. 809，0. 2712，0. 033，0. 1106，_0. 3761，-0. 6863，-0. 9192，-I. 0882，-I. 2114，-I. 2658，-I. 2043，-I. 2177，-I. 0457，-0. 983，-0. 8428，-0. 6058，-0. 4035，-0. 2339，-0. 3833，-0. 3544，-0. 2318，-0. 2101，-0. 1842，-0. 1996，-0. 1784，-0. 1739，-0. 139，-0. 1612，-0. I929，-0. 1421，-0. 0864，-0. 072，-0. 0158，0. 0165，0. 0932，0. 1278，0. 1811，0. 2613，0. 3407， 0. 3604，0. 3479，0. 3229，0. 2705，0. 2492，0. 2155，0. 1967，0. 2013，0. 2141，0. 2227，0. 2223，
0.2228，0. 2166，0. 2287，0. 2412，0. 2251，0. 2214，0. 2172，0. 2074，0. 2072，0. 2221]；k=[5. 5342，I. 4404，I. 3019，I. 3397，I. 5195，I. 8737，2. 2301，2. 6136，2. 993，3. 2548，3. 1541，3. 2092，2. 8697，2. 8506，2. 8256，2. 5231，2. 201，2. 1202，2. 4412，2. 3255，2. 1163，2. 0097，I. 8738，I. 88，I. 792，I. 6918，I. 6377，I. 667，I. 6781，I. 6874，I. 7148，I. 7751，I.7791，I. 8271，I. 8096，I. 7615，I. 7412，I. 7671，I. 8318，I. 8808，I. 8951，I. 8992，I. 9312，I.9421，I. 9619，I. 9399，I. 9392，I. 9383，I. 9141，I. 9263，I. 951，I. 946，I. 9502，I. 9587，I. 9141，I. 8998，I. 8609，I. 8284，I. 8189，I. 8345]；(6)特征归一化对m、v、s和k的元素归一化，得到如下结果m(1)=[-3. 344，—I. 2806，—O. 7098，-O. 52，O. 2594，O. 7982，I. 0471，I. 2327，I. 4148，
1.5706，I. 5275，I. 6005，I. 4002，I. 3815，I. 4809，I. 5476，I. 371，I. 1778，I. 2536，I. 054，O.9108，O. 7342，O. 5263，O. 4415，O. 2719，O. 1551，O. 1349，O. 185，O. 1829，O. 1092，O. 1335，O. 2399，O. 2031，O. 1544，-O. 0785，-O. 1682，-O. 2252，-O. 3413，-O. 4219，-O. 4518，-O. 4963，-O.5186，-O. 5394，-O. 5645，-O. 5888，-O. 6215，-O. 6639，-O. 7216，-O. 7862，-O. 8078，-O. 828，-O. 9044，-I. 0059，-I. 088，-I. 1318，-I. 1116，-I. 1137，-I. 1394，-I. 1582，-I. 1693]；v(1)=[-l. 6311，O. 6321，I. 1011，I. 4905，O. 9659，O. 5266，O. 2446，O. 1105，-O. 003，-O. 1129，-O. 0647，-O. 3541，-O. 3856，-O. 5552，-O. 7828，-I. 0653，-I. 0462，-I. 0433，-I. 1197，-O. 9844，-I. 0956，-I. 1276，-I. 0703，-I. 1216，-I. 1298，-I. 1127，-I. 1033，-I. 1663，-I.1393，-I. 0583，-O. 9492，-O. 9484，-O. 9265，-O. 866，-O. 7851，-O. 6651，-O. 5496，-O. 4552，-O. 3858，-O. 1868，O. 1331，O. 4108，O. 6115，O. 7153，O. 8336，O. 895，O. 943，I. 0171，I. 154，I
225，I. 2427，I. 3078，I. 3424，I. 3752，I. 4639，I. 4451，I. 4602，I. 4435，I. 4485，I. 4517]；s⑴=[3· 5982，O. 713，O. 2661，O. 4117，-O. 5014，-I. 0834，-I. 5203，-I. 8374，_2· 0685，-2. 1706，-2. 0552，_2· 0803，-I. 7577，-I. 64，-I. 377，-O. 9323，-O. 5528，-O. 2346，-O. 5149，-O. 4607，-O. 2307，-O. 19，-O. 1414，-O. 1703，-O. 1305，-O. 122，-O. 0566，-O. 0982，-O. 1577，-O. 0624，O. 0421，O. 0691，O. 1746，O. 2352，O. 3791，O. 444，O. 544，O. 6945，O. 8434，O. 8804，O. 8569，O. 81，O. 7117，O. 6718，O. 6085，O. 5733，O. 5819，O. 6059，O. 622，O. 6213，O. 6222，O
6106，O. 6333，O. 6567，O. 6265，O. 6196，O. 6117，O. 5933，O. 593，O. 6209]；
k⑴= [5· 4793，-I. 0143，-I. 234，-I. 1741，-O. 8889，-O. 327，O. 2383，O. 8466，I. 4484，I. 8637，I. 7039，I. 7913，I. 2528，I. 2225，I. 1829，O. 703，O. 1921，O. 064，O. 5731，O. 3896，O. 0578, -O. 1113，-O. 3269，-O. 3171，-O. 4566，-O. 6156，-O. 7014, -O. 6549，-O. 6373，-O. 6226，-O. 5791，-O. 4834，-O. 4771，-O. 401，-O. 4287，-O. 505，-O. 5372，-O. 4961，-O. 3935，-O. 3158，-O. 2931，-O. 2866，-O. 2358，-O. 2185，-O. 1871，-O. 222，-O. 2231，-O. 2246，-O. 263，-O. 2436，-O. 2044，-O. 2124，-O. 2057，-O. 1922，-O. 263，-O. 2856，-O. 3473，-O. 3989，-O. 414，-O. 3892]；(7)计算特征距离计算m⑴、ν⑴、s(1)和k(1)的均值，得到参考特征affl=-O. 0000017、av=-0. 0000017、as=-0. 0000067 和 ak=0. 000005，计算各圆环特征与参考特
征的欧氏距离 A,. =V(Ot)1) -amf +(ν*η —αν}2 +0尸-aj2 +(k^ —ak)2 (K/S 60)，即可得到图2的图像Hash:h⑴=[7· 5374，I. 8912，I. 8193，2. 0100，I. 4289，I. 4816，I. 8773，2. 3716，2. 8945，3
2656，3. 0764，3. 1974，2. 6016，2. 5300，2. 4701，2. 2121，I. 8212，I. 5921，I. 8490，I. 5633，I.4445，I. 3635，I. 2447，I. 2580，I. 2553，I. 2869，I. 3155，I. 3539，I. 3276，I. 2 343，I. 1207，I.0934，I. 0760, O. 9949，O. 9747，O. 9606，O. 9681，I. 0257，I. 0923，I. 0554，I. 0413，I. 0844，I
1077，I. 1530，I. 2029，I. 2511，I. 3109，I. 4046，I. 5511，I. 6120，I. 6306，I. 7165，I. 8048，I
8823，I. 9712，I. 9467，I. 9665，I. 9731，I. 9906，2. 0029]；(8)相似性判断提取图3的图像Hash得到h⑵=[6. 7303，2. 1643，I. 9925，2. 0166，I. 4411，I. 3637，I. 7813，2. 3103，2. 9400，3.3054，3. 2468，3. 3685，3. 1246，2. 7672，2. 9203，2. 5954，I. 8488，I. 7239，2. 0789, I. 7923，I
4754，I. 4068，I. 2303，I. 1985，I. 1251，I. 2318，I. 2110，I. 1374，I. 1292，I. 1129，I. 1451，I
1112，I. 1140，I. 0188，I. 0856，I. 1292，I. 1498，I. 1321，I. 1266，I. 1038，O. 9629，O. 9486，O
9090，I. 0437，I. 1291，I. 2667，I. 3086，I. 3680，I. 4082，I. 4805，I. 5354，I. 6260，I. 7373，I
8618，I. 9855，I. 9708，2. 0215，2. 0462，2. 0021，I. 9904];设定阈值T = 2. 0，计算h(1)和 h(2)的L2范数，得到d = I. 4249 ;由于d < T，因此认为图2和图3是两幅视觉相似的图像。唯一性验证的测试数据是200幅内容不同的彩色图像，大小为256 X 256 2048 X 1536，用本发明(取M = 512，N = 60，高斯低通滤波器的标准差为I)提取200幅图像的Hash并计算两两Hash间的L2范数，一共得到19900个距离值，其中最小距离为2. 608，最大距离为15. 3646，距离均值为8. 4142，标准差为1.9297。图8是L2范数的曲线图，其中横坐标为每对图像Hash的索引，纵坐标为L2范数。从实施例发现，任意两幅不同图像的Hash，其距离均大于设定阈值T = 2.0，说明本发明具有良好的唯一性。
权利要求
1.一种基于圆环统计特征的抗旋转图像Hash方法，其特征在于包括如下步骤 (1)尺寸规格化用双线性插值法将输入图像规格化成MXM大小； (2)高斯低通滤波用3X3高斯低通滤波器对规格化图像进行滤波，记处理后图像为I ; (3)颜色空间转换如果输入图像不是彩色图像，那么令J=I并转向执行第(4)步；否则将图像I转换到YCbCr颜色空间并取亮度分量表示，记亮度分量为J ； (4)图像环形分割用N个圆将J分割成面积大致相等的N个圆环，按从小到大的次序对圆的半径编号，设^ (I ^ i ^N)为第i个圆的半径，那么第N个圆的半径为 2,t其中丨t表示向下取整运算，接着计算圆环平均面积J= ，于是得到第I个γΛμιι , L-JL n J圆的半径为第 j 个圆的半径为+ (j=2，3，4，...，N-l);Sp(x，y) V π\ π(I彡X彡Μ，I彡y彡Μ)为J的第y行第X列的像素值，用(X。，y。)表示图像中心坐标，如果 M 为偶数，取 xc=M/2+0. 5 和 y。= M/2+0. 5，否则取 Xc= (M+1) /2 和 yc (M+1) /2，计算 p (x, y)到图像中心的欧氏距离=-sl(x-xc)2+(y-vc)2，根据像素距离值和圆半径的关系得到每个圆环的像素值，即 Ri=Ip (x, y) I dx’y ( rj 和 Rn= {p (x, y) Γη_!<(1χ^ ( rn} (η=2, 3，···，N),其中R1和Rn分别是第I和第η个圆环的像素值的集合； (5)提取圆环统计特征计算Ri(I ^ i ^N)的均值、方差、偏斜度和峭度并用nii、Vi,Si 和 ki 表，于疋丫守到 4 个向早.，即 πι_ [nii，j · · ·，、v— [v丨，v。，· · ·，Vn]、s_ [s!，s。，· · ·，s^]和 Ii=Ek1, k2,. . . , kN]； (6)特征归一化分别对m、v、s和k的元素归一化并将结果记为mW1)^1)和k(1)，即111广)=(1]1厂4 J/ δ m、v；^)=(vi-y V)/ δ ν、8 ω=(8 -μ s) / δ s 和 1^ω=(1 「μ k) / δ k( I 彡 i 彡 N),其中μ μ ν、μ s和μ k分别是m、v、s和k的均值，δ m> δ ν、δ s和Sk分别为它们的标准差，iV1)、v/1)、Si00和k/1)分别是!!!⑴^⑴^⑴和k(1)的第i个元素； (7)计算特征距离分别计算m(1)、v(1\s(1)和k(1)的均值并把它们作为参考特征，即am=TfXv^、as =^7乞*^(1)和ak =，接着计算各圆环特征与参考特征 N f=iN j=iN j=iN f=i的欧氏距离 Λ =) +Of-av)2 +(#) - as)2 + {kL) - akf,于是得到图像Hash H=Lh1, h2J. . . , hN]； (8)相似性判断设h(1)和一为两个图像Hash，计算它们的L2范数^#,1/ ,(2)|2，￥ ^=I其中h/1)和h/2)分别是h(1)和h(2)的第i个元素，如果d小于设定阈值τ，认为h(1)和h(2)所对应的图像相同，否则认为是不同图像。
全文摘要
本发明涉及一种基于圆环统计特征的抗旋转图像Hash方法，先用双线性插值法规格化图像尺寸；再用高斯低通滤波器处理图像；如果是彩色图像，将其转换到YCbCr颜色空间并取亮度分量表示；接着将图像分割成若干个圆环，提取每个圆环的均值、方差、偏斜度和峭度等统计量作为特征；然后对统计特征归一化；再计算各统计量的均值并以此作为参考，最后计算圆环统计特征与参考特征的欧氏距离，串连所有距离值即为图像Hash；判断相似性时，计算两个Hash的L2范数，如果小于设定阈值，认为其对应的图像相同，否则认为是不同图像。本发明对图像旋转、JPEG压缩、噪声干扰、亮度调整、对比度增强等常见数字处理稳健并具有良好的唯一性。
文档编号G06T5/10GK102881008SQ20121029157
公开日2013年1月16日 申请日期2012年8月16日 优先权日2012年8月16日
发明者唐振军, 张显全, 张师超 申请人:广西师范大学