一种基于简单线性迭代聚类和显著区域的图像哈希方法

本发明涉及图像处理，特别是一种基于简单线性迭代聚类和显著区域的图像哈希方法。

背景技术：

1、近年来，随着互联网技术的发展和图像编辑软件的普及，海量的图像在互联网上传播，因此难免会出现图像被恶意编辑的情况，需要专门的技术对图像进行检索和分类，图像哈希从图像中提取特征，并用一串简短的数字序列代表图像的实质内容，已广泛应用于图像检索、拷贝检测和图像认证等领域。鲁棒性和唯一性是图像哈希的两个基本属性，鲁棒性指图像经内容保持操作后对应的图像哈希没有显著变化，唯一性指不同图像的图像哈希有显著差异。

2、完整的稳健图像哈希算法通常包含预处理、特征提取和哈希生成三部分，其中特征提取是哈希算法的核心，是算法整体性能高低的关键，颜色特征和显著特征是两种重要的图像特征，基于颜色特征的哈希算法中，qin等人结合颜色向量角和局部纹理特征构造哈希，该算法具有较好的鲁棒性。白洁等人利用四元数拉盖尔矩处理彩色图像，并结合三维结构特征构造紧凑的哈希序列。shen等人利用图像对立色提取颜色特征，又用四叉树分解提取结构特征，两者连接生成的哈希在篡改检测和定位方面表现良好。基于显著特征的哈希算法中，liang等人利用视觉显著性检测算法提取图像的显著图，再利用二维pca对显著图降维，最后结合向量距离构造哈希，该算法对除旋转攻击外的内容保持操作有较好的鲁棒性。凌曼等人通过itti视觉显著模型和局部线性嵌入构造哈希，该算法有较好的鲁棒性和分类性能。liang等人利用频率调谐视觉显著模型计算图像的显著图，并通过等距映射技术从显著图中提取显著特征构造图像哈希，该算法在图像拷贝检测领域有较好的应用。

技术实现思路

1、鉴于现有的基于简单线性迭代聚类和显著区域的图像哈希方法存在的问题，提出了本发明，现有算法在鲁棒性和唯一性之间没能达到很好的平衡。

2、因此，本发明所要解决的问题在于如何提供一种基于简单线性迭代聚类和显著区域的图像哈希方法。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种基于简单线性迭代聚类和显著区域的图像哈希方法，其包括，获取图像进行预处理，利用改进线性迭代聚类slic对图像进行超像素分割，计算每个超像素区域的四元数模均值作为颜色特征序列；利用优化后的基于区域对比的显著性检测算法提取图像的显著图，并用pca-lle对显著图进行降维，通过向量距离得出显著特征序列；将颜色特征序列和显著特征序列连接起来并通过伪随机排列得到最终图像哈希序列，计算汉明距离，验证图像相似度。

5、作为本发明所述基于简单线性迭代聚类和显著区域的图像哈希方法的一种优选方案，其中：所述预处理包括通过双线性插值将输入图像规格化为相同尺寸m，再通过高斯低通滤波降低噪音和压缩对图像的影响，所述高斯低通滤波通过卷积掩膜实现，相关计算公式如下：

6、

7、式中，tgaussian(i,j)是卷积掩膜的第i行第j列的元素，σ是卷积掩膜中所有元素的标准差。

8、作为本发明所述基于简单线性迭代聚类和显著区域的图像哈希方法的一种优选方案，其中：所述超像素分割包括使用改进线性迭代聚类slic将图像分割为k1个超像素区域；计算分割区域内各个像素的四元数模，并取均值qi组成图像的颜色特征矩阵q＝[q1,q2,...,qk1]，将颜色特征矩阵二值化，得到颜色特征序列hc(i)，相关计算公式如下：

9、

10、

11、式中，fr(x,y)、fg(x,y)和fb(x,y)分别代表彩色图像f(x,y)的红色、绿色和蓝色分量。

12、作为本发明所述基于简单线性迭代聚类和显著区域的图像哈希方法的一种优选方案，其中：所述显著性检测算法包括利用改进线性迭代聚类slic将图像分割为k2个超像素区域，计算每个超像素区域的显著性值，将像素坐标和像素点亮度值归一化，相关计算公式如下：

13、

14、

15、式中，ds(rk,ri)代表区域rk和ri的质心间欧式距离，控制其他区域对当前区域的影响，取值为0.4，ω(ri)等于区域ri中的像素数，代表区域ri的权重，dl(r1,r2)为两个区域间的亮度差度量，f(lt,i)为第t个超像素区域所有亮度中第i种亮度lt,i出现的概率，t＝{1,2}。

16、作为本发明所述基于简单线性迭代聚类和显著区域的图像哈希方法的一种优选方案，其中：求得大小为m×m的显著图后，将显著图分割成大小为m×m的非重叠块，图像块总数为n＝(m/m)2；将每个图像块中的所有元素组成m2×1的高维向量，所有高维向量顺序排列得到大小为m2×n的二次图像；对二次图像应用k近邻点、d降维维数的pca-lle算法，得到大小为d×n的降维矩阵y。

17、作为本发明所述基于简单线性迭代聚类和显著区域的图像哈希方法的一种优选方案，其中：所述pca-lle算法具体包括，假设初始样本集x＝[x1,x2,...,xn]，近邻点个数为k，降维到的维数为d，对初始样本集中心化；以欧式距离为度量，求出中心化后的样本点xi的k个近邻点[xi1,xi2,...,xik]，求出局部协方差矩阵zi和对应的权重系数向量wi，构成权重系数矩阵w，对矩阵g进行特征值分解，取最大的d个特征值对应的特征向量构成矩阵h，求得降维后的矩阵y，相关计算公式如下：

18、xi＝[xi1-xi,xi2-xi,...,xik-xi]t,

19、s.t.wi1k＝1

20、m＝(i-w)t(i-w)

21、g＝x(i-γm)xt

22、y＝htx

23、

24、式中，1k为k维全1向量，i为单位矩阵，γ取0.2，vi为欧式距离；计算降维矩阵y的各列均值y0(i)，用y0(i)构成参考矩阵r＝[r1,r2,...,rn]，其中ri是由d个y0(i)组成的d×1向量；计算参考矩阵r与降维矩阵y列与列之间的欧氏距离，并生成图像的显著特征，将显著特征二值化，得到显著特征序列hs。

25、作为本发明所述基于简单线性迭代聚类和显著区域的图像哈希方法的一种优选方案，其中：所述最终图像哈希序列由颜色特征序列和显著特征序列连接得到中间哈希h＝[hc,hs]，在密钥控制下，利用伪随机发生器生成的l个伪随机数组成的数组u，对h的列进行置乱，得到最终图像哈希序列h(i)，如下式所示：

26、h(i)＝h(u[i])

27、式中，u(i)是伪随机数序列u的第i个元素。

28、作为本发明所述基于简单线性迭代聚类和显著区域的图像哈希方法的一种优选方案，其中：所述汉明距离用于计算哈希距离，当两个哈希序列间的汉明距离小于设定的阈值时，则对应的图像被认为是相似图像，当两个哈希序列间的汉明距离大于设定的阈值时，则对应的图像被认为是不同图像，设h1(i)和h2(i)为两幅图像生成的哈希序列，相关计算公式如下：

29、

30、式中，d为两者间的汉明距离。

31、第二方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述基于简单线性迭代聚类和显著区域的图像哈希方法的任一步骤。

32、第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述基于简单线性迭代聚类和显著区域的图像哈希方法的任一步骤。

33、本发明有益效果为采用了超像素分割和颜色特征序列提取，使得该方法对图像中的噪声和一定程度的变形有较好的容忍性，超像素的使用可以减少噪声的影响，而四元数模均值的计算可以对颜色变化具有较好的适应性，这使得该方法在处理真实世界图像时更加稳健；图像哈希序列的计算过程确保了每个图像都对应一个唯一的哈希码，保证了不同图像具有不同的哈希序列，从而避免了可能出现的哈希冲突，这在图像拷贝检测等场景中尤其重要；可以将图像转化为哈希序列，通过计算汉明距离来衡量图像之间的相似程度，使得图像检索更加高效，快速找到与目标图像相似的图像，具有实际应用价值；由于唯一性和哈希序列的敏感性，该方法可以用于检测是否存在重复、篡改或复制的图像。这在版权保护和图像安全方面具有潜在的用途；在图像检索、图像拷贝检测等领域的应用提供了良好的基础，为图像处理和计算机视觉领域的研究和实际应用带来了新的可能性。