基于综合特征的商标图像检索a.docVIP

基于综合特征的商标图像检索方法 摘要： 针对二值商标图像，提出了一种基于轮廓的特征描述方法——角点直方图，此方法考虑了轮廓像素点的位置特征，获得较好的检索效果。首先根据图像边缘像素点在8邻域内的其它边缘像素点计算角点的方向角度，将角点分为方向角度为45o、90o、135o和180o的4种不同类型，并建立角点直方图，然后根据角点直方图和HU矩特征进行图像检索。实验证明，此特征具有较好的旋转不变形、尺度不变形和平移不变形，同时，使用此特征和HU矩作为综合特征可以获较好的检索效果。 关键词：图像检索 HU矩 方向角度 角点直方图 综合特征 1．引言 商标是商品经济的产物，是商品的一个重要标识，不允许侵犯或者混同，并且注册商标受到法律的保护。近年来，由于注册商标的数目不断增加，人工已经难以胜任大量商标的相似性比较，因此建立一种准确高效的商标自动检索系统具有重要的意义。传统的商标图像检索是通过关键词进行人工查找，这种方法效率低而且误差较大。90年代初期，研究者提出了基于内容的图像检索（content-based image retrieval,CBIR），通过提取图像的内容特征实现图像的检索。目前，基于内容的商标图像检索是CBIR的一个重要研究方向。基于内容的图像检索算法研究非常活跃，国内外的CBIR研究成果颇多，基于高层语义特征或低层各特征的图像检索均取得了较好的成绩。如陈久军等[1]通过研究面向语义检索的图像内容描述机制，提出了XML驱动的图像语义检索框架，该方法具有较好的语义检索性能。李清勇等[2]基于统计方法和视觉感知机制，提出一种新型的纹理特征----独立纹元矩。 形状特征主要分为轮廓特征和区域特征。轮廓特征根据图形的边缘像素提取图像特征，从视觉生理角度来讲，这类算法更接近人类形状识别机理，一般认为，基于轮廓的描述子性能好于其他形状描述子，是图像检索特征的首选。对于二值图像的轮廓特征来说，形状是由各边缘像素点的位置决定的，考虑轮廓像素点之间的空间位置特征，针对二值商标图像的检索，本文提出了一种新的基于轮廓的特征描述方法，不仅计算简单，而且直观地反映了图像的轮廓特征。 2．综合特征的图像检索算法 2.1商标图像检索流程图 图1描述了本文的检索算法的流程。首先，对商标图像库中的商标图像进行图像预处理和特征提取，将提取出来的特征值存入图像特征库。当需要检索一个商标图像时，首先对查询图像进行预处理和特征提取，然后对特征库中的商标图像进行特征匹配，找出相似的图像作为检索结果。 图 1 图像检索系统架构 2.2 特征提取 对于二值商标图像，形状特征是最主要特征。1962年，Hu提出了图像识别的不变矩理论，用7个Hu不变矩来表征图像的形状[3]。这些矩对于平移、缩放和旋转的变化不敏感，反映了区域的共有特性，已经广泛用于形状特性的描述。HU M.K.证明了这个矩组中的~具有尺度、平移和旋转不变性；而只具有尺度和平移不变性，却不具有旋转不变性，仅在镜面对称时保持不变。 HU是基于区域的一种方法，形状的区域特征还有面积、欧拉数、离心率等，相对于区域特征，轮廓特征更符合人类的视觉感受。 2.2.1 图像边缘检测 在提取角点直方图特征之前，首先检测二值商标图像的边界像素点。目前提取边缘的常用算法是通过canny算子进行边缘检测，但是对于二值图像，唐振军等提出了一种更加简单快速的方法，且获得的边界同样是单像素点[4]。对于每一个目标像素点，判断其4邻域是否存在背景像素点，如果存在背景图像，即为边界像素。如果4邻域像素都为目标像素点，则此不是边界像素。如图2所示，对于目标像素P像素，如果像素P1、P2、P3、P4都为目标像素，则P像素不是边界像素。如果其中之一为背景像素，则像素P为边界像素。此算法较canny算法具有运算量小，效率高等优点，对于二值图像来说是一个较好的边缘提取算法。 图 2 如图3，图a是原图，图 b是边缘提取后的边缘像素图。实验证明，提取的边缘是单像素点且没有断点出现。 图 3二值图像边缘提取效果 2.2.2 角点直方图 提取边缘像素点后利用边缘像素点8邻域内的邻点计算方向角度，从而建立角点直方图。设边缘提取后的图像上边界点序列为，p为像素点总数。每个点的8邻域内边缘像素点数量为N，当或时，认为点不是角点。当N=2时，认为是角点。角点的方向角度定义如下： 每个边缘像素点作为顶点，相邻的两个像素点作为边，所构成的夹角的角度就是角点的方向角度。角点的方向角度有四种：45o，90o，135o，180o。 每种方向角度对应多种情况：如90o： 再比如180o： 计算每一个角点的方向角度，然后统计每一个方向角度的角点数量，得到角点直方图。为了不受图像缩放影响，对直方图进行归一化处理： B[i]=B[i]/S 其中B[i]为角