报告人邵妍2012年5月14日.PPT

基于信息熵的商标图像检索 报告人：邵妍 2012年5月14日 图像的信息熵 假设有随机事件的集合为 ,它们的出现概率分别为 ，若满足条件： 则定义Shanon熵为： 不同形状的图像所包含的信息量是不同的。全白或者全黑的图像可以看做是必然事件，所包含的信息量为0.当图像各层亮度的象素出现的概率相等时，图像所包含的信息量越大，所以可以利用信息熵来描述图像形状。 图像的信息熵 图像的信息熵 设 是一个二维的图像象素矩阵，且 表示（x，y）处象素的亮度。若每个象素的亮度量化为K层，图像的各个象素是独立的，且亮度为L的象素出现的概率为 ，则图像的信息熵为 对于二值图像， 代表背景像素点， 代表图像目标象素点。则图像的信息熵可以写成：其中， 图像的信息熵 分块求熵矢量 根据Shanon熵的性质可知，二值图像的熵 只与图像中的图像像素点和背景空白像素点的数目有关，而与像素点的位置无关。因此两幅图像像素点相同，则熵必相同，但形状不一定相同。因此，还需要通过像素点分布在不同空间的信息熵来判断两幅图像的形状相似度。 解决这一问题的常用方法就是对图像分块，通过计算两幅图像中不同小块的熵组成的熵矢量之间的距离来衡量图像间的差异。 分块求熵矢量 等距离分块 等面积分块 四叉树分块 分块求熵矢量 主要步骤： 1.计算F（x，y）的基准点，即图像的重心 ； 2.计算F（x，y）中，目标象素到基准点的最大距离 ； 3.以图像的基准点为圆心，以 为半径得到目标区域的外接圆； 4.在外接圆内，使用等面积区域划分法或者等距离区域划分法将目标区域划分为M个子图像。 分块求熵矢量 等距离划分即每个子图所覆盖的距离区间的长度相等，即： 等面积划分即每个子图像所包含的面积是相等的，即： 实 验 实验 数据库： 2500幅二值商标图像，其中100幅为训练图像，2400幅为测试图像。 其中，训练图像是由测试图像中的十幅图像经过旋转，缩放等变形而来。 实验 实验一： 从100幅变形图像中任选一幅图像，在整体100幅中检索其相似图像，并输出检索结果中最相似的前10幅图像，查看在这10幅图像中与其相近的10幅图像占几幅，以及它们所处的位置。 实验 在100幅变形图像中，使用整体图像熵进行检索结果如下： 使用等距离分块求熵矢量的方法进行检索结果如下：block_num=10：block_num=15： 使用等面积分块求熵矢量的方法进行检索结果如下：block_num=10：block_num=15： 实验 实验结论： 通过实验可知，整体信息熵的查全率为30.3%，等距离分块求信息熵的查全率为55.8%，等面积分块求信息熵算法的查全率为62.4%，因此可以看出通过分块求熵矢量来衡量两幅图像的差异比直接用整幅图像的信息熵衡量的效果要好很多； 而等面积分块比等距离稍微好一点点； 当block_num为15的时候，检索过程比分块数为10时计算量增大了一些，但检索结果并没有改善。 实验 实验二： 对100幅变形图像分别在2400幅的图像库中搜索其源图像，统计在检索结果前十位出现源图像的数目 实验 检索结果 检索算法 正确率 分块信息熵 49 模糊方向（36） 69 Legendre（36） 77 Zernike（36） 82 Pseudo-Zernike（36） 89 通过实验可知，虽然分块信息熵的检索结果没有其他几种检索结果好，但由于其计算简单，计算速度较其他几种方法快很多，可用于多特征融合中。 Thanks! * * 通过这种方式，每个关键点即可获得4x4x8=128维。 * * 通过这种方式，每个关键点即可获得4x4x8=128维。