[发明专利]一种基于区域形状特征的商标图像检索方法

说明书

技术领域

本发明涉及一种基于区域形状特征的商标图像检索方法，属于数字图像处理技术领域。

背景技术

由于本发明抽取的是二值数字图像的形状特征，对于现实中采集到的RGB彩色图像，在抽取图像特征前需要通过图像预处理将采集的所有图像均转化成二值数字图像(即黑白图像：形状区域像素值为1，背景区域像素值为0)。

图像的识别检索通常包括以下几个步骤：

特征抽取过程：

1、输入训练图像；

2、图像预处理，将输入的训练图像转化成二值图像；

3、按照特征抽取算法逐一抽取二值图像的区域形状特征；

4、对抽取的区域形状特征做必要的处理，并进行存储。

图像检索识别过程：

1、输入查询图像，对其进行预处理，将其转换成二值图像；

2、抽取二值化的查询图像的区域形状特征，并做相应处理；

3、按照匹配相似度度量准则，计算查询图像特征向量与训练图像的距离；

4、对上述计算得到的所有度量距离进行排序，检索识别查询图像。

目前最常用的图像区域形状描述方法分为两个大类：基于边界的方法和基于区域的方法。基于边界的形状描述方法利用的是图像的边界特征，如：轮廓线特征等，往往要求研究区域的轮廓线闭合、区域连通，提取的是区域形状的局部特征；基于区域的形状描述方法利用的是形状区域中的每一个像素点的特征，不仅考虑了区域形状的边界像素特征，还研究了区域形状的内部结构，抽取的是区域形状的全局特征。

在研究区域形状特征时，主要是提取一些兴趣点的特征，然后根据提取的兴趣点特征构建特征向量，进行图像检索。按照是否把图像分割成更小的区域，可以把基于区域的描述方法划分为：全局特征描述方法和结构化特征描述方法。表1给出了常用的区域 形状特征的描述方法及其分类。

表1.一些经典的区域形状描述方法及其分类

对以上经典的区域形状描述方法的部分常用方法进行具体分析：

(1)几何不变矩(Hu矩)根据图像的灰度值分别函数定义零阶矩、高阶将和中心矩，利用二阶和三阶中心矩导出7个具有平移不变性、旋转不变性和比例不变性的矩组。用Hu矩组成的特征量能够快速地识别图像，但是Hu矩特征的识别率较低。Hu不变矩的高阶矩的抗噪性差，一般只用其低阶矩，而低阶Hu矩无法准确描述图像的细节信息，导致对图像的描述不完整。因此，Hu不变矩不能描述复杂的图像文理特征，一般用来描述图像的形状，对图像中大的物体(如：水果形状、车牌中的简单字符等)的识别效果会相对好一点。

(2)Zernike不变矩

对于二维函数f(x，y)的Zernike矩的定义：

式中：n是非负整数，n-|m|是偶数，并且n≥|m|；R_nm(ρ)表示点(x，y)的径向多项式；ρ为原点到点(x，y)的矢量长度，即θ为ρ矢量与x轴在逆时针方向的夹角，即θ＝arctan(y/x)(-1＜x，y＜1)。

对于图像大小为N×N的数字图像，其Zernike矩的实部C_nm和虚部S_nm可以写成如下离散形式：

Zernike不变矩能够构造图像的任意高阶矩特征，更好地描述图像的细节信息，用少量的矩特征就能还原、重构图像。与Hu不变矩相比，Zernike不变矩的图像识别效果更好，且表达简洁，冗余较少，被广泛应用于目标识别研究当中。但是Zernike不变矩的高阶矩易受噪声干扰，变化较大，且其各阶矩分量与形状的视觉特征的相关性不紧密，不易直观地观察矩分量对区域形状的描述。

(3)凸包算法根据兴趣点的分布将任意的二值图像分割成多个凸包，然后对各个凸包进行特征提取，最后联合各个凸包的特征进行图像检索识别，该算法的计算复杂度相对较低，但是在凸包划分时容易造成像素点的缺失或重复。

(4)AHDH算法递归地计算几何质心，利用图像的分层分解技术将图像分割成多个子区域；同时计算每个区域的绝对密度和相对密度特征，构造区域形状特征的密度直方图作为二值图像的特征描述子。