[发明专利]一种基于稀疏表示的近似图像重复检测方法

说明书

技术领域

本发明属于图像近似重复检测领域，涉及一种基于稀疏表示的并行化的图像近重复检测方法，可以高效并准确的对海量图像集提取近重复图像集合。

背景技术

随着移动互联网和数码相机的发展，人们越来越多的将拍摄的多媒体数据分享到互联网上，由于拍摄者的位置、拍摄的对象、角度的相同，从而导致了互联网上出现了大量的相似的图片。通过提取这些相似图像集不仅可以对图像检索结果进行去重过滤，同时在许多图像处理领域如图像聚类、图像识别、图像分类等也是重要一步。

通常近似重复图像是由某幅原图像通过某些近似重复图像变换得到的，一般可以产生近似重复图像的变换包括平移、缩放、选择、图像色调的变化、添加文字、格式变化、分辨率变化等等。而近重复图像检测是指给定查询图像，在数据集中找到与此图像的近重复图像，或是提取出数据集中所有近重复图像子集。目前，大多数的近重复图像检测是采用Bag-of-words和LSH方法构建系统。Bag-of-words模型是将每幅图像的局部特征利用训练好的字典映射为一个视觉词频直方图向量。基于Bag-of-words的图像表示模型方法一般包括3部分：1)提取图像的局部特征；2)通过聚类图像集的局部特征，构建视觉字典；3)映射每幅图的局部向量为一个词频直方图。LSH(Locality-Sensitive Hashing)是一种对高维数据建立索引的随机方法，以一定的查找准确率为代价，在高维数据空间中进行近似线性的查找，返回查询数据的近似最近邻数据。它的基本思想是通过一组哈希函数将输入数据点映射到各个桶中，并保证近邻的数据点以较大的概率映射到同一个桶中，相距较远的数据点以较小的概率映射到同一个桶中，这样一个查询数据点所在桶中的其它数据点就可以被看做是这个查询数据的近邻点。然而由于BOW模型对于局部特征过于严格的界定和LSH以准确度换效率的特性往往导致检测的结果无法让人满意。此外，已有的近重复图像检测系统一般是采用单节点进行运算，随着数据量爆炸式的增长，单节点系统已经远远不能满足目前的应用需要。因此，多节点的并行计算就成为了必然选择，在众多的分布式框架中，以HADOOP系统最为稳定和高效。

发明内容

针对上述现有技术中存在的问题，本发明的目的在于，提出一种针对大规模图像集的基于稀疏表示的分布式图像近似重复集提取系统及方法。该方法不仅能够提升处理大规模图像集的效率，并且与传统方法相比可以有效的提高检测结果的正确率。

为了实现上述任务，本发明采用以下技术方案：

一种基于稀疏表示的近似重复图像检测方法，该方法基于hadoop分布式计算框架提出，该检测方法包括如下步骤，获取图像集I中所有图像的IDF加权稀疏编码g′，其中I＝(I₁,I₂,...,I_i,...，I_w,…,I_z,…,I_R)，I_i的IDF加权稀疏编码为g_i′，g_i′∈g′,i为大于等于1的自然数，w为大于i的自然数,z为大于w的自然数,R为大于z的自然数,其特征在于，方法还包括：

(1)提取图像I_i的IDF加权稀疏编码g_i′中的非零元素；g_ik′∈g_i′，k为大于等于1的自然数，g_i′内的非零元素为(g_iu′,...，g_iv′)，设非零元素为m个，m为大于等于1的自然数，m≤k,g_iu′≠0,g_iv′≠0,u为大于等于1的自然数，v大于等于1的自然数，k>v>u；

(2)建立k个组，分别命名为:其中，为空矩阵；

(3)利用(式1)的矩阵变换，将图像I_i的IDF加权稀疏编码g_i′分别散列到非零元素的下标(u,...,v)对应的m个组里；

(4)利用计算步骤(3)所得m组中的每个组中每对图像<I_i,I_j>IDF加权稀疏编码的相似度Y，若Y大于0.7，则图像<I_i,I_j>为相似图像对；