本發(fā)明涉及影像處理技術(shù)領(lǐng)域，具體地說，涉及一種多幅影像間的快速相似度計(jì)算方法。
背景技術(shù)：
高分辨率影像在進(jìn)行特征提取之后，需要通過特征匹配來建立相似關(guān)系，并計(jì)算相似度。計(jì)算相似度的算法如果性能不高，會(huì)嚴(yán)重影響建立在此技術(shù)路線之上的應(yīng)用。如果是多張影像兩兩計(jì)算，性能更差?，F(xiàn)有的算法，當(dāng)影像的特征點(diǎn)個(gè)數(shù)在1000以內(nèi)時(shí)，相似度的計(jì)算性能基本沒問題。但當(dāng)特征點(diǎn)數(shù)目急劇增加時(shí)，性能就會(huì)陡降。因?yàn)橛?jì)算和特征點(diǎn)個(gè)數(shù)的關(guān)系，是指數(shù)相關(guān)。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于克服上述技術(shù)存在的缺陷，提供一種多幅影像間的快速相似度計(jì)算方法，該方法可以在sift特征點(diǎn)匹配的基礎(chǔ)上，快速的計(jì)算出多張影像之間的相似度，提供O(k2n2)復(fù)雜性的算法，k是常量，n是影像個(gè)數(shù)。
其具體技術(shù)方案為：
一種多幅影像間的快速相似度計(jì)算方法，包括以下步驟：
輸入：影像集合p＝{imagei}，i＝1，2...n,f＝{featurei}，i＝1，2...m；
輸出：影像兩兩相似度矩陣Sim[pi，pj]；
步驟1 computeTrack()：計(jì)算每一個(gè)影像的SIFT特征點(diǎn)的idf；
步驟2 構(gòu)造K個(gè)hash函數(shù)；
步驟3 對所有影像進(jìn)行K次哈希求值；
步驟4 foreach imagei and imagej；
步驟5 Sim[pi，pj]＝imagei和imagej之間的相似度sim(pi，pj)；
步驟6 endfor。
進(jìn)一步，步驟1中computeTrack()計(jì)算每一個(gè)影像的SIFT特征點(diǎn)的idf倒排索引，輸出的就是各個(gè)特征點(diǎn)在各個(gè)影像上的分布情況的稀疏矩陣。
進(jìn)一步，步驟2中構(gòu)造K個(gè)hash函數(shù)，此處定義K＝50，哈希函數(shù)是單向映射函數(shù)，選擇標(biāo)準(zhǔn)較為寬泛，只要能夠從[0..R-1]映射到[0..R-1]即能采用，主要的目標(biāo)就是均勻的覆蓋所有值域區(qū)間。利用哈希函數(shù)生成器，指定映射的范圍，能方便生成指定數(shù)目的哈希函數(shù)。
進(jìn)一步，步驟3中哈希求值：使用這K個(gè)hash函數(shù)，對每個(gè)影像中的每個(gè)特征點(diǎn)進(jìn)行哈希求值，記為h(featurei)，i＝1，2...m。每個(gè)影像imagei都得到K個(gè)hmink(imagei)，hmink(imagei)是影像imagei中的特征點(diǎn)元素經(jīng)過hash函數(shù)變換后，具有最小哈希值的特征點(diǎn)元素featurei，此時(shí)每個(gè)影像維度為K，比原有的影像上特征點(diǎn)維度n大大降低了。
進(jìn)一步，步驟4中影像imagei和影像imagej之間的相似度計(jì)算，采用如下公式：
sim(pi，pj)＝
|hmink(imagei)∩hmink(imagej)|/hmink(imagei)∪hmink(imagei)
即在K個(gè)最小哈希值中求出交集和并集之比，即為兩個(gè)影像的相似度。
與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：
本發(fā)明可以在sift特征點(diǎn)匹配的基礎(chǔ)上，快速的計(jì)算出多張影像之間的相似度，提供O(k2n2)復(fù)雜性的算法，k是常量，n是影像個(gè)數(shù)。
具體實(shí)施方式
為了使本發(fā)明實(shí)現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié)合具體實(shí)例進(jìn)一步闡述本發(fā)明。
輸入：影像集合p＝{imagei}，i＝1，2...n,f＝{featurei}，i＝1，2...m；
輸出：影像兩兩相似度矩陣Sim[pi，pj]；
1 computeTrack()：計(jì)算每一個(gè)影像的SIFT特征點(diǎn)的idf；
2 構(gòu)造K個(gè)hash函數(shù)；
3 對所有影像進(jìn)行K次哈希求值；
4 foreach imagei and imagej；
5 Sim[pi，pj]＝imagei和imagej之間的相似度sim(pi，pj)；
6 endfor。
對上述算法進(jìn)行說明如下：
1)computeTrack()計(jì)算每一個(gè)影像的SIFT特征點(diǎn)的idf(倒排索引)，輸出的就是各個(gè)特征點(diǎn)在各個(gè)影像上的分布情況的稀疏矩陣。
2)構(gòu)造K個(gè)hash函數(shù)，此處定義K＝50。因?yàn)楣：瘮?shù)是單向映射函數(shù)，所以選擇標(biāo)準(zhǔn)較為寬泛，只要能夠從[0..R-1]映射到[0..R-1]即可采用，主要的目標(biāo)就是均勻的覆蓋所有值域區(qū)間。利用哈希函數(shù)生成器，指定映射的范圍，可以方便生成指定數(shù)目的哈希函數(shù)。
3)哈希求值：使用這K個(gè)hash函數(shù)，對每個(gè)影像中的每個(gè)特征點(diǎn)進(jìn)行哈希求值(每個(gè)特征點(diǎn)包含的信息有對應(yīng)的影像序列，像點(diǎn)坐標(biāo))，記為h(featurei)，i＝1，2...m。每個(gè)影像imagei都得到K個(gè)hmink(imagei)，hmink(imagei)是影像imagei中的特征點(diǎn)元素經(jīng)過hash函數(shù)變換后，具有最小哈希值的特征點(diǎn)元素featurei。此時(shí)每個(gè)影像維度為K，比原有的影像上特征點(diǎn)維度n大大降低了。
4)影像imagei和影像imagej之間的相似度計(jì)算，采用如下公式：
sim(pi，pj)＝
|hmink(imagei)∩hmink(imagej)|/hmink(imagei)∪hmink(imagei)
即在K個(gè)最小哈希值中求出交集和并集之比，即為兩個(gè)影像的相似度。實(shí)際上直接利用Jacarrd距離算出兩個(gè)影像的近似相似度，在實(shí)驗(yàn)中驗(yàn)證是足夠使用的，因?yàn)橛行┯跋裢耆珱]有重疊度，這種影像間的相似度計(jì)算本應(yīng)該采取快速的方式處理，相反如果用里面所有的SIFT特征點(diǎn)做蠻力比較，效率將會(huì)非常低下。
使得影像分辨率在非常大的情況下，也可以提供一個(gè)快速的相似度計(jì)算，算法的時(shí)間復(fù)雜度為O(nk)。其中，n是匹配點(diǎn)個(gè)數(shù)，k是個(gè)常數(shù)值。
和多幅影像比較知名的相似度匹配算法Farenzena算法進(jìn)行了對比。Farenzena的方法需要計(jì)算特征點(diǎn)的串點(diǎn)信息之外，還需要在每張圖像上計(jì)算出其包含的凸包范圍以及兩兩圖像對間特征點(diǎn)的交集，計(jì)算復(fù)雜度是O(m2n2)，m和n分別為影像數(shù)量和匹配點(diǎn)數(shù)量。相比之下，minhash基于局部hash的特征比較，計(jì)算維度為固定的K維，即hash函數(shù)的個(gè)數(shù)，這個(gè)數(shù)量遠(yuǎn)比特征點(diǎn)的個(gè)數(shù)要小，算法復(fù)雜度為：T(n)＝O(Kn)+O(K2n2)＝O(K2n2)。
在分辨率高的圖像上，K的大小遠(yuǎn)小于m，因此這種方法相似度比較的性能會(huì)明顯高一個(gè)數(shù)量級(jí)。在進(jìn)行這兩種方法的性能對比時(shí)，采用50張左右的圖像進(jìn)行相似度計(jì)算，對原始的5000×4000圖像通過重采樣生成不同分辨率的圖像，并分別使用SIFT提取特征點(diǎn)，并使用線性hash函數(shù)生成器，生成100個(gè)hash函數(shù)分別將特征點(diǎn)ID映射到0-1的范圍中去。在表1中，使用了5組圖像進(jìn)行相似度計(jì)算的耗時(shí)比較，可以發(fā)現(xiàn)采用Farenzena的方法，在特征點(diǎn)數(shù)小于1000時(shí)，和minhash算法的性能基本相當(dāng)，但當(dāng)特征點(diǎn)數(shù)目變得特別多的時(shí)候，性能差異就非常的明顯。
表1
以上所述，僅為本發(fā)明最佳實(shí)施方式，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明披露的技術(shù)范圍內(nèi)，可顯而易見地得到的技術(shù)方案的簡單變化或等效替換均落入本發(fā)明的保護(hù)范圍內(nèi)。