本文實(shí)例講述了Java實(shí)現(xiàn)基于直方圖應(yīng)用的相似圖片識別，是非常實(shí)用的技巧。分享給大家供大家參考。具體分析如下：
一、算法概述：
首先對源圖像與要篩選的圖像進(jìn)行直方圖數(shù)據(jù)采集，對采集的各自圖像直方圖進(jìn)行歸一化再使用巴氏系數(shù)算法對直方圖數(shù)據(jù)進(jìn)行計算，最終得出圖像相似度值，其值范圍在[0, 1]之間
0表示極其不同，1表示極其相似（相同）。
二、算法步驟詳解：
大致可以分為兩步，根據(jù)源圖像與候選圖像的像素數(shù)據(jù)，生成各自直方圖數(shù)據(jù)。第二步：使用第一步輸出的直方圖結(jié)果，運(yùn)用巴氏系數(shù)（Bhattacharyya coefficient）算法，計算出相似程度值。
第一步：直方圖計算
直方圖分為灰度直方圖與RGB直方圖，對于灰度圖像直方圖計算十分簡單，只要初始化一個大小為256的直方圖數(shù)組H，然后根據(jù)像素值完成頻率分布統(tǒng)計，假設(shè)像素值為124，則H[124] += 1, 而對于彩色RGB像素來說直方圖表達(dá)有兩種方式，一種是單一直方圖，另外一種是三維直方圖，三維直方圖比較簡單明了，分別對應(yīng)RGB三種顏色，定義三個直方圖HR,HG, HB, 假設(shè)某一個像素點(diǎn)P的RGB值為(4, 231,129), 則對于的直方圖計算為HR[4] += 1,HG[231] += 1, HB[129] += 1, 如此對每個像素點(diǎn)完成統(tǒng)計以后，RGB彩色直方圖數(shù)據(jù)就生成了。
而RGB像素的單一直方圖SH表示稍微復(fù)雜點(diǎn)，每個顏色的值范圍為0 ~ 255之間的，假設(shè)可以分為一定范圍等份，當(dāng)8等份時，每個等份的值范圍為32， 16等份時，每個等份值范圍為16，當(dāng)4等份時候，每個等份值的范圍為64，假設(shè)RGB值為(14, 68, 221), 16等份之后，它對應(yīng)直方圖索引值(index)分別為: (0, 4, 13), 根據(jù)計算索引值公式:index = R + G*16 + B*16*16
對應(yīng)的直方圖index = 0 + 4*16 + 13 * 16 * 16， SH[3392] += 1
如此遍歷所有RGB像素值，完成直方圖數(shù)據(jù)計算。
第二步：巴氏系數(shù)計算，計算公式如下：
其中P, P'分別代表源與候選的圖像直方圖數(shù)據(jù)，對每個相同i的數(shù)據(jù)點(diǎn)乘積開平方以后相加
得出的結(jié)果即為圖像相似度值（巴氏系數(shù)因子值），范圍為0到1之間。
程序效果如下圖所示：
相似度超過99%以上，極其相似
相似度為：72%， 一般相似
三、程序直方圖計算源代碼如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
|
public void setGreenBinCount(int greenBinCount) { this.greenBins = greenBinCount; } public void setBlueBinCount(int blueBinCount) { this.blueBins = blueBinCount; } public float[] filter(BufferedImage src, BufferedImage dest) { int width = src.getWidth(); int height = src.getHeight(); int[] inPixels = new int[width*height]; float[] histogramData = new float[redBins * greenBins * blueBins]; getRGB( src, 0, 0, width, height, inPixels ); int index = 0; int redIdx = 0, greenIdx = 0, blueIdx = 0; int singleIndex = 0; float total = 0; for(int row=0; row<height; row++) { int ta = 0, tr = 0, tg = 0, tb = 0; for(int col=0; col<width; col++) { index = row * width + col; ta = (inPixels[index] >> 24) & 0xff; tr = (inPixels[index] >> 16) & 0xff; tg = (inPixels[index] >> 8) & 0xff; tb = inPixels[index] & 0xff; redIdx = (int)getBinIndex(redBins, tr, 255); greenIdx = (int)getBinIndex(greenBins, tg, 255); blueIdx = (int)getBinIndex(blueBins, tb, 255); singleIndex = redIdx + greenIdx * redBins + blueIdx * redBins * greenBins; histogramData[singleIndex] += 1; total += 1; } } // start to normalize the histogram data for (int i = 0; i < histogramData.length; i++) { histogramData[i] = histogramData[i] / total; } return histogramData; } |
計算巴氏系數(shù)的代碼如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
/** * Bhattacharyya Coefficient * http://www.cse.yorku.ca/~kosta/CompVis_Notes/bhattacharyya.pdf * * @return */public double modelMatch() { HistogramFilter hfilter = new HistogramFilter(); float[] sourceData = hfilter.filter(sourceImage, null); float[] candidateData = hfilter.filter(candidateImage, null); double[] mixedData = new double[sourceData.length]; for(int i=0; i<sourceData.length; i++ ) { mixedData[i] = Math.sqrt(sourceData[i] * candidateData[i]); } // The values of Bhattacharyya Coefficient ranges from 0 to 1, double similarity = 0; for(int i=0; i<mixedData.length; i++ ) { similarity += mixedData[i]; } // The degree of similarity return similarity; } |
希望本文所述對大家的Java程序設(shè)計有所幫助。
