Java基于直方圖應用的相似圖片識別實例

更新時間：2014年09月25日 10:55:12 投稿：shichen2014

這篇文章主要介紹了Java基于直方圖應用的相似圖片識別實例,是非常實用的技巧,多見于圖形里游戲中,需要的朋友可以參考下

本文實例講述了Java實現(xiàn)基于直方圖應用的相似圖片識別，是非常實用的技巧。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行直方圖數(shù)據(jù)采集，對采集的各自圖像直方圖進行歸一化再使用巴氏系數(shù)算法對直方圖數(shù)據(jù)進行計算，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，假設像素值為124，則H[124] += 1, 而對于彩色RGB像素來說直方圖表達有兩種方式，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RGB三種顏色，定義三個直方圖HR,HG, HB, 假設某一個像素點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表示稍微復雜點，每個顏色的值范圍為0 ~ 255之間的，假設可以分為一定范圍等份，當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4等份時候，每個等份值的范圍為64，假設RGB值為(14, 68, 221), 16等份之后，它對應直方圖索引值(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：

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：

/** 
 * 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程序設計有所幫助。

您可能感興趣的文章: