本文實例講述了Java實現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據采集，對采集的各自圖像直方圖進行歸一化再使用巴氏系數算法對直方圖數據進行計算，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，根據源圖像與候選圖像的像素數據，生成各自直方圖數據。第二步：使用第一步輸出的直方圖結果，運用巴氏系數（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的直方圖數組H，然后根據像素值完成頻率分布統計，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計以后，RGB彩色直方圖數據就生成了。
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，完成直方圖數據計算。
第二步：巴氏系數計算，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據，對每個相同i的數據點乘積開平方以后相加
得出的結果即為圖像相似度值（巴氏系數因子值），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程序設計有所幫助。
