专利名称：一种基于边缘重心特征的图像检索系统及其图像检索方法
技术领域：
本发明涉及一种应用于计算机的图像检索系统及方法，特别是涉及一种基于边缘重心特征的图像检索系统及其图像检索方法。
背景技术：
图像检索是一种信息检索技术，它是利用计算机的强大处理能力，从大容量的图像库中找到所想要的图像。现有的图像检索系统虽然有许多种，但大都包括有以下几个步骤步骤一，根据图像数值特征操作把大量的被检索图像生成特征量，并写入索引库；步骤二，通过了索引库，取出与作为检索要求的用户所给的关键字图像相似的图像；步骤三，通过比对之后，按照顺序给予显示，使得用户可以高效地找到所希望的图像数据；步骤四，结果反馈，系统根据这些反馈信息重新调整查询矢量，进行新的检索，使检索系统更加完善，提高用户检索的精度。
现有的这些图像检索系统由于它们所采用的特征量不同而被分成多种不同的系统，比如有基于形状特征的系统，也有基于颜色特征的系统，还有基于纹理特征的系统或形状、颜色、纹理组合特征的系统等等。由于现有的这些图像检索系统都是把关键字图像与被检索图像进行整图提取特征量，所以它们的检索也是把两张完整的图像进行比较，得出其相似值。也就是说，在现有的这些图像检索系统中，所面对的，是用整图的关键字图像来检索与整图的关键字图像相似的整像。
然而，在图像检索的实际应用中，人们并不仅仅是需要检索出整体相似的图像，也需要检索出一些局部相似的图像，比如，应用在检索某个厂商的产品图片(即图像)时，由于产品的多样性，同一个厂商的各产品图片是并不相同的，如果采用现有的以形状、颜色、纹理为特征的图像检索系统进行整图比较，就难以将同一厂商的不同产品图片检索出来，有些方法虽然可以检索出这些产品图片，但是，由于包含有大量的不相关的其它图片，还需进行大量的人工图片区别，使得这些方法难以推广应用。其实，众所周知，在厂商生产的产品图片上通常都会打上自己的商标或特有的标识符以视与其它厂商的产品的区别，在厂商生产的不同产品图片上应当都包含有该厂商的商标或特有的标识符，因此，如果能对图片进行局部的比较，找出具有相同局部特征的图片，就能将具有同一商标或特有的标识符的该厂商的不同产品图片查询出来，但是，现有的检索系统尚无法进行这样的检索。
发明内容
本发明的目的在于克服现有技术之不足，提供一种基于边缘重心特征的图像检索系统及其图像检索方法，它是以边缘重心为图像特征，通过将关键字图像的边缘重心的图像特征与检索图像的边缘重心的图像特征进行比较，可以从大量的图像数据中按顺序取出包含与作为检索要求的用户所给的关键字图像相似的图像数据并显示，是一种可以高效、准确地找到所包含相似的关键字图像的图像检索系统。
本发明解决其技术问题所采用的技术方案是一种基于边缘重心特征的图像检索系统，包括 输入单元，是在成为局部相似图像检索的检索图像数据与关键字图像数据的输入、及各种关键字输入中所使用的输入装置，用来将原始的检索图像和原始的关键字图像处理成对应的图像数据并存入对应的存储单元中； 图像数据库，作为输入单元所对应的存储单元，用来储存成为检索对象的图像数据； 边缘线、点提取单元，从图像数据库中调出图像，并从图像中提取边缘线，该边缘线为图像中的一条或多条不相连的线条，从边缘线条中提取边缘点；把同一个边缘线上的边缘点组成一个边缘线物体系，计算出各个边缘点到边缘线物体系的重心距离比率；并将该边缘重心数据作为图像特征数据存入对应的存储单元中； 边缘线、点数据库，作为边缘线、点提取单元所对应的存储单元，用来储存以数值来表示图像数据库所储存的图像数据的对应的边缘重心数据； 相似区域判断单元，从边缘线、点数据库中调出关键字图像和检索图像的边缘重心数据，将检索图像的各条边缘线的边缘重心数据分别与关键字图像的一条或多条边缘线条的边缘重心数据相比较，把检索图像的一条或多条符合条件的边缘线条的边缘重心数据记录成该检索图像与关键字图像的相似区域数据； 相似度计算单元，根据所述相似区域判断单元的判断结果，进行计算检索对象的所述区域与关键字图像的相似度，把相似度最高的作为该检索图像与关键字图像的相似度； 检索单元，根据各检索图像与关键字图像的相似度高低进行排序，并按照该排序从图像数据库中调出对应的图像数据输出给对应的输出单元； 输出单元，按照和关键字图像数据的相似度的高低顺序，显示出与图像检索有关的检索结果画面。
所述的图像数据库的图像数据包含有图像ID、地址以及索引类型的字段，该图像ID是用于识别成为检索对象的各图像数据及关键字图像数据的识别符，该地址表示图像数据实际被储存的位置，该索引类型是用来表示此图的用途。
所述的边缘线、点数据库的边缘重心数据包含图像ID、边缘线编号、边缘点坐标及重心距离比率的字段，该图像ID是该边缘线点的所属图像ID，与图像数据库中的图像ID对应，该边缘线编号是指该点是属于该图像的第几条边缘线，该边缘点坐标是表明该点在图像中的位置，该重心距离比率是表明该点到重心点的欧氏距离/该边缘线所有的点到重心点的最远欧氏距离。
所述的相似度计算单元所进行的计算检索对象的所述区域与关键字图像的相似度，是把检索图像中的相似区域的各边缘线物体系组合起来，把检索图像的各条边缘线的重心点组成一个检索图像的全景物体系，并计算出各个重心点到全景物体系的全景重心距离比率，将检索图像算出的全景重心距离比率与关键字图像的全景重心距离比率进行比对，该比对值的即为所述检索图像与关键字图像的相似度；所述关键字图像的全景重心距离比率是把关键字图像的各个边缘线的重心点组成一个全景物体系，计算出各个重心点到全景物体系的全景重心距离比率。
一种基于边缘重心特征的图像检索方法，包括建库过程和检索过程； 该建库过程包括分别对输入装置所输入的关键字图像和检索图像的图像数据进行图像特征数据提取；该图像特征数据提取是将关键字图像或检索图像划分成一条或多条不相连的边缘线条，从各边缘线条中分别提取各边缘点，把同一条边缘线上的边缘点组成一个边缘线物体系，计算出各个边缘点到边缘线物体系的重心距离比率；该重心距离比率为该边缘点与该边缘线物体系的重心点的欧氏距离/该边缘线物体系上边缘点与重心点最远的欧氏距离； 该检索过程是将检索图像的每条边缘线的图像特征数据分别与关键字图像的一条或多条边缘线条的图像特征数据相比较，在符合条件的情况下，再把检索图像中对应的边缘线物体系组合起来，把相应边缘线的重心点组成一个全景物体系，并计算出各个重心点到全景物体系的全景重心距离比率，由检索图像算出的全景重心距离比率再与关键字图像的全景重心距离比率进行比对，如能与之对应，再把检索图像的相应边缘线物体系区域当成相似区域输出；其中，关键字图像的全景重心距离比率是把关键字图像的各个边缘线的重心点组成一个全景物体系，由此来计算出各个重心点到全景物体系的全景重心距离比率。
所述的建库过程包括如下步骤 a.输入图像的步骤，该步骤是由输入装置将关键字图像和检索图像的图像数据分别采集入库，并存储在图像数据库中，该图像数据包括有图像ID、地址以及索引类型的字段； b.启动图像特征数据提取的步骤，该步骤是响应对图像特征数据提取的指令，启动对图像特征数据的提取； c.提取图像特征数据的步骤，该步骤是由边缘线、点提取单元从图像数据库中分别调出图像，从所调出的图像中提取图像特征数据，并将图像特征数据存入边缘线、点数据库中；该图像特征数据包含图像ID、边缘线编号、边缘点坐标及重心距离比率的字段。
所述的提取图像特征数据的步骤还进一步分为如下步骤 c1.边缘线、点提取单元从图像数据库中调取一个图像数据； c2.边缘线、点提取单元从步骤c1所调取的图像数据中抽出所述图像的边缘线数据； c3.边缘线、点提取单元从步骤c2中所取得的各边缘线数据中抽出与所述图像的各边缘线相对应的各边缘点数据； c4.边缘线、点提取单元依据步骤c3所取得的各边缘点数据，分别以各边缘线上的各边缘点为一个边缘线物体系，计算出各边缘线物体系的重心点数据； c5.边缘线、点提取单元依据前述步骤所得到的边缘线数据、各边缘点数据、各边缘线物体系的重心点数据分别计算出各边缘线物体系中各边缘点到所对应的边缘线物体系的重心距离比率； c6.边缘线、点提取单元将作为图像特征数据的边缘线数据、边缘点数据、边缘点的重心距离比率数据存入边缘线、点数据库中，并与图像数据库所对应的图像相关联； c7.边缘线、点提取单元判断图像数据库中的图像数据是否调取完毕，如已调取完毕，则结束该提取图像特征数据的步骤，若未调取完毕，则返回步骤c1。
所述的检索过程包括如下步骤 d.启动检索开始的步骤，该步骤是由检索单元响应对检索图像启动的指令； e.输入检索特征的步骤，该步骤是由检索单元对输入装置所输入的关键字图像ID进行识别； f.提取关键字图像的图像特征数据的步骤，该步骤是由检索单元根据关键字图像ID从边缘线、点数据库中提取该关键字图像的边缘线数据、边缘点数据和边缘点的重心距离比率数据； g.调取检索图像的步骤，该步骤是由检索单元从图像数据库中调出一个图像数据作为检索图像的数据； h.相似区域提取步骤，该步骤是由相似区域判断单元将检索图像的图像特征数据与关键字图像的图像特征数据进行比较，把检索图像中符合条件的图像特征数据记录成该检索图像与关键字图像的相似区域数据； i.相似度计算步骤，该步骤是由相似度计算单元根据所述相似区域判断单元的判断结果，计算检索图像的所述相似区域与所述关键字图像的相似度，把相似度最高的作为该检索图像与关键字图像的相似度； j.检索判断步骤，该步骤是由检索单元判断图像数据库中的图像数据是否调取完毕，如已调取完毕，继续下一步骤，若未调取完毕，则返回步骤g； k.显示步骤，该步骤是由检索单元根据各检索图像与关键字图像的相似度高低进行排序，并按照该排序从图像数据库中调出对应的图像数据输出给对应的输出单元，并由输出单元按照和关键字图像数据的相似度的高低顺序，显示出与图像检索有关的检索结果画面。
所述的相似区域提取步骤还进一步分为如下步骤 h1.相似区域判断单元提取关键字图像所有边缘线的边缘线数据、边缘点数据和边缘点的重心距离比率数据； h2.相似区域判断单元提取关键字图像中所有边缘线中的一条边缘线的边缘点数据和边缘点的重心距离比率数据； h3.相似区域判断单元从检索图像数据中取得一个与关键字图像的边缘线中边缘点个数相同并且对应边缘点之间的重心距离比率相近的边缘线，该重心距离比率相近是指关键字图像的边缘点的重心距离比率与对应的检索图像的边缘点的重心距离比率之间的差值小于预先设定的阈值； h4.记录检索图像的该条边缘线信息和与它重心距离比率一致的关键字图像的边缘线信息； h5.相似区域判断单元对检索图像数据中的所有边缘线是否调取完毕进行判断，如已调取完毕，继续下一步骤，若未调取完毕，则返回步骤h3；当该关键字图像的该边缘线数据无法从检索图像的所有边缘线数据中找到能相对应的至少一条边缘线数据时，返回步骤g； h6.相似区域判断单元对关键字图像数据中的所有边缘线是否调取完毕进行判断，如已调取完毕，继续下一步骤，若未调取完毕，则返回步骤h2；当该关键字图像的所有边缘线数据无法从检索图像的所有边缘线数据中找到能与之相对应的边缘线数据时，返回步骤g； h7.记录所有检索图像的边缘线和关键字图边缘线相似的边缘线信息。
所述的相似度计算步骤还进一步分为如下步骤 i1.相似度计算单元提取关键字图像所有边缘线信息和检索图像所有边缘线信息； i2.根据检索图像的边缘线信息结构进行排列组合； i3.从排列组合中取出其中一个，计算它的相似度，该相似度计算是把这个组合内的各边缘线的重心点集合起来组成一个新的物体系，计算此物体系的重心点及重心距离比率，把这个组合出来的重心距离比率与关键字图像的重心距离比率进行计算欧氏距离作为相似度；其中，该关键字图像的重心距离比率是把关键字图像的各个边缘线的重心点组成一个全景物体系，由此来计算出各个重心点到全景物体系的全景重心距离比率； i4.相似度计算单元对检索图像的所有组合是否调取完毕进行判断，如已调取完毕，继续下一步骤，若未调取完毕，则返回步骤i3； i5.将所有组合中相似度最高的值，作为该检索与关键字图像的相似值。
本发明的有益效果是，由于采用了从关键字图像和检索图像中提取边缘线，从边缘线条中提取边缘点，把同一个边缘线上的边缘点组成一个边缘线物体系，并计算各个边缘点到边缘线物体系的重心距离比率；将关键字图像中的每个边缘线物体系中的重心距离比率及边缘点数目是否在检索图像中相应的边缘线物体系与之对应，如能与之对应，即，关键字图像中的每个边缘线物体系都能在检索图像中找到，再把检索图像中对应的边缘线物体系组合起来，把相应边缘线的重心点组成一个全景物体系，并计算出各个重心点到全景物体系的全景重心距离比率，检索图像算出的全景重心距离比率与关键字图像的全景重心距离比率进行比对，如能与之对应，再把检索图像的相应边缘线物体系区域当成相似区域输出，因而，可以实现局部图像相似的检索，通过将关键字图像的边缘重心的图像特征与检索图像的被拆分的边缘重心的图像特征进行比较，可以从大量的图像数据中按顺序取出包含与作为检索要求的用户所给的关键字图像相似的图像数据并显示，是一种可以高效、准确地找到所包含相似的关键字图像的图像检索系统。
以下结合附图及实施例对本发明作进一步详细说明；但本发明的一种基于边缘重心特征的图像检索系统及其图像检索方法不局限于实施例。
图1是本发明的系统构造示意图； 图2是本发明的主流程图； 图3是本发明的边缘线、点提取入库的流程图； 图4是本发明的检索处理的流程图； 图5是本发明的检索处理的相似区域提取过程的流程图； 图6是本发明的检索处理的相似度计算过程的流程图。
具体实施例方式 参见图1所示，本发明的一种基于边缘重心特征的图像检索系统，包括 输入单元11，是在成为局部相似图像检索的检索图像数据与关键字图像数据的输入、及各种关键字输入中所使用的输入装置，用来将原始的检索图像和原始的关键字图像处理成对应的图像数据并存入对应的存储单元中；这些输入装置可以是数字照相机、扫描仪、互联网通信机器、键盘、鼠标等； 图像数据库12，作为输入单元11所对应的存储单元，用来储存成为检索对象的图像数据；可以是磁储存装置或半导体储存器等； 边缘线、点提取单元13，从图像数据库12中调出图像，并从图像中提取边缘线，该边缘线为图像中的一条或多条不相连的线条，从边缘线条中提取边缘点；把同一个边缘线上的边缘点组成一个边缘线物体系，计算出各个边缘点到边缘线物体系的重心距离比率；并将该边缘重心数据作为图像特征数据存入对应的存储单元中； 边缘线、点数据库14，作为边缘线、点提取单元所对应的存储单元，用来储存以数值来表示图像数据库所储存的图像数据的对应的边缘重心数据； 相似区域判断单元15，从边缘线、点数据库14中调出关键字图像和检索图像的边缘重心数据，将检索图像的各条边缘线的边缘重心数据分别与关键字图像的一条或多条边缘线条的边缘重心数据相比较，把检索图像的一条或多条符合条件的边缘线条的边缘重心数据记录成该检索图像与关键字图像的相似区域数据； 相似度计算单元16，根据所述相似区域判断单元15的判断结果，进行计算检索对象的所述区域与关键字图像的相似度，把相似度最高的作为该检索图像与关键字图像的相似度； 检索单元17，根据各检索图像与关键字图像的相似度高低进行排序，并按照该排序从图像数据库中调出对应的图像数据输出给对应的输出单元； 输出单元18，按照和关键字图像数据的相似度的高低顺序，显示出与图像检索有关的检索结果画面。
其中 图像数据库的图像数据采用如下的结构形式
它包含有图像ID、地址以及索引类型的字段，该图像ID是用于识别成为检索对象的各图像数据及关键字图像数据的识别符，该地址表示图像数据实际被储存的位置，该索引类型是用来表示此图的用途； 边缘线、点数据库的边缘重心数据采用如下的结构形式
它包含图像ID、边缘线编号、边缘点坐标及重心距离比率的字段，该图像ID是该边缘线点的所属图像ID，与图像数据库中的图像ID对应，该边缘线编号是指该点是属于该图像的第几条边缘线，该边缘点坐标是表明该点在图像中的位置，该重心距离比率是表明该点到重心点的欧氏距离/该边缘线所有的点到重心点的最远欧氏距离； 相似度计算单元16所进行的计算检索对象的所述区域与关键字图像的相似度，是把检索图像中的相似区域的各边缘线物体系组合起来，把检索图像的各条边缘线的重心点组成一个检索图像的全景物体系，并计算出各个重心点到全景物体系的全景重心距离比率，将检索图像算出的全景重心距离比率与关键字图像的全景重心距离比率进行比对，该比对值的即为所述检索图像与关键字图像的相似度；所述关键字图像的全景重心距离比率是把关键字图像的各个边缘线的重心点组成一个全景物体系，计算出各个重心点到全景物体系的全景重心距离比率。
参见图2所示，本发明的一种基于边缘重心特征的图像检索方法，包括建库过程和检索过程； 该建库过程包括分别对输入装置11所输入的关键字图像和检索图像的图像数据进行图像特征数据提取；该图像特征数据提取是将关键字图像或检索图像划分成一条或多条不相连的边缘线条，从各边缘线条中分别提取各边缘点，把同一条边缘线上的边缘点组成一个边缘线物体系，计算出各个边缘点到边缘线物体系的重心距离比率；该重心距离比率为该边缘点与该边缘线物体系的重心点的欧氏距离/该边缘线物体系上边缘点与重心点最远的欧氏距离； 该检索过程是将检索图像的每条边缘线的图像特征数据分别与关键字图像的一条或多条边缘线条的图像特征数据相比较，在符合条件的情况下，再把检索图像中对应的边缘线物体系组合起来，把相应边缘线的重心点组成一个全景物体系，并计算出各个重心点到全景物体系的全景重心距离比率，由检索图像算出的全景重心距离比率再与关键字图像的全景重心距离比率进行比对，如能与之对应，再把检索图像的相应边缘线物体系区域当成相似区域输出；其中，关键字图像的全景重心距离比率是把关键字图像的各个边缘线的重心点组成一个全景物体系，由此来计算出各个重心点到全景物体系的全景重心距离比率。
本发明的一种基于边缘重心特征的图像检索方法，是利用了重心距离比率来实现相似区域的判定，重心点通常具有如下特性一是所有经过重心点的直线，都会把物体系分成两份一样重量的物体，这个就是重心线，重心线指通过重心点所引的垂直线，是分析物体运动的重要依据和辅助线；二是一个物体系只有一个重心点，无论它怎么旋转、位移，这个重心点在这个物体系的相应位置不会发生改变；三是相似的物体系，即，物体系经过放大、缩小、旋转、位移，它们的重心点在物体系中的比例位置不会发生改变。通过对图像提取边缘线，从边缘线条中提取边缘点，把同一个边缘线上的边缘点组成一个边缘线物体系，并计算各个边缘点到边缘线物体系的重心距离比率，通过比较图像边缘线的边缘点数量以及边缘点到边缘线物体系的重心距离比率，就能够比较出图像之间的局部的相似程度。该重心距离比率是指该物体与该物体系的重心点的距离比率。以该物体系上的物体与重心点最远的欧氏距离为1，该物体与该物体系的重心点的距离比率，即，该物体与该物体系的重心点的欧氏距离/该物体系上物体与重心点最远的欧氏距离。
本发明的一种基于边缘重心特征的图像检索方法，其建库过程包括如下步骤 a.输入图像的步骤，该步骤是由输入装置11将关键字图像和检索图像的图像数据分别采集入库，并存储在图像数据库12中，该图像数据包括有图像ID、地址以及索引类型的字段。
b.启动图像特征数据提取的步骤，该步骤是响应对图像特征数据提取的指令，启动对图像特征数据的提取；如图2中的框21所示；即程序会一直等待用户的要求才开始工作。
c.提取图像特征数据的步骤，如图2中的框22所示；该步骤是由边缘线、点提取单元13从图像数据库12中分别调出图像(包括关键字图像和检索图像)，从所调出的图像中提取图像特征数据，并将图像特征数据存入边缘线、点数据库14中；该图像特征数据包含图像ID、边缘线编号、边缘点坐标及重心距离比率的字段。
其中，提取图像特征数据的步骤(即步骤c)还进一步分为如下步骤(如图3所示) c1.边缘线、点提取单元13从图像数据库12中调取一个图像数据，如图3中的框301所示。
c2.边缘线、点提取单元13从步骤c1所调取的图像数据中抽出所述图像的边缘线数据，如图3中的框302所示。
以下对边缘线的抽取方式作进一步的说明 把彩色图片按照RGB的三个颜色空间分成R(红)G(绿)B(蓝)三维矢量，并根据该象素点的周边象素的RGB颜色分量计算该点的矢量，算出其点的上下左右等方向的相差值，如果颜色无变化，则其值为0。
设置当前点为point，它的R(红)矢量对应于如下结构中的R4； G(绿)矢量对应于如下结构中的G4； B(蓝)矢量对应于如下结构中的B4； 然后进行如下计算； 水平划分计算 r0＝((R0+R1+R2)-(R6+R7+R8))/3 g0＝((G0+G1+G2)-(G6+G7+G8))/3 b0＝((B0+B1+B2)-(B6+B7+B8))/3 垂直划分计算 r1＝((R0+R3+R6)-(R2+R5+R8))/3 g1＝((G0+G3+G6)-(G2+G5+G8))/3 b1＝((B0+B3+B6)-(B2+B5+B8))/3 右对角划分计算 r2＝((R0+R1+R3)-(R5+R7+R8))/3 g2＝((G0+G1+G3)-(G5+G7+G8))/3 b2＝((B0+B1+B3)-(B5+B7+B8))/3 左对角划分计算 r3＝((R1+R2+R5)-(R3+R6+R7))/3 g3＝((G1+G2+G5)-(G3+G6+G7))/3 b3＝((B1+B2+B5)-(B3+B6+B7))/3 以其的水平、垂直、右对角、左对角的最大值为该点的值。
point.red＝max(r0，r1，r2，r3)； point.green＝max(g0，g1，g2，g3)； point.blue＝max(b0，b1，b2，b3)； 把每一个点都按此方程式进行计算，得出的新图的数据为该图的边缘线数据。
c3.边缘线、点提取单元13从步骤c2中所取得的各边缘线数据中抽出与所述图像的各边缘线相对应的各边缘点数据，如图3中的框303所示。
以下对边缘点的抽取方式作进一步的说明 把彩色图片按照RGB的三个颜色空间分成R(红)G(绿)B(蓝)三维矢量，把这三个颜色空间值改成灰度(Gray)一维颜色空间。
Gray＝R*0.299+G*0.587+B*0.114 为了避免低速的浮点运算，所以需要整数算法。可以将它们缩放1000倍来实现整数运算算法Gray＝(R*299+G*587+B*114+500)/1000 上面的整数算法已经很快了，但是有一点仍制约速度，就是最后的那个除法。移位比除法快多了，所以可以将系数缩放成2的整数幂。使用16位精度，2的16次幂是65536，所以这样计算系数 0.299*65536＝19595.264≈19595 0.587*65536+(0.264)＝38469.632+0.264＝38469.896≈38469 0.114*65536+(0.896)＝7471.104+0.896＝7472 2至20位精度的系数 Gray＝(R*1+G*2+B*1)>>2 Gray＝(R*2+G*5+B*1)>>3 Gray＝(R*4+G*10+B*2)>>4 Gray＝(R*9+G*19+B*4)>>5 Gray＝(R*19+G*37+B*8)>>6 Gray＝(R*38+G*75+B*15)>>7 Gray＝(R*76+G*150+B*30)>>8 Gray＝(R*153+G*300+B*59)>>9 Gray＝(R*306+G*601+B*117)>>10 Gray＝(R*612+G*1202+B*234)>>11 Gray＝(R*1224+G*2405+B*467)>>12 Gray＝(R*2449+G*4809+B*934)>>13 Gray＝(R*4898+G*9618+B*1868)>>14 Gray＝(R*9797+G*19235+B*3736)>>15 Gray＝(R*19595+G*38469+B*7472)>>16 Gray＝(R*39190+G*76939+B*14943)>>17 Gray＝(R*78381+G*153878+B*29885)>>18 Gray＝(R*156762+G*307757+B*59769)>>19 Gray＝(R*313524+G*615514+B*119538)>>20 16位运算下最好的计算公式是使用7位精度，比先前那个系数缩放100倍的精度高，而且速度快Gray＝(R*38+G*75+B*15)>>7 根据公式计算，生成对应的灰度一维图像。
并根据该象素点的周边象素的灰度颜色分量计算该点的矢量。算出其点的上下左右等方向的相差值，如果颜色无变化，则其值为0。
设置当前点的灰度分量为Gray(i，j)。该点的上下左右的各关系如下结构形式 则有 Ix＝Dxy*Tx Iy＝Dxy*Ty Ix2＝Ix*Ix； Iy2＝Iy*Iy； Ixy＝Ix*Iy； 计算角点量公式 cim(i，j)＝(Ix2(i，j)*Iy2(i，j)-Ixy(i，j)*Ixy(i，j))/(Ix2(i，j)+Iy2(i，j))； 设置阈值，当cim(i，j)低于阈值的数据时进行清除。
c4.边缘线、点提取单元13依据步骤c3所取得的各边缘点数据，分别以各边缘线上的各边缘点为一个边缘线物体系，计算出各边缘线物体系的重心点数据；如图3中的框304所示。
重心计算公式 某个边缘线中有n个边缘点，位于Ri(矢量，下同)，i＝1，2，...n.则这个边缘线的重心为R R＝？Ri/N (i＝1，2，...n) c5.边缘线、点提取单元13依据前述步骤所得到的边缘线数据、各边缘点数据、各边缘线物体系的重心点数据分别计算出各边缘线物体系中各边缘点到所对应的边缘线物体系的重心距离比率；如图3中的框305所示。
计算各个边缘点到重心点的欧氏距离 Edi＝sqrt((Ri-R)(Ri-R)) (i＝1，2，...n) 取最大的距离 MaxEd＝max(Edi) (i＝1，2，...n) 计算各个边缘点到重心点的距离比率 Ratioi＝Edi/MaxEd(i＝1，2，...n) c6.边缘线、点提取单元将作为图像特征数据的边缘线数据、边缘点数据、边缘点的重心距离比率数据存入边缘线、点数据库中，并与图像数据库所对应的图像相关联；如图3中的框306所示。
c7.边缘线、点提取单元13判断图像数据库中的图像数据是否调取完毕，如已调取完毕，则结束该提取图像特征数据的步骤，若未调取完毕，则返回步骤c1；如图3中的框307所示。
本发明的一种基于边缘重心特征的图像检索方法，检索过程包括如下步骤 d.启动检索开始的步骤，该步骤是由检索单元17响应对检索图像启动的指令；如图2中的框23所示；并进入如图2中的框24所示的检索处理，该检索处理流程见图4所示。
e.输入检索特征的步骤，该步骤是由检索单元17对输入装置11所输入的关键字图像ID进行识别；如图4中的框401所示。
f.提取关键字图像的图像特征数据的步骤，该步骤是由检索单元17根据关键字图像ID从边缘线、点数据库14中提取该关键字图像的边缘线数据、边缘点数据和边缘点的重心距离比率数据；如图4中的框402所示。
g.调取检索图像的步骤，该步骤是由检索单元17从图像数据库12中调出一个图像数据作为检索图像的数据；如图4中的框403所示。
h.相似区域提取步骤，该步骤是由相似区域判断单元15将检索图像的图像特征数据与关键字图像的图像特征数据进行比较，把检索图像中符合条件的图像特征数据记录成该检索图像与关键字图像的相似区域数据；如图4中的框404所示。
i.相似度计算步骤，该步骤是由相似度计算单元16根据所述相似区域判断单元15的判断结果，计算检索图像的所述相似区域与所述关键字图像的相似度，把相似度最高的作为该检索图像与关键字图像的相似度；如图4中的框405所示。
j.检索判断步骤，该步骤是由检索单元17判断图像数据库中的图像数据是否调取完毕，如已调取完毕，继续下一步骤，若未调取完毕，则返回步骤g；如图4中的框406所示。
k.显示步骤，该步骤是由检索单元17根据各检索图像与关键字图像的相似度高低进行排序，并按照该排序从图像数据库中调出对应的图像数据输出给对应的输出单元18，并由输出单元18按照和关键字图像数据的相似度的高低顺序，显示出与图像检索有关的检索结果画面；如图4中的框407所示。
参见图5所示，本发明的一种基于边缘重心特征的图像检索方法，其相似区域提取步骤还进一步分为如下步骤 h1.相似区域判断单元15提取关键字图像所有边缘线的边缘线数据、边缘点数据和边缘点的重心距离比率数据；如图5中的框501所示。
h2.相似区域判断单元15提取关键字图像中所有边缘线中的一条边缘线的边缘点数据和边缘点的重心距离比率数据；如图5中的框502所示。
h3.相似区域判断单元15从检索图像数据中取得一个与关键字图像的边缘线中边缘点个数相同并且对应边缘点之间的重心距离比率相近的边缘线，该重心距离比率相近是指关键字图像的边缘点的重心距离比率与对应的检索图像的边缘点的重心距离比率之间的差值小于预先设定的阈值；该阈值按需要进行设定；如图5中的框503所示。
h4.记录检索图像的该条边缘线信息和与它重心距离比率一致的关键字图像的边缘线信息，信息包括检索图像的ID、关键字图像的ID、检索图像的边缘线ID、关键字图像的边缘线ID、重心点的位置等；如图5中的框504所示。
h5.相似区域判断单元15对检索图像数据中的所有边缘线是否调取完毕进行判断，如已调取完毕，继续下一步骤，若未调取完毕，则返回步骤h3；如图5中的框505所示。当该关键字图像的该边缘线数据无法从检索图像的所有边缘线数据中找到能相对应的至少一条边缘线数据时，返回步骤g。
h6.相似区域判断单元15对关键字图像数据中的所有边缘线是否调取完毕进行判断，如已调取完毕，继续下一步骤，若未调取完毕，则返回步骤h2；如图5中的框506所示。当该关键字图像的所有边缘线数据无法从检索图像的所有边缘线数据中找到能与之相对应的边缘线数据时，返回步骤g。
h7.记录所有检索图像的边缘线和关键字图边缘线相似的边缘线信息；如图5中的框507所示。
参见图6所示，本发明的一种基于边缘重心特征的图像检索方法，其相似度计算步骤还进一步分为如下步骤 i1.相似度计算单元16提取关键字图像所有边缘线信息和检索图像所有边缘线信息，该信息包含边缘点的重心距离比率、重心点坐标等；如图6中的框601所示。
i2.根据检索图像的边缘线信息结构进行排列组合；如图6中的框602所示。
该步骤中，根据关键字图像的边缘线数目进行排列组合，公式如下 KeyImg＝line1 line2 line3……linen(KeyImg为关键字图像的边缘线顺序；n为关键字图像中边缘线的数目) 设linei的相似的检索图边缘线为Smilarityij(i<n，n为关键字图像中边缘线的数目；j<m，m为检索图像中与此关键字图像的边缘线相似的数目) Composition＝∏Smilarity1j∏Smilarity2j∏Smilarity3j……∏Smilaritynj(n为关键字图像中边缘线的数目；j<m，m为检索图像中与此关键字图像的边缘线相似的数目；Composition为检索图像对于关键字图像的边缘线组合) i3.从排列组合中取出其中一个，计算它的相似度，该相似度计算是把这个组合内的各边缘线的重心点集合起来组成一个新的物体系，计算此物体系的重心点及重心距离比率，把这个组合出来的重心距离比率与关键字图像的重心距离比率进行计算欧氏距离作为相似度；其中，该关键字图像的重心距离比率是把关键字图像的各个边缘线的重心点组成一个全景物体系，由此来计算出各个重心点到全景物体系的全景重心距离比率；如图6中的框603所示。
该步骤中，从排列组合取出其中一个，并计算它的相似度。把这个组合内的边缘线的重心点集合起来组成新的物体系，计算此物体系的重心点及重心距离比率。把这个组合出来的重心距离比率与关键字图像的重心距离比率进行计算欧氏距离作为相似度。
SimilarityED＝sqrt((R1-B1)2+(R2-B2)2……(Rn-Bn)2)(R为关键字图像的重心比率，B为组合物体系的重心比率，n为关键字图像的边缘线数目) SimilarityED值越大，表示相似度越低。
i4.相似度计算单元16对检索图像的所有组合是否调取完毕进行判断，如已调取完毕，继续下一步骤，若未调取完毕，则返回步骤i3；如图6中的框604所示。
i5.将所有组合中相似度最高的值，即SimilarityED最小的值，作为该检索与关键字图像的相似值；如图6中的框605所示。
上述实施例仅用来进一步说明本发明的一种基于边缘重心特征的图像检索系统及其图像检索方法，但本发明并不局限于实施例，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均落入本发明技术方案的保护范围内。
权利要求
1.一种基于边缘重心特征的图像检索系统，其特征在于包括
输入单元，是在成为局部相似图像检索的检索图像数据与关键字图像数据的输入、及各种关键字输入中所使用的输入装置，用来将原始的检索图像和原始的关键字图像处理成对应的图像数据并存入对应的存储单元中；
图像数据库，作为输入单元所对应的存储单元，用来储存成为检索对象的图像数据；
边缘线、点提取单元，从图像数据库中调出图像，并从图像中提取边缘线，该边缘线为图像中的一条或多条不相连的线条，从边缘线条中提取边缘点；把同一个边缘线上的边缘点组成一个边缘线物体系，计算出各个边缘点到边缘线物体系的重心距离比率；并将该边缘重心数据作为图像特征数据存入对应的存储单元中；
边缘线、点数据库，作为边缘线、点提取单元所对应的存储单元，用来储存以数值来表示图像数据库所储存的图像数据的对应的边缘重心数据；
相似区域判断单元，从边缘线、点数据库中调出关键字图像和检索图像的边缘重心数据，将检索图像的各条边缘线的边缘重心数据分别与关键字图像的一条或多条边缘线条的边缘重心数据相比较，把检索图像的一条或多条符合条件的边缘线条的边缘重心数据记录成该检索图像与关键字图像的相似区域数据；
相似度计算单元，根据所述相似区域判断单元的判断结果，进行计算检索对象的所述区域与关键字图像的相似度，把相似度最高的作为该检索图像与关键字图像的相似度；
检索单元，根据各检索图像与关键字图像的相似度高低进行排序，并按照该排序从图像数据库中调出对应的图像数据输出给对应的输出单元；
输出单元，按照和关键字图像数据的相似度的高低顺序，显示出与图像检索有关的检索结果画面。
2.根据权利要求1所述的一种基于边缘重心特征的图像检索系统，其特征在于所述的图像数据库的图像数据包含有图像ID、地址以及索引类型的字段，该图像ID是用于识别成为检索对象的各图像数据及关键字图像数据的识别符，该地址表示图像数据实际被储存的位置，该索引类型是用来表示此图的用途。
3.根据权利要求1所述的一种基于边缘重心特征的图像检索系统，其特征在于所述的边缘线、点数据库的边缘重心数据包含图像ID、边缘线编号、边缘点坐标及重心距离比率的字段，该图像ID是该边缘线点的所属图像ID，与图像数据库中的图像ID对应，该边缘线编号是指该点是属于该图像的第几条边缘线，该边缘点坐标是表明该点在图像中的位置，该重心距离比率是表明该点到重心点的欧氏距离/该边缘线所有的点到重心点的最远欧氏距离。
4.根据权利要求1所述的一种基于边缘重心特征的图像检索系统，其特征在于所述的相似度计算单元所进行的计算检索对象的所述区域与关键字图像的相似度，是把检索图像中的相似区域的各边缘线物体系组合起来，把检索图像的各条边缘线的重心点组成一个检索图像的全景物体系，并计算出各个重心点到全景物体系的全景重心距离比率，将检索图像算出的全景重心距离比率与关键字图像的全景重心距离比率进行比对，该比对值的即为所述检索图像与关键字图像的相似度；所述关键字图像的全景重心距离比率是把关键字图像的各个边缘线的重心点组成一个全景物体系，计算出各个重心点到全景物体系的全景重心距离比率。
5.一种基于边缘重心特征的图像检索方法，其特征在于包括建库过程和检索过程；
该建库过程包括分别对输入装置所输入的关键字图像和检索图像的图像数据进行图像特征数据提取；该图像特征数据提取是将关键字图像或检索图像划分成一条或多条不相连的边缘线条，从各边缘线条中分别提取各边缘点，把同一条边缘线上的边缘点组成一个边缘线物体系，计算出各个边缘点到边缘线物体系的重心距离比率；该重心距离比率为该边缘点与该边缘线物体系的重心点的欧氏距离/该边缘线物体系上边缘点与重心点最远的欧氏距离；
该检索过程是将检索图像的每条边缘线的图像特征数据分别与关键字图像的一条或多条边缘线条的图像特征数据相比较，在符合条件的情况下，再把检索图像中对应的边缘线物体系组合起来，把相应边缘线的重心点组成一个全景物体系，并计算出各个重心点到全景物体系的全景重心距离比率，由检索图像算出的全景重心距离比率再与关键字图像的全景重心距离比率进行比对，如能与之对应，再把检索图像的相应边缘线物体系区域当成相似区域输出；其中，关键字图像的全景重心距离比率是把关键字图像的各个边缘线的重心点组成一个全景物体系，由此来计算出各个重心点到全景物体系的全景重心距离比率。
6.根据权利要求5所述的一种基于边缘重心特征的图像检索方法，其特征在于所述的建库过程包括如下步骤
a.输入图像的步骤，该步骤是由输入装置将关键字图像和检索图像的图像数据分别采集入库，并存储在图像数据库中，该图像数据包括有图像ID、地址以及索引类型的字段；
b.启动图像特征数据提取的步骤，该步骤是响应对图像特征数据提取的指令，启动对图像特征数据的提取；
c.提取图像特征数据的步骤，该步骤是由边缘线、点提取单元从图像数据库中分别调出图像，从所调出的图像中提取图像特征数据，并将图像特征数据存入边缘线、点数据库中；该图像特征数据包含图像ID、边缘线编号、边缘点坐标及重心距离比率的字段。
7.根据权利要求6所述的一种基于边缘重心特征的图像检索方法，其特征在于所述的提取图像特征数据的步骤还进一步分为如下步骤
c1.边缘线、点提取单元从图像数据库中调取一个图像数据；
c2.边缘线、点提取单元从步骤c1所调取的图像数据中抽出所述图像的边缘线数据；
c3.边缘线、点提取单元从步骤c2中所取得的各边缘线数据中抽出与所述图像的各边缘线相对应的各边缘点数据；
c4.边缘线、点提取单元依据步骤c3所取得的各边缘点数据，分别以各边缘线上的各边缘点为一个边缘线物体系，计算出各边缘线物体系的重心点数据；
c5.边缘线、点提取单元依据前述步骤所得到的边缘线数据、各边缘点数据、各边缘线物体系的重心点数据分别计算出各边缘线物体系中各边缘点到所对应的边缘线物体系的重心距离比率；
c6.边缘线、点提取单元将作为图像特征数据的边缘线数据、边缘点数据、边缘点的重心距离比率数据存入边缘线、点数据库中，并与图像数据库所对应的图像相关联；
c7.边缘线、点提取单元判断图像数据库中的图像数据是否调取完毕，如已调取完毕，则结束该提取图像特征数据的步骤，若未调取完毕，则返回步骤c1。
8.根据权利要求5所述的一种基于边缘重心特征的图像检索方法，其特征在于所述的检索过程包括如下步骤
d.启动检索开始的步骤，该步骤是由检索单元响应对检索图像启动的指令；
e.输入检索特征的步骤，该步骤是由检索单元对输入装置所输入的关键字图像ID进行识别；
f.提取关键字图像的图像特征数据的步骤，该步骤是由检索单元根据关键字图像ID从边缘线、点数据库中提取该关键字图像的边缘线数据、边缘点数据和边缘点的重心距离比率数据；
g.调取检索图像的步骤，该步骤是由检索单元从图像数据库中调出一个图像数据作为检索图像的数据；
h.相似区域提取步骤，该步骤是由相似区域判断单元将检索图像的图像特征数据与关键字图像的图像特征数据进行比较，把检索图像中符合条件的图像特征数据记录成该检索图像与关键字图像的相似区域数据；
i.相似度计算步骤，该步骤是由相似度计算单元根据所述相似区域判断单元的判断结果，计算检索图像的所述相似区域与所述关键字图像的相似度，把相似度最高的作为该检索图像与关键字图像的相似度；
j.检索判断步骤，该步骤是由检索单元判断图像数据库中的图像数据是否调取完毕，如已调取完毕，继续下一步骤，若未调取完毕，则返回步骤g；
k.显示步骤，该步骤是由检索单元根据各检索图像与关键字图像的相似度高低进行排序，并按照该排序从图像数据库中调出对应的图像数据输出给对应的输出单元，并由输出单元按照和关键字图像数据的相似度的高低顺序，显示出与图像检索有关的检索结果画面。
9.根据权利要求8所述的一种基于边缘重心特征的图像检索方法，其特征在于所述的相似区域提取步骤还进一步分为如下步骤
h1.相似区域判断单元提取关键字图像所有边缘线的边缘线数据、边缘点数据和边缘点的重心距离比率数据；
h2.相似区域判断单元提取关键字图像中所有边缘线中的一条边缘线的边缘点数据和边缘点的重心距离比率数据；
h3.相似区域判断单元从检索图像数据中取得一个与关键字图像的边缘线中边缘点个数相同并且对应边缘点之间的重心距离比率相近的边缘线，该重心距离比率相近是指关键字图像的边缘点的重心距离比率与对应的检索图像的边缘点的重心距离比率之间的差值小于预先设定的阈值；
h4.记录检索图像的该条边缘线信息和与它重心距离比率一致的关键字图像的边缘线信息；
h5.相似区域判断单元对检索图像数据中的所有边缘线是否调取完毕进行判断，如已调取完毕，继续下一步骤，若未调取完毕，则返回步骤h3；当该关键字图像的该边缘线数据无法从检索图像的所有边缘线数据中找到能相对应的至少一条边缘线数据时，返回步骤g；
h6.相似区域判断单元对关键字图像数据中的所有边缘线是否调取完毕进行判断，如已调取完毕，继续下一步骤，若未调取完毕，则返回步骤h2；当该关键字图像的所有边缘线数据无法从检索图像的所有边缘线数据中找到能与之相对应的边缘线数据时，返回步骤g；
h7.记录所有检索图像的边缘线和关键字图边缘线相似的边缘线信息。
10.根据权利要求8所述的一种基于边缘重心特征的图像检索方法，其特征在于所述的相似度计算步骤还进一步分为如下步骤
i1.相似度计算单元提取关键字图像所有边缘线信息和检索图像所有边缘线信息；
i2.根据检索图像的边缘线信息结构进行排列组合；
i3.从排列组合中取出其中一个，计算它的相似度，该相似度计算是把这个组合内的各边缘线的重心点集合起来组成一个新的物体系，计算此物体系的重心点及重心距离比率，把这个组合出来的重心距离比率与关键字图像的重心距离比率进行计算欧氏距离作为相似度；其中，该关键字图像的重心距离比率是把关键字图像的各个边缘线的重心点组成一个全景物体系，由此来计算出各个重心点到全景物体系的全景重心距离比率；
i4.相似度计算单元对检索图像的所有组合是否调取完毕进行判断，如已调取完毕，继续下一步骤，若未调取完毕，则返回步骤i3；
i5.将所有组合中相似度最高的值，作为该检索与关键字图像的相似值。
全文摘要
本发明公开了一种基于边缘重心特征的图像检索系统及其图像检索方法，是以边缘重心为图像特征，分别从关键字图像和检索图像中提取边缘线，从边缘线条中提取边缘点，把同一个边缘线上的边缘点组成一个边缘线物体系，并计算各个边缘点到边缘线物体系的重心距离比率；通过将关键字图像的边缘重心的图像特征与检索图像的被拆分的边缘重心的图像特征进行比较，可以实现局部图像相似的检索，可以从大量的图像数据中按顺序取出包含与作为检索要求的用户所给的关键字图像相似的图像数据并显示，是一种可以高效、准确地找到所包含相似的关键字图像的图像检索系统及其图像检索方法。
文档编号G06F17/30GK101546307SQ20081007182
公开日2009年9月30日 申请日期2008年9月17日 优先权日2008年9月17日
发明者达 滕, 吴鸿伟, 章正道, 林志扬 申请人:厦门市美亚柏科资讯科技有限公司