相似图片搜索原理三(颜色直方图—c++实现)

图像的颜色直方图可以用于图像检索，适应有相同色彩，并且可以有平移、缩放、旋转不变性的图像检索，当然了这三大特点不如sift或者surf稳定性强，此外最大的局限就是如果形状内容一样，但色彩不一，结果是搜不到的。不过它在某些情况下达到较好的结果。

颜色直方图两种计算方式：

彩色图像的颜色直方图，这里可以有两种处理方式，得到的效果应该差不多。

首先第一种就是对像素的每个通道都进行划分，每个通道的最大像素值为255，可以等分8、16或者64等分，这样每个通道的范围就是0~15(以16等分为例，当然等分越小，像素值取的范围越大，越精确，但图像维数就越大，消耗时间复杂度大)。这样三通道得到图像维数就是16*16*16=4096维(从[0,0,0]一直到[15,15,15])。代码中我们使用了得到其下标操作为i+(j<<4)+(k<<8)就等于i+j*16+k*16*16。比如一个像素为[4,1,20]，那么就会有hist[4+1*16+20*16*16]++;

第二种方法是单独计算每个通道像素值的个数，比如一个像素点值为[4,1,20]，那么就有bhist[4] ++;ghist[1]++; rhist[20]++;这样就得到3个256维的一维向量，然后可以做叠加操作。

距离的度量

距离的度量通常有欧式距离、皮尔逊相关系数及余弦距离。但是这里百度百科上说在做直方图相似性度量时，巴氏距离效果最佳。我这里做了简单测试，发现欧式距离的确效果很差，这可能的原因比如当[5,5]与[1,1]应该相似的，但是欧式距离发现它们距离会很大。此外，这里余弦距离，测试效果也行，也是可以用的。

巴氏距离：又叫巴氏系数。用于测量两离散概率分布。它常在分类中测量类之间的可分离性。计算公式如下：

其中P, P’分别代表源与候选的图像直方图数据，对每个相同i的数据点乘积开平方以后相加得出的结果即为图像相似度值（巴氏系数因子值），范围为0到1之间。为什么是到1之间，这是数学的问题，就不追究了。当p(i)==p’(i) for all i时，结果就会为1。 p(i)与p’(i)都在0~1之间。p(i)表示为该像素值出现的次数和除以总的像素个数，就是一个概率，代码中可以看出。

代码：

计算方式一：

(1)得到颜色直方图：

 

?

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

// 三维直方图 方式一 void getHistogram(Mat &image, int *histValue){      MatND hist;       // 在cv中用CvHistogram *hist = cvCreateHist      int dims = 3 ;        float r_hranges[] = { 0 , 255 };      float g_hranges[] = { 0 , 255 };      float b_hranges[] = { 0 , 255 };      const float *ranges[] = {r_hranges, g_hranges, b_hranges};   // 这里需要为const类型      int size[ 3 ] = { 16 , 16 , 16 };      int channels[] ={ 0 , 1 , 2 };   //代表 r g通道 2代表b通道      // 计算图像的直方图      calcHist(&image, 1 , channels, Mat(), hist, dims, size, ranges);    // cv 中是cvCalcHist              for ( int i = 0 ; i < 16 ; i++)      {          for ( int j = 0 ; j < 16 ; j++)          {              for ( int k = 0 ; k < 16 ; k++)              {                  float value = hist.at< float >(i,j,k);           //   注意直方图的值是float类型    cv中用cvQueryHistValue_1D                  int realValue = saturate_cast< int >(value);                  int index = i + (j<< 4 ) + (k<< 8 );                  histValue[index] = realValue;                }          }      }   }</ int ></ float >

 

(2)三种距离度量的代码

 

?

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

// 欧式距离 float getDistance( int *sur, int *dst){      float sum = 0 ;      for ( int i = 0 ; i < MaxHistValue; i++){          sum += pow(sur[i]-dst[i]+ 0.0 , 2 );      }      return sqrt(sum); }   // 余弦距离 float getCosDistance( int *sur, int *dst){      float surSum = 0 , dstSum = 0 , sum = 0 ;      for ( int i = 0 ; i < MaxHistValue; i++){          surSum += pow(sur[i]+ 0.0 , 2 );          dstSum += pow(dst[i]+ 0.0 , 2 );          sum += sur[i]*dst[i];      }      surSum = sqrt(surSum);      dstSum = sqrt(dstSum);      return sum/(surSum*dstSum); }   // 巴氏距离,  需要除以总元素个个数  // 注意：在颜色直方图的相似度比较中，巴氏距离效果最好   float getPSDistance( int *sur, int *dst, const float sTotal, const float dTotal){      float sum = 0 ;      for ( int i = 0 ; i < MaxHistValue; i++){          sum += sqrt((sur[i]/sTotal)*(dst[i]/dTotal));      }      return sum; }

 

测试图片：

余弦结果：

巴氏距离结果：

其中【i-j】， i代表personi， j代表personi与person的汉明距离。并由结果可见phash对于图片的旋转肯定是无能为力的。

由结果可见，针对person6,很相似，但余弦结果不好，而巴氏距离很好，此外巴氏距离对于原图不是1，是因为计算过程中的精度丢失造成的。

 

计算方式二：

(1)得到颜色直方图

 

?

1 2 3 4 5 6 7 8 9 10 11

// 三维直方图 方式二 void getHistogram2(Mat &image, int **HistValue){      for ( int i = 0 ; i < image.rows; i++){          for ( int j = 0 ; j < image.cols; j++){              HistValue[ 0 ][image.at<vec3b>(i,j)[ 0 ]] ++;              HistValue[ 1 ][image.at<vec3b>(i,j)[ 1 ]] ++;              HistValue[ 2 ][image.at<vec3b>(i,j)[ 2 ]] ++;          }      }       }</vec3b></vec3b></vec3b>

 

(2)三种距离度量的代码

 

?

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

// 欧式距离 float getDistance( int **sur, int **dst){      float sum = 0 ;      for ( int i = 0 ; i < 3 ; i++){          for ( int j = 0 ; j < 256 ; j++){              sum += pow(sur[i][j]-dst[i][j]+ 0.0 , 2 );          }                }      return sqrt(sum); }   // 余弦距离 float getCosDistance( int **sur, int **dst){      float surSum = 0 , dstSum = 0 , sum = 0 ;      for ( int i = 0 ; i < 3 ; i++){          for ( int j = 0 ; j < 256 ; j++){              surSum += pow(sur[i][j]+ 0.0 , 2 );              dstSum += pow(dst[i][j]+ 0.0 , 2 );              sum += sur[i][j]*dst[i][j];          }                }      surSum = sqrt(surSum);      dstSum = sqrt(dstSum);      return sum/(surSum*dstSum); }   // 巴氏距离,  需要除以总元素个个数  // 注意：在颜色直方图的相似度比较中，巴氏距离效果最好   float getPSDistance( int **sur, int **dst, const float sTotal, const float dTotal){      float sum = 0 ;      for ( int i = 0 ; i < 3 ; i++){          for ( int j = 0 ; j < 256 ; j++){              sum += sqrt((sur[i][j]/sTotal)*(dst[i][j]/dTotal));          }      }      return sum/ 3 ;    // 因为这里有三个 }

 

余弦结果：

巴氏距离结果：

其中【i-j】， i代表personi， j代表personi与person的汉明距离。并由结果可见phash对于图片的旋转肯定是无能为力的。