根据贵公司提供的信息，判定贵公司可注册的商标类别为第9大类中的0908小类、0913小类、0909小类、0907小类

第九类

科学、航海、测量、摄影、电影、光学、衡具、量具、信号、检验（监督）、救护（营救）和教学用装置及仪器；处理、开关、传送、积累、调节或控制电的装置和仪器；录制、通讯、重放声音或影像的装置；磁性数据载体，录音盘；光盘，DVD盘和其他数字存储媒介；投币启动装置的机械结构；收银机，计算机器，数据处理装置，计算机；计算机软件；灭火器械

0907 通讯导航设备

0908 音像设备

0909 摄影、电影用具及仪器

0913 电器用晶体及碳素材料，电子、电气通用元件

1、商标：雅典娜

结论：仅0909小类可尝试申报一下

2、商标名：小苹果

结论：不能申报

3、商标名：小管家

结论：不建议申报

4、商标名：奥达

结论：仅0909小类可尝试申报一下

5、商标名：聚科

结论：可尝试申报0907、0908、0909

6、商标名：Montenegro

结论：这个好像是黑山共和国的名字（需确认），不建议申请

7、商标名：Polymer Cience

结论：不建议申请

第二篇：基于形状特征的商标图像检索研究

南京邮电大学

硕士学位论文

基于形状特征的商标图像检索研究

姓名：姜婷

申请学位级别：硕士

专业：计算机应用

指导教师：王绍棣

20090301

南京邮电大学硕士研究生学位论文摘要

摘要

基于内容的图像检索（ＣｏｎｔｅｎｔＢａｓｅｄＩｍａｇｅＲｅｔｒｉｅｖａｌ，简称ＣＢＩＲ）是指直接根据图像内容的各种特征进行图像检索的技术，目前主要集中于底层特征相似性匹配的研究，包括基于颜色、纹理、形状等特征的检索。基于特定领域的图像检索技术可以充分利用该领域内的相关知识，使检索结果更能符合用户的需求。随着市场经济的发展，注册商标的数目不断增加，需要建立一种准确、高效的商标图像自动检索系统，因此基于内容的图像检索技术在商标检索领域得到了广泛的应用。

本文深入研究了基于形状特征的商标图像检索，对该领域近几年提出的检索算法进行分析与对比，提出了一种新的商标图像检索算法。本文的主要工作如下：

１．提出了基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法。针对目前

两种主要的提取商标图像局部形状特征方法的不足，该算法将图像分割为连通子对象的方法与图像划分为规则子块的方法有效地结合起来，进行分层检索。该算法提取的形状特征包括子对象的轮廓特征和规则子块的区域特征，这样可以避免使用单一特征时表示形状不充分的缺点。

２．深入研究了成对几何特征直方图表示形状轮廓特征的算法，并采用此算法表示商标图

像中子对象的轮廓特征。为了得到子对象的成对几何特征直方图，需要进行子对象抽取、边缘检测、轮廓跟踪、轮廓多边形逼近、Ｈｏｕｇｈ变换检测线段、计算有向相对角和有向相对位黄等步骤，因此本文对这些步骤中涉及到的算法进行了研究与实现。

３．针对目前常用的预处理方法造成商标图像形状失真的问题，本文提出了无畸变的预处

理方法，提高了基于形状特征的商标图像检索算法的性能。

４．针对等距离同心圆分块法中存在的不足之处，本文提出了改进的同心圆分块法，提高

了图像边缘区域特征表示的精度。

５．将本文提出的算法与目前已有的两种商标图像检索算法进行对比实验，这两种对比算

法分别是：（】）基于规则子块区域特征和全局Ｈｕ不变矩的商标图像检索算法；（２）基于连通子图像区域特征的商标图像检索算法。通过对实验结果的分析可以看出，本文提出的算法对平移、缩放、旋转和镜像具有很好的不变性，而且对商标图像的几何形变不敏感，检索出的商标图像具有较好的视觉一致性。

关键词：基于形状特征的商标图像检索，子对象的轮廓特征，规则子块的区域特征，成对几何特征直方图，分层检索，无畸变预处理方法Ｉ

南京邮电人学硕十研究生学位论文

Ａｂｓｔｒａｃｔ

Ａｂｓｔｒａｃｔ

ＣｏｎｔｅｎｔＢａｓｅｄＩｍａｇｅｏｆｉｍａｇｅｓｂａｓｅｄ

ｏｎ

Ｒｅｔｒｉｅｖａｌ（ＣＢＩＲ）ｉｓ

ａ

ｎｏｖｅｌｔｅｃｈｎｏｌｏｇｙｗｈｉｃｈｍｅａｓｕｒｅｓｔｈｅｓｉｍｉｌａｒｉｔｙ

ｃｏｎｔｅｎｔｏｆｉｍａｇｅｓ．Ｃｕｒｒｅｎｔｌｙ，ｆｅａｔｕｒｅｓｅｘｔｒａｃｔｅｄｂｙＣＢＩＲａｒｅｆｏｃｕｓｅｄｏｎｔｈｅ

ｃａｎ

ｌｏｗｌｅｖｅｌｆｅａｔｕｒｅｓ，ｌｉｋｅｃｏｌｏｒ，ｔｅｘｔｕｒｅａｎｄｓｈａｐｅ．ＣＢＩＲａｐｐｌｉｅｄｉｎｓｐｅｃｉｆｉｃｆｉｅｌｄｔｈｅｋｎｏｗｌｅｄｇｅｏｆｔｈｅｓｐｅｃｉｆｉｃｆｉｅｌｄ，ＳＯｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇｒｅｔｒｉｅｖａｌｒｅｓｕｌｔｓ

ｂｅｎｅｆｉｔｆｒｏｍｍｅｅｔ

ｕｓｅｒｓ’

ｃａｎ

ｒｅｑｕｉｒｅｍｅｎｔｓｂｅｔｔｅｒ．Ｗｉｔｈｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｍａｒｋｅｔｅｃｏｎｏｍｙ，ｔｒａｄｅｍａｒｋｐｌａｙｓｍｏｒｅａｎｄｍｏｒｅ

ｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｍｏｄｅｍｗｏｒｌｄ，ａｎｄＣＢＩＲｔｅｃｈｎｉｑｕｅｈａｓｂｅｅｎｗｉｄｅｌｙｕｓｅｄｉｎｔｒａｄｅｍａｒｋｒｅｔｒｉｅｖａｌｆｉｅｌｄ．

Ｔｈｅｒｅｓｅａｒｃｈｏｆｔｈｉｓ

ｐａｐｅｒｉｓｍａｉｎｌｙ

ｏｎ

ｓｈａｐｅ—ｂａｓｅｄｔｒａｄｅｍａｒｋｉｍａｇｅｒｅｔｒｉｅｖａｌ．Ａｆｔｅｒ

ｏｎ

ａｎａｌｙｓｉｓａｎｄｃｏｍｐａｒｉｓｏｎｏｆｔｈｅｅｘｉｓｔｉｎｇｍｅｔｈｏｄｓｏｆｔｒａｄｅｍａｒｋｉｍａｇｅｒｅｔｒｉｅｖａｌｂａｓｅｄｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓｐａｐｅｒ

ａｒｅａｓ

ａ

ｃｏｎｔｅｎｔ，

ｎｅｗａｌｇｏｒｉｔｈｍｏｆｔｒａｄｅｍａｒｋｉｍａｇｅｒｅｔｒｉｅｖａｌ．Ｔｈｅｍａｉｎｃｏｎｔｒｉｂｕｔｉｏｎｓｉｎｔｈｉｓ

ｆｏｌｌｏｗｓ：

ｏｎ

Ｆｉｒｓｔｌｙ，ａｎｅｗａｌｇｏｒｉｔｈｍｏｆｔｒａｄｅｍａｒｋｉｍａｇｅｒｅｔｒｉｅｖａｌｉｓｐｒｏｐｏｓｅｄ，ｗｈｉｃｈｉｓｂａｓｅｄ

ｓｕｂ—ｏｂｊｅｃｔｃｏｎｔｏｕｒｆｅａｔｕｒｅａｎｄｓｕｂ?ｂｌｏｃｋｒｅｇｉｏｎｆｅａｔｕｒｅ．Ｉｎｏｒｄｅｒｔｏｏｖｅｒｃｏｍｅｔｈｅｄｉｓａｄｖａｎｔａｇｅｓ

ｕｓｅｓａ

ｏｆｔｈｅｅｘｉｓｔｉｎｇｐａｒｔｉｔｉｏｎｍｅｔｈｏｄｓ，ｔｈｅｎｅｗａｌｇｏｒｉｔｈｍ

ｔｗｏ－ｓｔａｇｅｈｉｅｒａｒｃｈｙ．Ｉｎｔｈｅｆｉｒｓｔｓｔａｇｅ，

ｓｕｂ－ｏｂｊｅｃｔｓｓｕｂ—ｏｂｊｅｃｔ

ａｒｅ

ｏｂｔａｉｎｅｄｆｒｏｍｅｖｅｒｙｔｒａｄｅｍａｒｋｉｍａｇｅａｎｄｐａｉｒ?－ｗｉｓｅｇｅｏｍｅｔｒｉｃｈｉｓｔｏｇｒａｍｏｆｅａｃｈ

ｉｓｃｏｍｐｕｔｅｄｔｏｒｅｐｒｅｓｅｎｔｔｈｅ

ｏｎ

ｓｕｂ－ｏｂｊｅｃｔｃｏｎｔｏｕｒｆｅａｔｕｒｅ．Ｉｎｔｈｅｓｅｃｏｎｄｓｔａｇｅ，ｒｅｔｒｉｅｖａｌ

ａｒｅ

ｉｓｅｘｅｃｕｔｅｄｂａｓｅｄ

ｔｈｅｒｅｓｕｌｔｏｆｔｈｅｆｉｒｓｔｓｔａｇｅ，ｔｈｅｓｅｉｍａｇｅｓ

ａｒｅａ

ｐａｒｔｉｔｉｏｎｅｄｂｙｔｈｅｉｍｐｒｏｖｅｄ

ｃｏｎｃｅｎｔｒｉｃｃｉｒｃｌｅｓｐａｒｔｉｔｉｏｎｍｅｔｈｏｄ，ａｎｄｉｎｖａｒｉａｎｔｍｏｍｅｎｔ

ａｒｅ

ｆｅａｔｕｒｅｓｏｆａｌｌｓｕｂ－ｂｌｏｃｋｓｃｏｍｂｉｎｅｄｗｉｔｈｇｌｏｂａｌＨｕ

ｅｘｔｒａｃｔｅｄｔｏｓｙｎｔｈｅｔｉｃａｌｌｙｒｅｐｒｅｓｅｎｔｔｈｅｃｏｎｔｅｎｔｏｆｔｒａｄｅｍａｒｋｉｍａｇｅｓ．

Ｓｅｃｏｎｄｌｙ，ｓｈａｐｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｍｅｔｈｏｄｕｓｉｎｇｐａｉｒ－ｗｉｓｅｇｅｏｍｅｔｒｉｃｈｉｓｔｏｇｒａｍｉｓｒｅｓｅａｒｃｈｅｄｄｅｅｐｌｙｉｎｔｈｅｐａｐｅｒａｎｄｔｈｉｓｍｅｔｈｏｄｉｓｉｍｐｌｅｍｅｎｔｅｄｔｏｒｅｐｒｅｓｅｎｔｔｈｅＩｎｏｒｄｅｒｔｏｏｂｔａｉｎｔｈｅｐａｉｒ－ｗｉｓｅｇｅｏｍｅｔｒｉｃｈｉｓｔｏｇｒａｍｓｏｆ

ｓｕｂ—ｏｂｊｅｃｔ

ｃｏｎｔｏｕｒ

ｆｅａｔｕｒｅ．

ｓｕｂ—ｏｂｊｅｃｔｓ，ｐｒｅｔｒｅａｔｍｅｎｔ

ｐｒｏｃｅｓｓｅｓ

ｉｎｃｌｕｄｅｅｄｇｅｄｅｔｅｃｔｉｏｎ，ｃｏｎｔｏｕｒｔｒａｃｋｉｎｇ，ｐｏｌｙｇｏｎａｌａｐｐｒｏｘｉｍａｔｉｏｎ，ｌｉｎｅｓｅｇｍｅｎｔｄｅｔｅｃｔｉｏｎ，ｃａｌｃｕｌａｔｉｏｎｏｆｄｉｒｅｃｔｅｄ

ｒｅｌａｔｉｖｅａｎｇｌｅ

ａｎｄｄｉｒｅｃｔｅｄ

ｒｅｌａｔｉｖｅｐｏｓｉｔｉｏｎ，ＳＯ

ｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇ

ａｌｇｏｒｉｔｈｍｓ

ａｒｅ

ａｌｓｏｉｎｖｅｓｔｉｇａｔｅｄ．

ｔｏ

Ｔｈｉｒｄｌｙ，ａｄｉｓｔｏｒｔｉｏｎｌｅｓｓｐｒｅｐｒｏｃｅｓｓｉｎｇｍｅｔｈｏｄｉｓｐｒｏｐｏｓｅｄ，ｗｈｉｃｈｉｓｕｓｅｄｔｒａｄｅｍａｒｋ

ｉｍａｇｅｓ

ｂｅｆｏｒｅ

ｒｅｔｒｉｅｖａｌ．Ｔｈｉｓ

ｍｅｔｈｏｄ

ｏｖｅｒｃｏｍｅｓ

ｐｒｏｃｅｓｓｅｘｉｓｔｉｎｇ

ｔｈｅ

ｓｈｏｒｔｃｏｍｉｎｇ

ｏｆ

ｐｒｅｐｒｏｃｅｓｓｉｎｇｍｅｔｈｏｄｓ，ＳＯｉｔｉｍｐｒｏｖｅｓｔｈｅｐｒｅｃｉｓｉｏｎｏｆｓｈａｐｅ—ｂａｓｅｄｔｒａｄｅｍａｒｋｉｍａｇｅｒｅｔｒｉｅｖａｌ．

Ｆｏｕｒｔｈｌｙ，ａｎ

ｉｍｐｒｏｖｅｄ

ｃｏｎｃｅｎｔｒｉｃ

ｃｉｒｃｌｅｓｐａｒｔｉｔｉｏｎ

ｍｅｔｈｏｄｉｓｐｒｏｐｏｓｅｄ．Ｔｈｉｓｍｅｔｈｏｄ

ｅｎｈａｎｃｅｓｔｈｅａｃｃｕｒａｃｙｏｆｅｄｇｅｒｅｇｉｏｎｆｅａｔｕｒｅｒｅｐｒｅｓｅｎｔａｔｉｏｎ．

Ｆｉｎａｌｌｙ，ｃｏｎｔｒａｓｔｅｘｐｅｒｉｍｅｎｔｓ

ａｒｅ

ｐｅｒｆｏｒｍｅｄｔｏｐｒｏｖｅｔｈｅｖａｌｉｄｉｔｙｏｆｔｈｅｎｅｗｔｒａｄｅｍａｒｋ

南京邮电人学硕＋研究生学位论文Ａｂｓｔｒａｃｔｉｍａｇｅｒｅｔｒｉｅｖａｌａｌｇｏｒｉｔｈｍ．Ｔｈｅｒｅｓｕｌｔｓｏｆｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｉｓｎｅｗａｌｇｏｒｉｔｈｍｉｓｓｕｐｅｒｉｏｒｔｏｔｈｅａｌｇｏｒｉｔｈｍｂａｓｅｄ

ｏｎｏｎｓｕｂ．ｂｌｏｃｋｆｅａｔｕｒｅｃｏｍｂｉｎｅｄｗｉｔｈＨｕｉｎｖａｒｉａｎｔｍｏｍｅｎｔａｎｄｔｈｅａｌｇｏｒｉｔｈｍｂａｓｅｄｃｏｎｎｅｃｔｅｄｓｕｂ—ｉｍａｇｅｓｒｅｇｉｏｎｆｅａｔｕｒｅ．Ｔｈｅｎｅｗａｌｇｏｒｉｔｈｍｃａｌｌｋｅｅｐｇｏｏｄｉｎｖａｒｉａｎｃｅｔｏｉｍａｇｅｔｒａｎｓｌｍｉｏｎ，ｓｃａｌｉｎｇ，ｒｏｔａｔｉｏｎａｎｄｍｉｒｒｏＬａｎｄｉｔ’Ｓｉｎｓｅｎｓｉｔｉｖｅｔｏｔｒａｄｅｍａｒｋｉｍａｇｅｄｉｓｔｏｒｔｉｏｎ．Ｃｏｎｃｌｕｓｉｖｅｌｙ，ｔｈｅｒｅｔｒｉｅｖｅｄｒｅｓｕｌｔｓｃａｎｓａｔｉｓｆｙｈｕｍａｎｖｉｓｕａｌｐｅｒｃｅｐｔｉｏｎｗｅｌｌ．Ｋｅｙｗｏｒｄｓ：Ｓｈａｐｅ—ｂａｓｅｄＴｒａｄｅｍａｒｋＩｍａｇｅ

ＲｅｇｉｏｎＦｅａｔｕｒｅ，Ｐａｉｒ－ｗｉｓｅＲｅｔｒｉｅｖａｌ，Ｓｕｂ—ｏｂｊｅｃｔＣｏｎｔｏｕｒＦｅａｔｕｒｅ，Ｓｕｂ—ｂｌｏｃｋＧｅｏｍｅｔｒｉｃＨｉｓｔｏｇｒａｍ，ＬａｙｅｒｅｄＳｅａｒｃｈｉｎｇＭｅｔｈｏｄ，ＤｉｓｔｏｒｔｉｏｎｌｅｓｓＰｒｅｐｒｏｃｅｓｓｉｎｇＭｅｔｈｏｄ

南京邮电人学硕士研究生学位论文算法索弓

算法索引

算法２．１

算法３．１

算法３．２

算法３．３

算法３－４

算法３．５

算法３－６

算法３—７

算法３．８

算法３－９

算法３．１０

算法４．１

算法４．２等距离同心圆分块法……………………………………………………………………………１３基丁．子对象轮廓特征利规则子块区域特征的商标图像分层检索算法………………………１６无畸变预处理算法………………………………………………………………………………ｌ８子对象抽取算法…………………………………………………………………………………２１Ｃａｎｎｙ边缘检测算法……………………………………………………………………………２２子对象轮廓跟踪算法……………………………………………………………………………２３Ｄｏｕｇｌａｓ．Ｐｅｕｃｋｅｒ算法……………………………………………………………………………………………………．２４Ｈｏｕｇｈ变换检测线段算法………………………………………………………………………２６成对儿何特征直方幽表示轮廓特征的算法……………………………………………………２６１卜等距离的同心圆分块法………………………………………………………………………３１高斯门一化算法…………………………………………………………………………………３５基丁．规则子块｜又：域特征和全局Ｈｕ不变矩的商标图像检索算法……………………………．３６基丁．单元子图像区域特征的商标图像检东算法………………………………………………３６

南京邮电人学硕十研究生学位论文图索弓

图索引

图１．１

图１．２

图２．１

图２．２

图２．３

图２．４

图２．５

ｔ？ｄ２－６

幽３．１

幽３．２

图３．３

幽３－４

幽３．５

幽３－６

图３．７

图３．８

幽３－９

幽３．１０

图３．１１

图３．１２

图３．１３

图３．１４

图４．１

图４．２

幽４．３

图４－４

图４．５

图４－６

图４．７

图４．８

图４－９

幽４．１０

图４．１１

图４．１２基丁．内容的图像检索系统框架……………………………………………………………………．．２仅含有图像或儿何幽形的商标幽像………………………………………………………………．．３两条线段的相对角…………………………………………………………………………………．．７两条线段的有向相对位置……………………………………………………………………………．８二维成对儿何特征直方图……………………………………………………………………………９基丁Ｉ图像分割为连通区域的方法…………………………………………………………………１２等距离同心圆分块法………………………………………………………………………………．１４组成相同但空间何置不同的商标图像……………………………………………………………１４尺寸归一化造成的形状畸变………………………………………………………………………１８最小外接圆的水平外切矩形………………………………………………………………………１９无畸变的预处理过氍………………………………………………………………………………１９两种连接准则………………………………………………………………………………………２１商标幽像分割子对象………………………………………………………………………………２１Ｃａｎｎｙ边缘检测的结果……………………………………………………………………………２２８．邻域………………………………………………………………………………………………………………………………２３对于对象进行边缘跟踪……………………………………………………………………………２４Ｄｏｕｇｌａｓ—Ｐｅｕｃｋｅｒ算法过程…………………………………………………………………………．２５多边形逼近效果……………………………………………………………………………………２５二维成对儿何特征直方图转换为一维成对儿何特征直方图……………………………………２８质心位移对外搂圆的影响…………………………………………………………………………３０非笛距离的同心圆分块法…………………………………………………………………………３１原商标图像经过Ｊ６Ｎ形变后产生的相似图像……………………………………………………３３精度ＶＳ．同召率曲线………………………………………………………………………………．３８待检索的样本商标幽像……………………………………………………………………………．．３９Ｎｏ．１样本图像经过平移后的结果…………………………………………………………………３９Ｎｏ．１样本图像经过缩放后的结果…………………………………………………………………３９Ｎｏ．１样本图像经过旋转后的结果…………………………………………………………………４０Ｎｏ．１样本幽像经过镜像斤的结果…………………………………………………………………４０）Ｌｆ，Ｊ不变性实验的结果……………………………………………………………………………．４２几何形变示意图……………………………………………………………………………………４４Ｎｏ．１样本图像经过Ｊ６ｉ，Ｉ形变斤的结果……………………………………………………………４４儿何形变实验的结果………………………………………………………………………………．４６视觉一致性实验中的样本幽像……………………………………………………………………４８视觉一致性实验的结果……………………………………………………………………………４９５８

南京邮电大学硕士研究生学位论文表索弓

表索引

表３．１

表４．１

表４．２分别用算法２．１和算法３－９计算山的图像距离…………………………………………………．３３实验１：商标幽像检索ＰＶＲ指数（以％计）……………………………………………………４３实验２：商标幽像检索ＰＶＲ指数（以％计）……………………………………………………．４７５９

南京邮电大学学位论文独创性声明

本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。

研究生签名：盏撕、Ｊｖ｛Ｉ！ＩＩＩ：翌ｊＩ＝堡：呈

南京邮电大学学位论文使用授权声明

南京邮电大学、中国科技信息研究所、国家图书馆有权保留本人所送交学位论文的复印件和电子文档，可以采用影音、缩印或其他复制手段保存论文。本人电子文档的内容和纸质论文的内容相一致。除在保密期内的论文外，允许论文被查阅和借阅，可以公布（包括刊登）论文的全部或部分内容。论文的公布（包括刊登）授权南京邮电大学研究生部办理。

研究生签名：奎童导师签名：乏嘁

南京邮电人学硕＋研究生学位论文第一章绪论

第一章绪论

１．１基于内容的图像检索

随着现代电子技术、计算机技术、多媒体技术以及Ｉｎｔｅｒｎｅｔ网络的飞速发展，图像信息的使用逐渐渗透到社会的各行各业，图像已成为大众化数字信息的一种重要形式，人们对图像信息的需求也越来越大。因此如何对规模越来越庞大的图像数据库进行有效的管理，快速、高效地从海量图像数据中检索出所需信息成为一个突出的问题【１１【３１【４１【５１。

人们在信息的交流与服务中不仅要求数据库及其信息系统能对图像进行基于关键字的检索，他们还需要进行图像内容的分析和理解，以达到更深层次的检索，于是基于内容的图像检索技术应运而生【５１。目前基于内容的图像检索技术在数字图书馆、知识产权保护（如商标注册）、地理信息系统ＧＩＳ、安全管理（如人脸识别和指纹识别）、医疗图像管理、卫星遥感图像管理等领域得到了非常广泛的应用ｌＩＪ。

１．１．１基于内容的图像检索的框架

基于内容的图像检索技术（ＣｏｎｔｅｎｔＢａｓｅｄＩｍａｇｅＲｅｔｒｉｅｖａｌ，简称ＣＢＩＲ）根据图像中物体或区域的颜色、纹理、形状和空间位置关系等信息建立索引，并且通过图像特征向量间的距离进行相似性度量…。ＣＢＩＲ系统的框架如图１．１所示，主要包括两个阶段【３】：特征值预先提取阶段和图像检索阶段。

１．在特征值预先提取阶段中，图像数据库中每幅图像的特征值被计算出来并存放在特征

索引文件中：

２．在图像检索阶段中，先提取待检索的样本图像的相关特征值，然后将其和特征索引文件中的信息进行比较，以获得最匹配的结果。

南京邮电人学硕十研究生学位论文第一章绪论

输入图像Ｊ牛巾

的幽像二二［对幽像进７Ｊ：预

处理输入待检索的样小图像二］［二对图像进ｉＪ：预处理

提取特征值ｌｌ提取特征值

特征索弓

义件特征值匹配

图１．１基丁．内容的图像检索系统框架

１．１．２基于内容的图像检索的特点

ＣＢＩＲ突破了传统的基于关键字检索技术的局限性，融合了图像理解、模式识别和计算机视觉等技术，具有如下显著的特点【３】【５】：

１．直接从图像内容中提取信息线索。基于内容的图像检索直接对图像的内容进行分析，

从中提取描述图像内容的特征，并利用这些特征来建立索引。

２．基于内容的图像检索是一种近似匹配的技术。在数据库中，需使用模式识别的方法对

图像库中的图像按不同索引特征分类。在检索的过程中，它采用某种相似性度量方法对图像库中的图像进行匹配，以获得查询结果。这一点与常规数据库检索的精确匹配方法有明显不同。

３．采用可视化的示例查询法。基于内容的图像检索通常采用示例查询法，用户可以通过

选择待检索的样本图像或自己绘制的图形作为查询条件，系统从中提取特征并进行查询，最后用户可以通过浏览结果的方式检验查询结果的好坏。

４．特征提取和索引建立可由计算机自动实现，避免了人工描述的主观性，也大大减少了

工作量。

１．２基于形状特征的商标图像检索

１．２．１基于形状特征的商标图像检索研究背景

商标是商品的重要标识之一，是商品生产者、销售者或服务提供者为商品与服务设立的标志，它的产生和应用是商品经济发展的产物【５７１。商标代表着企业的声誉和产品的质量。２

南京邮电人学硕十研究生！学何论文第一章绪论因此，商标的注册对于保护商标持有人的合法权利非常重要，在新商标注册前必须先在商标库中进行检索，以保证其与已注册的商标有明显不同１５¨。

传统的商标检索是基于文本的检索，包括基于类目的检索和基于关键字的检索。随着注册商标数目的增多，基于文本的检索显露出三个弊端：（１）手工分类的人工消耗比较大；（２）难以描述商标的相似性，不易保证商标分类、标引的一致性：（３）对于一些抽象商标图像既不易归类，也不易通过文本方式来描述。因此开发一种准确高效的商标图像检索系统具有很大的研究和实用价值【２引。

基于形状特征的图像检索的一个典型应用是商标图像的检索ｐ６１。这里的商标图像是指仅包含图像或几何图形的商标，如图１．２所示。这种商标图像的特征一般包括颜色、形状以及版面等特征，与其它图像相比，作为人工图像的商标图像，其形状特征较颜色和纹理特征更为显著，而且许多商标图像属于单色无纹理的二值图像，因此一般利用形状特征进行检索，而形状特征的表达必须以对图像中物体或区域的划分为基础。对于一般的图像，当前的技术无法做到准确而鲁棒的自动图像分割，但是对于商标图像，其包含的物体或区域比较容易获得，所以基于形状特征的图像检索能很好地应用于商标图像的检索中。

臻善鲁ｒ

！：：：言罨臻咒ｏ?一一一一

一’一一一，，ｒ１＿

幽１．２仅含有图像或ＪＬｆ．１图形的商标图像

本文研究了将基于形状特征的图像检索技术应用到商标图像的检索系统中，以实现更直观和客观的商标图像检索。

１．２．２基于形状特征的商标图像检索研究现状

基于内容的图像检索始于２０世纪９０年代，因此，以基于内容检索方式查询商标图像也属于较晚兴起的研究，该领域的早期研究之一是１９９２年同本的Ｔ．Ｋａｔｏ建立的商标图像检索系统【３¨。在过去的十几年中，出现了许多基于形状特征的商标图像检索算法，它们在商标图像的形状表示与匹配以及相似性度量方面都做了大量的工作。Ｃｏｒｔｅｌａｚｚｏｅｔａｌｔ２９１采用串匹配技术描述商标图像的形状特征。Ｌａｍ［９】使用无关矩、傅立叶描述子描述商标图像形状特征。Ｊａｉｎ和Ｖａｉｌａｙａ［圳提出用两级的分层检索结构进行商标图像检索，该算法采用边界方向直方图和Ｈｕ不变矩进行初步筛选，产生少量的候选图像，然后用计算量比较大的变

南京邮电人学硕士研究生学位论文第一章绪论形模板匹配方法在候选图像中选出与样本图像相似的图像。Ｋｉｍ等ｐｏＪ利用的是ＺＭＭｓ矩描述商标图像。Ｓｈｉｈ和Ｃｈｅｎ／２８】利用两种变形参数、形状无关矩和边缘直方图四类特征来描述商标图像，并对这四类分别加权计算整体相似性。Ｗａｎｇ等【２５】提出用轮廓特征进行商标图像检索。Ｓｕｇａｎｔｈａｎ１３８１提出基于自组织图的商标图像检索算法。黄元元…提出综合利用商标形状特征与其内部空间位置特征的二值商标图像检索方法，先对图像内部各个连通子图像进行形状相似性度量，然后利用投影分类的方法匹配空例位置关系。郭丽和黄元元等

【６３】提出基于方向特征的商标图像检索算法，该算法用边界方向直方图表示目标的边界方向特征，用区域方向直方图表示目标区域方向特征。郭丽【５２】提出基于四叉树分块的商标图像检索系统。孙兴华１５０Ｊ研究并提出在商标图像检索中局部特征比全局特征能起到更好的检索效果，因此对如何结合各类特征的融合准则进行了深入研究。Ｓｈｅｎ［３９Ｊ提出按照分块特征索引码对商标图像进行检索。Ｚｏｕ［３７１等提出基于极坐标分块的商标图像检索方法，保证了分块图像特征的镜像不变性。Ｈｏｎｇ［ＴＭ提出利用轮廓特征和区域特征进行综合多特征检索的算法。

总的来说，现有的商标图像检索研究基本上还停留在实验阶段，目前现有的商标图像检索方法，在缩放、旋转不变性，对于几何形变图像的检索能力、检索精度以及图像与人的视觉感受相一致等方面还存在不足，需要研究新的有效方法，并综合多种方法【５２】。１．３本文的主要工作及创新点

本文对基于形状特征的商标图像检索方法进行了研究，对该领域近几年提出的检索算法进行了对比分析，提出～种基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法。其主要工作如下：

１．对如何更好地表示商标图像局部形状特征的方法进行了分析研究，详细叙述了目前两

种主要的提取局部形状特征的算法，并指出了这两种算法各自的不足。针对这些不足，本文将按照对象分割图像的思想应用于商标图像局部特征的提取中，提出了基于子对象轮廓特征和规则子块区域特征的商标图像检索算法，该算法将图像分割为连通子对象的方法和图像划分为规则子块的方法有效地结合起来，进行分层检索。该算法提取的形状特征包括子对象的轮廓特征和规则子块的区域特征，这样可以避免使用单一特征时表示形状不充分的缺点。

２．深入研究了利用成对几何特征直方图表示形状轮廓特征的算法，并采用此算法表示商

标图像中子对象的轮廓特征。为了得到子对象的成对几何特征直方图，需要进行子对４

南京邮电人学硕十研究生学位论文第一章绪论

象抽取、边缘检测、轮廓跟踪、轮廓多边形逼近、Ｈｏｕｇｈ变换检测线段、计算有向相对角和有向相对位置等步骤，因此本文对这些步骤中涉及到的算法进行了研究。

３．在实验中发现，目前常用的预处理方法会造成商标图像中形状的失真，本文对失真的

原因进行了分析，并提出一种无畸变的预处理方法。该方法提高了基于形状特征的商标图像检索算法的性能。

４．针对等距离同心圆分块法的不足之处，本文提出了改进的同心圆分块法，该方法提高

了商标图像边缘区域特征表示的精度。

５．将本文提出的算法与目前已有的两种商标图像检索算法进行对比实验，这两种对比算

法分别是：（１）基于规则子块区域特征和全局Ｈｕ不变矩的商标图像检索算法；（２）基于连通子图像区域特征的商标图像检索算法。通过对实验结果的分析可以看出，本文提出的算法对平移、缩放、旋转和镜像具有很好的不变性，而且对商标图像的几何形变不敏感，检索出的商标图像具有较好的视觉一致性。

本文的创新点可以归结为以下几点：

１．提出基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法；

２．提出无畸变的商标图像预处理方法；

３．提出改进的同心圆分块法。

１．４本文的内容安排

本文的主要内容安排如下：

第一章绪论。主要阐述了基于内容的图像检索的框架与特点、基于形状特征的商标图像检索算法的研究现状、本文所做的主要工作以及本文的内容安排。

第二章叙述相关的原理与技术。首先介绍了本文所用到的表示轮廓特征的成对几何特征直方图与表示区域特征的Ｈｕ不变矩和离心率。其次介绍了两种主要的提取商标图像局部形状特征的方法。

第三章提出并描述基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法。该算法的过程为：（１）采用无畸变的预处理方法对商标图像进行预处理；（２）第一层检索提取商标图像中子对象的轮廓特征，采用加权最小平均值准则来度量商标图像间的相似性，产生第一层检索的结果集合；（３）第二层检索将第一层检索的结果集合作为搜索范围，提取规则子块的面积特征和全局Ｈｕ不变矩，通过欧式距离来计算相似性，产生最终的检索结果。

南京邮电人学硕士研究生！学位论文第一章绪论

第四章设计实验并分析实验结果。首先介绍了实验中用到的两种对比算法。其次叙述了几种主要的性能评价方法。最后，对实验结果进行了分析。

第五章总结与展望。对本文的研究工作及取得的成果进行了归纳总结，并提出今后的研究方向。

最后是参考文献。６

南京邮电人学硕十研究生学位论文第二章相关原理及技术介绍

第二章相关原理及技术介绍

本章将详细叙述三种形状特征表示方法：成对几何特征直方图、Ｈｕ不变矩和离心率。另外，对目前常用的两种提取商标图像局部形状特征的方法进行介绍，并分析其优缺点。２．１形状特征表示方法

通常来说，形状特征有两种表示方法【１９Ｊ：轮廓特征和区域特征。轮廓特征用到物体的外边界，而区域特征关系到整个图像的区域部分。人们习惯根据闭合的轮廓或边界来判断形状的相似性，但是使用闭合轮廓作为唯一的特征进行检索，效果也不是很成功。另一方面，单独使用区域特征进行检索的缺点是对物体内细小的变化很敏感，不具有足够的鲁棒性。这些因素表明，有必要结合轮廓特征和区域特征来进行图像检索。

２．１．１成对几何特征直方图（Ｐａｉｒ－ｗｉｓｅＧｅｏｍｅｔｒｉｃＨｉｓｔｏｇｒａｍ）

成对几何特征以及成对几何特征直方图是一种形状轮廓表示方法。先是Ｅｖａｎｓ等【４３】提出了相对角和垂直距离这对几何特征，并采用几何直方图进行图像检索。后来Ｂ．Ｈｕｅｔ等【４２】在此基础上提出了改进的成对几何特征。下面主要阐述一下基于改进的成对几何特征和成对几何特征直方图的轮廓特征表示方法。

定义１．有向相对角（ＤｉｒｅｃｔｅｄＲｅｌａｔｉｖｅＡｎｇｌｅ）。

对于每条线段的原始可用信息是它的方向和长度。为了说明成对几何特征是如何确定的，将线段历和线段历分别表示成向量历和刁，这些向量的指向是距离它们交点较远的方向。取线段幻作为基线段。成对几何特征中的相对角即为两条线段之倒或者其延长线之间的夹角ａ，如图２．１，那么相对角特征就可以用公式２．１表示。

ｄ

图２．１两条线段的相对角

南京邮电人学硕十研究生学位论文第二章相关原理及技术介绍

‰一ｃｃｏｓｌ耥Ｉ

的角度范围从［０，棚扩充到［．瓦棚。因此，角度属性也相应地增大了分辨能力。

定义２．有向相对位置（ＤｉｒｅｃｔｅｄＲｅｌａｔｉｖｅＰｏｓｉｔｉｏｎ）。＠，，通过相对角可以计算出有向相对角，即如果基线段历和与它匹配的线段刁２＿ｆ自Ｊ的夹角的方向是顺时针，那么有向相对角就是在相对角前面加上正号，反之，如果它们的央角方向是逆时针，那么有向相对角就是在相对角前面加上负号，这样成对线段历和历之间

引入相对位置的目的是为了描述一对线段之Ｉ’自Ｊ的相对位置关系，同时解决只有一个特征所产生的局部形状模糊问题【４２１。图２－２［４２１就显示了这种局部形状模糊的情况，从图中可以看出线段历和一ｅｆ关于基线段磊都有相同的有向相对角。这种结构如果在有向相对角的基础上结合有向相对位置特征，那么就能唯一地定义这个局部形状。

｛

图２．２两条线段的有向相对位置

有向相对位置岛．刁是用向量历和向量历的长度比率表示的，如公式２．２［４２１所示。其中ｉ是基线段ａ—ｂ和线段历的交点或者延长线的交点，历则是ｉ和ｂ两点所确定的向量。

Ｄ，

岛矿芒ｄ扫（２．２）

有向相对位置如果为。。则表明这两条线段是平行的，如果为１／２则表明这两条线段的交点落在基线段的中点，如果为１则表明这两条线段相交于基线段的起始点。根据向量方向的指定（即距离它们交点较远的方向），得出线段交点落在基线段中点时是相对位置取最小值的情况，因此有向相对位置的取值范围为［１／２，∞）。

定义３．二维成对几何特征直方图（２ＤＰａｉｒ．ｗｉｓｅＧｅｏｍｅｔｒｉｃＨｉｓｔｏｇｒａｍ）。

二维成对几何特征直方图的描述是以上述成对几何特征为基础的。下面就来说明在成对几何特征直方图中如何表示成对几何特征。

由定义１和定义２得知有向相对角的范围为【．７Ｃ，明，而有向相对位置的范围为［１／２，ｏｏ）。Ｒ

南京邮电大学硕十研究生学位论文第二章相关原理及技术介绍当计算直方图的时候处理００不是很实际，

动，成为公式２．３［４２１所示：所以为方便统计，将有向相对位置的公式稍做改

％，刁＝Ｔ＿１丐一▲——旦

２（２．３）Ｄ矗

这样有向相对位置的范围就变成（０，１］。

将直方图ｘ轴方向代表有向相对角，Ｙ轴方向代表有向相对位置，ｚ轴方向代表成对几何特征的统计值Ⅳ（秒。，１９。），二维成对几何特征直方图如图２－３所示。

幽２－３二维成对儿何特征直方图

成对几何特征直方图的统计过程可以用公式２．４ｆ４２】表示：

日ｃ吼，岛，＝｛Ｚ：２ｉ量；，＋１‘。砌ｅＰｏ刑Ｅ，三

段＿／的图像边界。

２．１．２ｃ２．４，其中ｉ和，是从原始图像中提取出的两条线段，Ｅ代表符合条件的边集，Ｐｆ，表示分段ｉ和分Ｈｕ不变矩

Ｈｕ不变矩‘４１１是由图像的２阶和３阶规格化中心矩导出的７个不变矩组成的，它是一种经典的形状区域表示方法，在图像的识别和检索中都得到了广泛的应用ｆ１９】。Ｈｕ证明了７个不变矩中的前６个不变矩对于图像的平移、缩放和旋转变化都具有良好的不变性，而第７个不变矩只具有平移和缩放不变性【１８】。

定义１．函数的ｐ＋ｑ）阶矩。给定二维连续函数Ｆ（ｘ，力，其ｐ＋ｇ）阶矩定义为公式２．５所示：

Ｍ朋＝￡Ｅｘｒｙ９，（ｘ，ｙ）ｄｘｄｙ（２．５）

其中Ｐ，ｑ＝０，１，２，…。唯一性定理证明，如果Ｆ（ｘ，ｙ）是分段连续的，并且只在拶平面的有限部分中有非零值，则所有各阶矩皆存在，并且Ｖ（ｘ，力唯～地确定矩序列坞ｇ，ｑ

南京邮电火学硕十研究生学位论文第二二章相关原理及技术介绍反之，坛也唯一地确定Ｆ（ｘ，力。

定义２．函数的ｐ＋ｇ）阶中心矩。给定二维连续函数Ｆ（ｘ，力，其ｐ＋ｇ）阶中心矩定义为公式２．６所示：

∥朋＝￡￡（ｘ—ｉ）ｐ（Ｙ－ｙ）９Ｆ（五ｙ）出ｄｙ

其中ｉ和Ｙ可分别用公式２．７和公式２．８表示：（２．６）

ｉ＝专若｝———一ＩＩＦ（ｘ，ｙ）ｄｘｄｙ

Ｙ＝专芒｝———一ＩＩＦ（ｘ，ｙ）ｄｘｄｙ

因此ｉ和歹也可以表示为公式２．９的形式：ＩｌｘＦ（ｘ，ｙ）ａｘａｙ（２．７）ＩＩ∥（ｘ，ｙ）ｄｘｄｙ（２．８）

ｉ：挚，歹：下ＭｏｌＭ００Ｍｏｏ。（２．９）、。

定义３．图像的ｐ＋ｇ）阶矩和ｐ＋ｇ）阶中心矩。对于离散的数字图像ｆ（ｘ，ｙ），可以用求和代替积分来计算矩和中心矩。公式２．１０表示数字图像ｆ（ｘ，力的矩，公式２．１１表示数字图像ｆ（ｘ，ｙ）的中心矩：

Ｍ朋＝∑ＺＸＭＹｆ（ｘ，ｙ），Ｐ，ｑ＝ｏ，１…２．．

‰＝∑∑（ｘ—ｉ），（ｙ－Ｙ）９ｆ（ｘ，ｙ），ｐ，ｑ＝ｏ，１…２．．

其中（ｉ，歹）表示图像质心点的坐标。这里，零阶矩可以表示为公式２．１２所示：（２．１０）（２．１１）

Ｍ。。＝∑∑ｆ（ｘ，ｙ）（２．１２）

对于二值商标图像，令其背景值为０，形状区域内的值为１，则零阶矩表示该形状区域的面积。中心矩是以图像的质，ｔｂ作为原点计算得到的，因此中心矩具有位置无关性。

图像的规格化中心矩记作ｒ／ｐｑ，定义为公式２．１３ｔ哼１：

驴急，厂＝半，ｍ．２，３，．．?

规格化中心矩在物体平移、缩放和旋转时保持不变。（２．１３）

定义４．图像的Ｈｕ不变矩。利用图像的７个归一化中心矩｛Ｈ，，，Ｕｏ：，∥２。，一２，∥：。，胁，，，ｕ３。）可以导出公式２．１４…所示的７个不变矩，即Ｈｕ不变矩：ｌＯ

南京邮电人学硕十研究生学位论文第－二章相关原理及技术介绍

识＝∥２０＋风２

欢＝（∥２０一砌）２＋４∥？ｌ

九＝（／６０一３∥１２）２＋（风３～３∥２Ｉ）２

么＝（鸬ｏ＋∥１２）２＋（％３＋∥２１）２

九＝（从。一３，ｕｌ２）（心。＋“２）『（从。＋“２）２—３（‰３＋∥２１）２］（２?１４）

＋（鳓３—３／ａ２１）（∥０３＋∥２１）［（‰３＋／１２１）２—３（∥３０十∥１２）２］

九＝（∥２０一／－ｔ０２）Ｉ（心ｏ＋“２）２—３（风３＋∥２Ｉ）２ｌ＋４ｆｌＩｌ（／ａ３０＋Ｈ２）（硒３＋鸬１）

办＝（３∥２Ｉ一肌３）（鸬ｏ＋∥１２）ｆ（∥３０＋∥２Ｉ）２－３（／ｄ３０＋∥１２）２

图像的Ｈｕ不变矩可表示为公式２．１５【４。１所示：

伊＝｛磊，政，九，么，九，统，办｝（２．１５）

Ｈｕ不变矩的不足之处在于它对图像的描述太过笼统，难以反映细节。另外在离散情况下，图像变换是不连续的，除平移、镜像变换外，旋转和缩放变换均会导致图像像素数目的变化，从而使计算结果产生误差。所以在提取Ｈｕ不变矩时应该首先对图像进行预处理。另外，为了提高检索的性能，应将Ｈｕ不变矩与其他形状特征表示法结合起来进行检索。２．１．３离心率

离心率（Ｅｃｃｅｎｔｒｉｃｉｔｙ）又称偏心率、伸长率，可以由（矿晕）阶中心矩定义，按公式２．１６计算：＆：缝型烨（％ｏ＋鸬２）。（２．１６）、２．２基于图像局部形状特征的检索方法

在基于形状检索的研究中有两种思路【６引，一种是全局特征匹配，强调对整体图像的形状、轮廓特征分析；另一种思路是局部特征匹配，强调对图像内部对象的个体特征分析。商标图像的全局特征是对整幅商标图像提取的特征，其强调图像的整体特征，而忽略了局部图像特征和局部图像间的空间关系。事实上，商标图像局部特征和局部图像问的空间关系同样是商标图像检索中非常重要的特征【５４１。一般来说，人对计算机商标图像检索结果的评价主要是以商标图像中的目标（局部特征）来进行衡量的，所以基于图像局部形状特征的检索更适合商标图像的检索【５４Ｊ。描述图像局部形状特征的方法主要有两类１５６］：第～类是基于图像分割为连通区域的方

南京邮电人学硕＋研究生学佗论文第一章相芙原理及技术介鲋法，第二类是基于图像划分为规则子块的方法。

２．２．１基于图像分割为连通区域的方法

商标图像属十人工设计图像，很多商标图像都是由若干边界分明且互不重叠的几何图形构成的。这些几何图形所在的区域其内部是互相连通的，而和别的几何图形不相连，如图２－４所示，其中２－４（ａ）为原商标图像，２－４（ｂ）（ｃ）是按照连通性分割出的子图像。基于图像分割为连通区域的方法首先从商标图像中提取各个连通区域，然后分别针对各个连通区域进行特征提取。

固脚

曲原商标幽像

幽２－４（ｂ）于幽像Ｉ基ｒ削像分别为连通区域晌方法●ｃ１子幽像２

基于改方法的商标图像检索算法研究有：黄元元””提出的综合利用商标形状特征与其内部空间位置特征的二值商标图像检索算法，该算法的基本思想是将商标图像看作足一个由若干具有显著形状特征的几何图形组成的图形集合体，先对其内部各个组成部分进行形状相似性度量，然后利用投影分类的方法匹配空间位置关系，整个检索过程分为初级检索和检索求精，即分别对应形状匹配和位置匹配两个阶段。孙兴华等”…对商标图像检索中的子图像特征融合准则进行了研究，根据子图像可信度列商标图像特征融合准则进行加权改进，提出了加权最小平均值准则，通过公式推导和实验证明基于子图像特征融合的商标图像检索性能优于基于全局图像特征的检索性能，子图像特征融合加权准则优于未经加权的于图像特征融台准则．其中加权最小平均值准则最优。马玉国等【”淝商标躅像分割为多个独立的单元连通子图像，然后对各个单元子图像提取Ｈｕ不变矩和离心率，并利用多特征匹配方法对商标图像进行检索。

２．２２基于图像划分为规则子块的方法

基于图像划分为规则子块的方法首先将商标图像分为若干舰则子块，然后分别提取每个子块的特征。采Ｊ；｝ｊ这种方法通常需要做一些预处理工作．包括提取商标图像的目标区域、确定商标图像的形状主方向和根掘形状主方向旋转商标图像，这样可以消除图像平移和旋转的影响。在检索中，除了提取商标图像相应予块的特征外，通常还需要考虑商标图像全１２

南京邮电人学硕士研究生学位论文第二章相关原理及技术介绍局特征，最后通过加权计算总的相似性。

基于该方法的商标图像检索算法研究有：郭丽【５２】提出的基于四叉树分块的商标图像检索算法，该算法首先确定商标图像的形状主方向，然后通过提取最小外接矩形作为目标区域，再将目标区域按照４叉树的分解方式划分为多个子块，对每个子块提取特征并对图像进行相似性度量；ＺｏｕＩ”】提出的基于极坐标分块的商标图像检索算法，即提取目标像素的最小外接圆作为目标区域，在以最小外接圆圆心为原点、图像的形状主方向为极轴的极坐标中将图像分块，提取各子块的特征。曹清华等ｆ５８ｌ利用基于等距离同心圆分块法的商标图像检索算法，该算法不需要计算形状主方向和旋转图像来实现检索对旋转的不变性，是一种较为简单、计算量较小的分块算法。郭丽【５２】也曾利用同心圆分块法将商标图像分块后计算距离分布直方图进行检索。下面将介绍等距离同心圆分块法。

该算法用同心圆将商标图像划分为子块后，提取各个子块的面积特征。该算法的步骤如算法２．１所示。

算法２．１等距离同心圆分块法

具体算法描述【５９】【５２】如下：

１．设商标图像函数为ｍ，ｙ），由公式２．９计算出图像的质心（ｉ，歹），以质心为基准点，按照公式２．１７计算图像中各个目标像素点到基准点的距离：

●。‘。。‘。。’’’’●。。●。。●。。。＿。－。。－。●。。＿。●＿。‘。●＿。。。。＿。。。＿。。一

一＝４（ｘ，一ｉ）２＋（Ｙ，－ｙ）２

满足公式２．１８的西是图像中所有目标像素点到基准点的最大距离，记为ＤＭＡⅣ：（２．１７）

％Ⅳ＝ｍａｘ（ｄ，），ｉ＝１，２，．．．，ＭＡＸＮＵＭＢＥＲ

其中ＭＡＸＮＵＭＢＥＲ为图像中含有的目标像素点总个数。（２．１８）

２．以质心为圆心，以Ｄ朋ｘ为半径画圆，该圆包含商标图像中所有的目标像素点。将该圆的半径等距离分成Ⅳ份，画Ⅳ个同心圆，如见图２．５所示。这Ⅳ个同心圆将商标图像的目标区域划分为Ⅳ个规则子块，，Ｏ，力，…，，『０，ｙ），…，ＩＮ（Ｘ，力，１≤ｆ≤Ⅳ。

南京邮电人学硕十研究生学位论文第一章相戈原理及技术介圣ｆ｛

◆《

（ａ）原商标削像

恻２－５◆《（ｂ）锋距离同心倒划分子块等距离同心圆分块法

３按照公式２１９¨算出每个圆环内图像的面积“Ｊ１，ｌ！ｆ！Ⅳ。则各规则予块对应的面积分别为ｓ（１），ｓ（２）．…，Ｊ（Ⅳ），其中Ｎ越大则划分精度越高。

嘶）＝；；似∽，ｔｙＮ足旦等坠ｃ瓜可而万ｓ生争（２１９）

４按照公式２２０时５（ｊ）进行归一化，得到面积特征向ＮｆＡ＝｛Ｔｓ（Ｉ），ｒｓ（２）．，而（＾。｝：

（２２０）吲扣嚣，…州

２２３上述方法的优缺点分析

２２ｌ和２，２２节己经叙述了提取图像局部形状特征的两种主要方法，这两种方法都具有其优点．也存在不足之处。

基于图像分割为连通区域的方法其优点在于根据连通性提取出的各个区域能够反映出局部图像特征，它们是商标的组成部分．每个区域在人的大脑中会形成相对独立的印象，人的视觉更关注于这些组成部分。所以这些连通区域的特征对商标图像而言是非常重要的，分别考虑其连通区域的形状特征对于商标图像的检索更为合理和准确．尤其是当商标图像是由多个几何图形组成时，该方法能够突出各个几何图形的特征。而这种方法的不足之处是连通区域不能表达出商标图像的空间师局关系。如图２－６所示的组合商标图像中，几个相同的几何图形若出现在不同的位置上，就会给人以不同的视觉感受，尽管组成两幅商标图像的几何圈形是一样的，但在人眼看柬，它们还是具有一定筹距的图像。

幽２－６｝Ｒ成相同仉宅问何苴不同的商标酗像

基于图像划分为规则子块的方法其优点在于每个予块图像特征反映丁图像的局部特

南京邮电入学硕十研究生学位论文第二章相关原理及技术介绍征，而多个子块图像特征的有序结合反映了各局部特征问的空例关系，从而反映了图像的全局特征。也就是说，该方法综合利用全局特征和局部分块特征对商标图像内容进行描述，～定程度上提高检索性能。而这种方法的缺点是它在整幅商标图像的基础上分块，其划分的子块只是图像的局部拼图并不是相互独立的连通区域。另外，因为子块图像中的内容无法表达一个完整的几何图形，所以基于这种方法的检索中不能使用形状的轮廓特征，从子块中提取轮廓特征是没有意义的。故该算法无法结合轮廓特征和区域特征进行商标图像检索。

２．３本章小结

本章首先叙述了成对几何特征直方图、Ｈｕ不变矩和离心率，这些特征都具有良好的平移、缩放、旋转和镜像不变性。

接着叙述了两种提取图像局部形状特征的方法，包括基于图像分割为连通区域的方法和基于图像划分为规则子块的方法，并指出了近几年基于这两种方法的算法研究工作，最后分析了这两种提取局部形状特征的方法的优缺点。

南京邮电人学硕士研究生学位论文第三章一种新的基丁．形状特征的商标幽像分层检索算法

第三章一种新的基于形状特征的商标图像分层检索算法针对现有基于图像局部形状特征的商标图像检索算法的不足，本文提出了基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法。该算法将子对象的轮廓特征、规则子块的区域特征以及全局特征有效地融合在～起。实验证明该算法对平移、缩放、旋转和镜像具有很好的不变性，而且对图像的几何形变不敏感，检索出的商标图像具有较好的视觉一致性。本章将详细描述该算法。

３．１算法概述

本文提出了基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法。该算法强化了按照连通区域分割的思想，将按照图像子对象分割的思想应用于商标图像检索中。与连通子图像的定义相比较，子对象的定义能更好地反映出商标图像中的各个组成部分。为了避免子对象的特征不能反映出商标图像空间布局关系的缺点，该算法在第一层检索结果的基础上采用改进的同心圆分块法对商标图像进行第二层检索，利用规则子块的特征反映出子对象的内部特征和商标图像空间布局关系特征。

该算法的步骤如算法３．１所示：步骤１是预处理过程：步骤２到步骤１１为第一层检索即基于子对象轮廓特征的检索：该层检索首先抽取出商标图像中的子对象，然后计算子对象的成对几何特征直方图，最后采用加权最小平均值准则【５４】作为相似性度量函数；步骤１２至步骤１５为第二层检索即基于规则子块区域特征的检索：该层检索将第一层检索的结果集合作为搜索范围，采用改进的同心圆分块法，提取子块图像的面积特征，同时结合全局Ｈｕ不变矩特征，最后采用欧式距离作为相似性度量函数。

算法３．１基丁．子对象轮廓特征和规！ｉ！｜Ｊ子块区域特征的商标图像分层检索算法１６

南京邮电人学硕十研究生学位论文第二章一种新的基丁：形状特征的商标图像分层检索算法

５．对边缘检测的结果进行８．邻域轮廓跟踪（算法３．５），得到子对象的外轮廓

曲线；

６．采用Ｄｏｕｇｌａｓ．Ｐｅｕｃｋｅｒ算法（算法３?６）对轮廓曲线进行多边形逼近，得到

子对象的多边形逼近轮廓：

７．采用Ｈｏｕｇｈ变换（算法３．７）检测多边形逼近轮廓中的线段；

８．计算轮廓线段的成对几何特征，绘制出成对几何特征直方图（算法３．８），

并将直方图数值保存到特征索引文件中。同时，将该子对象标记为“已处

理”。如果该图像中还有标记为“未处理”的子对象，则转到步骤４，否则

执行步骤９；

９．处理下一张商标图像，转到步骤３。如果商标图像库中的图像全部处理完

毕，则执行步骤１０；

１０．选择待检索的样本图像，执行步骤２到８：

１１．采用加权最小平均值准则对商标图像中子对象特征进行融合，计算待检索

的样本图像与商标图像库中的每一幅商标图像的距离，并将距离按升序排

序，取出前１２０幅商标图像作为第一层检索结果。

１２．采用本文提出的改进的同心圆分块法（算法３－９），分别对步骤１１得出的

１２０幅商标图像和待检索的样本图像进行特征提取，计算出面积特征向量

办，并将该向量保存到特征索引文件中；

１３．分别计算这些图像的全局Ｈｕ不变矩，得到一个不变矩向量．屑。，并将该向

量保存到特征索引文件中；

１４．采用高斯归一化算法（算法３．１０）对每幅图像的面积特征．局和Ｈｕ不变矩

＾。进行归一化处理；

１５．综合表示特征向量，计算样本图像与这１２０幅商标图像之问的距离，并将

距离按升序排序，取出前２１幅商标图像作为最终的检索结果。

３．２商标图像预处理

商标图像形状特征的提取都是在二值图像的基础上进行的，而一般的商标图像为彩色图像且格式尺寸不一，为了得到规则的二值图像以提高检索效率，应先对商标图像进行预处理。目前常用的预处理方法有两种：文献［３７】［５２】采用的方法是首先进行驮度化、二值化，然后对原始商标图像进行尺寸归一化，最后在统一大小的图像上提取目标区域；文献［３９】

南京邮电大学硕十研究生学位论文第三章一种新的基丁．形状特征的商标幽像分层检索算法采用的方法是首先进行灰度化、二值化，然后在原始图像上得到目标像素的最小外接矩形作为目标区域，然后对目标区域进行尺寸归一化。

实验中发现这两种方法均会造成商标图像中形状的畸变，这是由于各个商标图像的长度和宽度不相等，而在预处理过程中进行尺寸归一化会将商标图像拉伸或缩小为一个统一尺寸的图像，这样造成非等比例的缩放，导致图像中形状的失真。一般而言，尺寸归一化处理后图像的长度和宽度是相等的，即图像缩放为一个正方形图像。以图３．１（ａ）为例，该商标图像的大小是５７ｘ１６６像素，将其尺寸归～化为１２８×１２８像素后得到图３．１（ｂ）所示的Ｊ下方形商标图像。由图可见，商标图像中的形状一定程度地发生了畸变。为了解决预处理过程造成的形状畸变，本文提出了一种无畸变的预处理算法。

（ａ）原两标幽像，Ｊ己寸为５７×１６６像素

图３．１（ｂ）预处理屙的ｆ萄标图像，尺寸为１２８×１２８像素尺寸门一化造成的形状畸变

在经过颜色图像狄度化和灰度图像二值化的操作后，可以得到一幅二值商标图像。二值商标图像仅由白色和黑色两种像素组成，定义白色为背景像素，黑色为目标像素。设肛：ｙ）为二值商标图像，则他，Ｊ，）＝１表示目标像素，ｊ（ｘ，力＝０表示背景像素。通常情况下，目标像素都没有将商标图像填满，而只占据图像中的一部分区域，这部分区域称为目标区域。目标区域为原商标图像的一个子区域，这个区域包含了商标图像中的所有目标像素。

目标区域可以有多种定义。例如基于四叉树分块的商标图像检索算法１５２】定义目标像素的水平方向最小外接矩形为商标图像的目标区域；基于极坐标分块的商标图像检索算法【３７１采用目标像素的最小外接圆作为目标区域。本文采用目标像素最小外接圆的水平外切矩形作为目标区域，很显然这个目标区域是诉方形区域。

无畸变预处理算法的步骤如算法３．２所示：

算法３－２无畸变预处理算法

南京邮电人学硕十研究生学位论文第三章一种新的基丁．形状特征的商标图像分层检索算法

下面详细说明该算法中步骤３、４和５：

步骤３是提取目标像素的最ｄ，＃ｔ－接圆。最小外接圆是包含图像中所有目标像素且半径最小的圆，该圆贴近商标图像的边缘。本文采用文献［２４】提出的计算最小外接圆的算法，这罩将不再叙述。

步骤４是计算最小外接圆的水平外切矩形，并将此矩形作为目标区域。如图３．２所示，设最小外接圆的圆心坐标为Ｏ（ｘｏ，ｙｏ），半径为Ｒ，则该矩形的左上顶点Ｌ（ｘｔ，Ｊ，，）和右下顶点Ｒ∽，ｙ２）的坐标可通过公式３．１和公式３．２求出：

ｐ２ｘｏ－Ｒ

【Ｙｌ＝Ｙｏ＋Ｒ（３．１）、’

｛铲ｘｏ＋Ｒ。【Ｙ２＝Ｙｏ一尺（３．２）、７

很显然，这个矩形是正方形。

（Ｘｌ，ｙ１）／一Ｌ

．／，Ａ

‘＼７／‘

（而，Ｙ２

图３?２最小外接圆的水平外切矩形

步骤５是在目标区域上进行尺寸归一化，将商标图像缩放为一个统一尺寸（如１２８Ｘ１２８像素），如图３．３所示，其中３－３（ａ）是原商标图像，３－３（ｂ）是计算出商标图像中目标像素的最小外接圆以及该圆的水平外切矩形，并将水平外切矩形作为目标区域，３－３（ｃ）是对该目标区域进行尺寸归一化处理后的结果。可见，采用该预处理方法，尺寸归一是等比例的缩放，不存在形状畸变。

／，，、＼

Ｌ，、／。

（ａ）原商标图像（ｂ）外切矩形作为目标区域（ｃ）尺寸¨］一化

图３．３无畸变的预处理过稗

无畸变预处理算法的优点和局限性是：

１．该算法最大的优点在于不会造成形状的畸变；１９

南京邮电人学硕十研究生学位论文第二章一种新的基丁．形状特征的商标图像分层检索算法２．该算法提取的目标区域具有平移、旋转和镜像的不变性；

３．该算法中计算出的最小外接圆为第二层检索中的同心圆分块法做了准备工作；

４．局限性为该算法比一般的预处理算法略为复杂，需要首先提取最小外接圆然后再计算

水平外切矩形。

３．３第一层检索：基于子对象轮廓特征的检索

第一层检索的目的是从商标图像库中排除大量不相似的商标图像。根据人的视觉特性，人主要是靠边缘和轮廓来理解图像，所以基于形状轮廓特征的方法能够排除那些轮廓不相似的商标图像。商标图像中子对象的轮廓特征能够反映出局部图像特征，经过子对象特征融合后可以获得更好的检索性能。

轮廓特征有多种描述方法，其中成对几何特征直方图具有良好的旋转和缩放不变性，尤其对形状的扭曲和球面化等几何形变具有很好的不变性。当子对象的轮廓较为复杂时，检索效果仍然较好。所以本文采用成对几何特征直方图表示子对象的轮廓特征。

３．３．１子对象的抽取

子对象的抽取是从原商标图像中分割出互不相交（不重叠）的几何图形的过程。下面叙述子对象抽取算法的主要思想。

假设有两个像素点Ｐ和ｑ，它们在图像中的坐标分别为∞，肋）和（Ｘｑ，ｙｑ），其狄度值分别ｆ（Ｘｐ，ｙｐ）币ａ］（Ｘｅ，ｙｑ），若ｐ和ｑ同时满足公式３．３和３．４中列出的条件‘５１１，则称像素ｐ和ｇ是连接的，记作ｐ营ｑ。

Ｄ占（ｐ，ｇ）＝ｘ／（ｘＰ一‘）２＋（Ｊ，，，一Ｙｑ）２≤Ｌ

Ｉｆ（ｘ，，Ｙ，，）一ｆ（Ｘｑ，只）ｌ＜Ｆ

其中Ｄ￡为欧式距离，￡和ｓ是常量阈值。（３．３）（３．４）

对于二值商标图像，￡取值为零。对三的不同取值则代表着不同的连接准则。当取Ｌ＝Ｉ时，则只依据旁侧相邻（上、下、左、右）的像素确定连接，称为４连接准则阳１，因此任意一个像素只有４个邻点与之相连接，如图３－４（ａ）所示。当取￡＝√２时，则是除了旁侧相邻的像素外，再加上对角相邻（４５。邻点）的像素也被认为是连接的，称为８连接准则‘６４１，于是任意像素就有８个邻点与之相连接，如图３－４（ｂ）所示。通常，８连接准则的结果与人的视觉感受更接近一些，因此本文采用８连接准则来抽取子对象。

南京邮ｌＵ人学硕十研究生学位论文第＝章一种新的基１。形爿Ｊ｝特，征竹商标酗像分层捡祟算法

（ａ）４缝接

削３４（ｂ）８垭谨眄种连接准则

根掘上述的连接准则，若存在～个Ｈ维（Ｈ≥０）的像素点集Ｓ＝｛ｓ／，Ｓ２，

。，静５Ｄ

连通的。，如｝，有ｐＣ＊Ｓ，，．Ｓｎ－ｉ甘ｊ。，ｇｎ学ｑ．则称像素点ｐ和ｑ是连通的…．否则称像素点Ｐ和ｑ是非

假设将一幅二值商标例像分割为满足下列条件的像素集｛ＯＩｔ仉，

示集合的个数）：

１

２，仇）（ｋ＞０．表对于Ｏ，（１≤』≤砷中的任意像素点ｐ（ｘｐ，脚，有胁．脚＝ｌ；Ｘ＇Ｊ＇亍＂ｆｔｌ意两个像素点Ｐ、ｑ∈ｎ（１≤ｆ≤砷ｒ都有Ｐ和ｑ是连通的ｒ

口ｎ口＝中“≠，．１≤Ｊ，Ｊ≤＾），中表示空集；

对于Ｖｐ∈ｎ和ＶｑＣｑ（１≠＾Ｉ≤‘，≤砷Ｎ：ｇｐ和ｑ是非连通的。３４

则称鹾商标图像按照子对蒙进行了分割．得到一个孑对象集合｛Ｏｊ，０２一，仇｝。如图３－５所示，（ｂ）（ｃ）为从原商标图像ｆａ）中提取卅的两个子对象．

Ｄ

（ａ）原商标目像

幽３－５Ｏ（ｂ）千对象１商标幽像丹刮于对象

算法３－３千对象抽墩算法该算法的步骤如算法３－３所示：

ｌ

２设商标图像函数为。眠ｙ），将泼图像中所有像素点标记为“未处理”；找到图像中的一个标记为“未处理”的点０，ｙ），且以ｒ，力＝１ｔ将该点作为

已知点，将其加入空点集Ｏ中，井标记该点为“己处理”；

３根据８连接准则，按照广度优先递归遍历算法从该已知点丌始遍历，将同

时满足公式３３和３．４的点加入Ｄ中，并将该新找到的点标记为“已处理”：

４．将０保存为一个子对象：

５如果图像中还存在标记为“未处理”的点啊，＂．且ｍ，ｙ）；ｌ－则清空点集

０，转向步骤２，否则算法结束。

南京邮电人学硕＋＂ｆ究生学位论文第二章种新的基丁形状特祉的商标幽像分层检采算法

ａ）子对象Ｉ

（ｃ）子对象２

剧３－８囱口对子对象进行让缘跟踪（ｄ）轮廓跟踪结果

３．３４轮廓的多边形逼近

对于已经得到的商标图像子对象的轮廓，需要经过Ｈｏｕｇｈ变换检测线段之后才能提取限轮廓特征的成对几何特征。但是Ｈ｜于有些商标罔像中了对象是曲线轮廓，造成Ｈｏｕｇｈ变换无法检测出直线，因此需要多边形逼近曲线轮廓，本文采用Ｄｏｕｇｌａｓ．Ｐｅｕｃｋｅｒ算法进行多边形逼近。

Ｄｏｕｇｌａｓ—Ｐｅｕｃｋｅｒ算法是一个从整体到局部的算法，设算法ｕｒ以保持曲线走向，具有平移、旋转不变性，对同曲线束说选定的限差不变则结果不变。Ｄｏｕｇｌａｓ—Ｐｅｕｃｋｅｒ算法的步骤［４８１为算法３－６所示，图３－９为Ｄｏｕｇｌａｓ－Ｐｅｕｃｋｅｒ算法的过程。

算法３－６

１Ｄｏｕｇｌａｓ．Ｐｅｕｃｋｅｒ算法将子对象轮廓曲线划分为”段，每段曲线段首术两点之问的ｇ酢耵再Ｉ＿爵

段曲线段仞始化标已为“未处理”；

２取条标记为“末处理”的曲线段，令首未两点虚连一条直线，求所有点

到醣直线的距离ｄ，找出最人距离值ｄＭａｘ（如图３－９所示．乩。“对应点是

曲线段上的Ｃ点）：

３用ｄｎｔＡｘ与限差Ｄ相比：若ｄＭＡｘ＜Ｄ时，这条曲线段上的中问点全部舍去：

若ｄｕ，ｔｘ≥Ｄ，则保留ｄｗ』所对应的坐标点，并以该点为界把曲线段分为

两部分：

４在每一部分Ｌ再重复上面的过程直到遍历该曲线段上所有的点，并将该曲

线段标畦为“已处理”状态；

南京邮电人学硕十研究生学位论文第二章一种新的基丁．形状特征的商标图像分层检索算法逆时针方向。轮廓跟踪通过顺序找出边缘上的点来跟踪出轮廓。最简单的轮廓跟踪算法是８．邻域跟踪算法。一个二值商标图像闭合轮廓的跟踪算法很简单（如图３．７所示）：首先按从上到下、从左到右的顺序搜索，找到的第一个边界点一定是最左上方的边界点，记为彳Ｄ。它的左下、下、右下、右四个邻点中至少有一个是边界点，记为Ａ，。从Ａ，丌始找起，按照左下、下、右下、右、右上、上、左上、左的顺序找相邻点中的边界点彳“。然后按同样的方式找到边界点Ａ”。如果Ａ。是Ａ，点、４州是ＡＤ点的话，则表明已经转了一圈，算法结束：否则从Ａ．，，点继续找。判断是不是边界点很容易：如果它的８个邻居都是日｛『景色则它不是边界点，否则它就是边界点。检测到的图像轮廓则由这些像素彳Ｄ，ＡＩ，Ａ２，…彳帕，４Ｄ组成。

３。‘ｌ

４。＼／。

。／＼７０

５、７

６

图３．７８．匀；域

轮廓跟踪的算法步骤啤１如算法３．５所示：

算法３．５子对象轮廓跟踪算法

１．按照从上到下、从左到右的顺序扫描图像，寻找没有标记跟踪结束记号的

第一个边界起始点Ａｏ，Ａｏ是具有最小行值和列值的边界点。定义一个扫描

方向变量ｄｉｒ，变量用于记录上一步中沿着自Ｕ一个边界点到当６矿边界点的

移动方向，其初始化取值为ｄｉｒ＝５：

２。按照逆时针方向搜索当前像素的８邻域，其起始搜索方向设定如下：若ｄｉｒ

为奇数取（咖＋７）ｍｏｄ８，若优，－为偶数取（ｄｉｒ＋６）ｒｏｏｄ８。在邻域中搜索到的

第一个与当前像素值相同的像素便为新的边界点Ａ月，同时更新变量ｄｉｒ为

新的方向值；

３．如果Ａ珂等于第二个边界点Ａ，且前一个边界点彳州等于第一个边界点ＡＤ，

则停止搜索，结束跟踪，否则重复步骤２继续搜索：

４．由边界点ＡＤ，Ａ，，Ａ２，…Ａ柑，Ａｏ构成的边界便为跟踪得到的轮廓。轮廓跟踪的效果如图３．８所示。

南京邮电人学硕＋＂ｆ究生学位论文第二章种新的基丁形状特祉的商标幽像分层检采算法

ａ）子对象Ｉ

（ｃ）子对象２

剧３－８囱口对子对象进行让缘跟踪（ｄ）轮廓跟踪结果

３．３４轮廓的多边形逼近

对于已经得到的商标图像子对象的轮廓，需要经过Ｈｏｕｇｈ变换检测线段之后才能提取限轮廓特征的成对几何特征。但是Ｈ｜于有些商标罔像中了对象是曲线轮廓，造成Ｈｏｕｇｈ变换无法检测出直线，因此需要多边形逼近曲线轮廓，本文采用Ｄｏｕｇｌａｓ．Ｐｅｕｃｋｅｒ算法进行多边形逼近。

Ｄｏｕｇｌａｓ—Ｐｅｕｃｋｅｒ算法是一个从整体到局部的算法，设算法ｕｒ以保持曲线走向，具有平移、旋转不变性，对同曲线束说选定的限差不变则结果不变。Ｄｏｕｇｌａｓ—Ｐｅｕｃｋｅｒ算法的步骤［４８１为算法３－６所示，图３－９为Ｄｏｕｇｌａｓ－Ｐｅｕｃｋｅｒ算法的过程。

算法３－６

１Ｄｏｕｇｌａｓ．Ｐｅｕｃｋｅｒ算法将子对象轮廓曲线划分为”段，每段曲线段首术两点之问的ｇ酢耵再Ｉ＿爵

段曲线段仞始化标已为“未处理”；

２取条标记为“末处理”的曲线段，令首未两点虚连一条直线，求所有点

到醣直线的距离ｄ，找出最人距离值ｄＭａｘ（如图３－９所示．乩。“对应点是

曲线段上的Ｃ点）：

３用ｄｎｔＡｘ与限差Ｄ相比：若ｄＭＡｘ＜Ｄ时，这条曲线段上的中问点全部舍去：

若ｄｕ，ｔｘ≥Ｄ，则保留ｄｗ』所对应的坐标点，并以该点为界把曲线段分为

两部分：

４在每一部分Ｌ再重复上面的过程直到遍历该曲线段上所有的点，并将该曲

线段标畦为“已处理”状态；

鬣Ｂ萨Ｂ广。

国

（ａ）娘商标幽像子剥琢

ｄ）原商标幽像子对孽２

３３阐一禹（ｅ）轮廓跟踪（Ｏ多边形逼近幽３－１０多边彤趔近敛果５线段检测

ＨＯＵ曲变换是…种从月２空Ⅶ到参数空『白Ｊ的映射，利用图像全局特征而将边缘像索连接起柬组成区域封闭边界的一种方法１６”。最简单的Ｈｏｕｇｈ变换形式是直线ＨｏｌＪ曲变换。在Ｈｏｕｇｈ变换的意义Ｅ．一条直线就是一组共线的点集。属于该直线的点数可为从一个点到整幅图像的对角线的像素个数，直线的质量可由通过它的点的多少来断定。

在数学上．一条直线可以由直线的斜率（ｍ）和直线在纵轴上的截距（ｃ）描述，或山原点到直线的距离Ｄ）和原点到直线的垂直线与ｚ轴方向的火角（印束确定。而要描述一条线段，除了上述两个参数之外，还需要知道它的长度或两个端点的坐标。因此利用标准Ｈｏｕｇｈ变换来得到在某一条直线上的所有像裘点．然后根据这些像素点之｜ｌｊＪ的连续性味判断在这条直线方向上是否存在线段。具体算法步骤…如算法３．７所示。程序执行完后，在数组Ｔｅｍｐ＿Ｐｏｉｎｔ［ｎ］中ｆ杲存了所检测到的第Ｈ条线段的所有像素。通过这些像素．可以很容易得到该线段的两个端点以及其它参数。

：中

南京邮电人学硕十研究生学位论文

算法３．７第三章～种新的基丁．形状特征的商标图像分层检索算法Ｈｏｕｇｈ变换检测线段算法

１．对经过轮廓跟踪处理和多边形逼近处理后的商标图像中子对象，将其所有

目标像素点保存到一个数组Ｔｅｍｐ中，并设定阈值大小Ｔｈｒｅｓｈｏｌｄ，即组成

线段的最小像素个数；

２．对像素点逐点进行Ｈｏｕｇｈ变换，得到其参数空间矩阵研，ｍ】［曰朋】，其中

一４Ｈｅｉｇｈｔ２＋Ｗｉｄｔｈ２≤ｒ≤４Ｈｅｉｇｈｔ２＋Ｗｉｄｔｈ２，０５０ｍ５１８０。，Ｈｅｉｇｈ，表示图像

的高度，Ｗｉｄｔｈ表示图像的宽度：

３．找到参数空间矩阵Ｈ兀‰】【如】最大值，并记录原点到极值点所对应直线的

距离，葩盯以及角度巩。盯，若最大值小于阈值，则循环结束，执行步骤８；

否则执行步骤４；

４．对该阈值点及其邻域清零；

５．对所有像素点按ｒｍ＝ｘｓｉｎＯｈ州＋ｙｃｏｓＯｈ。，，计算得到‰的值，若ｒｍ＝ｒｂ吲，

则将该点存放在另一数组Ｔｅｍｐ

６．以数组Ｔｅｍｐ

在线段的条件是：连续（邻接）的像素点的个数大于阂值。若存在线段，

则将这些线段上的像素点保存到另一个数组Ｔｅｍｐ＿ＰＤｆ挖，［行】中，其中，？表示

临时保存的第玎条线段上的像素点，注意在Ｔｅｍｐ

７．转到步骤３；

８．统计图像的线段条数以及它们的始末位置等属性。

３。３．６成对几何特征的提取

通过边缘检测、轮廓跟踪、多边形逼近和线段检测后，对Ｈｏｕｇｈ变换检测出的任意两条直线段通过求解直线交点就可以确定了两条直线段的交点坐标，从而为计算有向相对角和有向相对位置这对几何特征提供了前提条件。具体步骤嘲如算法３．８所示：

算法３－８成对儿何特征直方图表示轮廓特征的算法２６

南京邮电人学硕十研究生学何论文第二章一种新的基丁．形状特祉的商标幽像分层检索算法

则转至步骤１，否则执行步骤５；

５．通过得到的有向相对角和有向相对位置，统计出成对几何特征直方图。

算法详细描述如下：

１．有向相对角（ＲｅｌａｔｉｖｅＡｎｇｌｅ）的测定

首先，经过Ｈｏｕｇｈ变换检测线段后，能够得到直线段的起止点坐标。其次，通过直线段的起止坐标来计算这条直线的向量坐标，并将其用向量表示，设坐标点为Ａ（ｘ，，Ｙ，）和Ｂ（ｘ２，弦），则面＝（ｘ：一五，Ｙ：一Ｙ１）。最后，对表达成向量形式的两条直线段利用公式３．５计算目标轮廓中直线段之问的相对角（ＲｅｌａｔｉｖｅＡｎｇｌｅ），即：

秒…。ｓｌ［冽ＡＢ．豺ＣＤ吲咖】

向相对角。

２．有向相对位置（ＲｅｌａｔｉｖｅＰｏｓｉｔｉｏｎ）的测定（３．５）其中，而和面分别为两条直线段的向量表示。如果基线段面和线段历之间的央角的方向是顺时针，那么在目前面加上Ｊ下号，反之，就是在曰前面加上负号。这样就得到了有

首先，经过Ｈｏｕｇｈ变换检测线段后，能够得到直线段的起止点坐标；其次，通过直线段的起止点坐标，并采用公式３．６计算直线方程的系数。设直线段起止点坐标为（仉６）和（ｃ，西，则该直线段的两点式方程为公式３．６所示：

（ｂ－ｄ）ｘ＋（ｃ－ａ）ｙ＋（ａｄ－ｂｃ）＝０（３．６）

最后，利用公式３．７计算各条直线段之Ｉ旬的有向相对位置（ＲｅｌａｔｉｖｅＰｏｓｉｔｉｏｎ），即：

既，耐２ｒ１万，１９∈（叫

２（３?７）Ｄ口＾

其中，Ｄ口６为基线段的长度，Ｄ，６为基线段到与线段芒历交点的长度。

３．成对几何特征直方图的表示

在直方图描绘中，将有向相对角的参数范围【．兀硼等分为３６份，将有向相对位置的参数范围（０，ｌ】等分为１２份。同时，为了方便描述直方图，将原来直方图矩阵中处于第ｆ行第／列的元素转换到直方图数组中的第ｉｘｌｅｎ呵位置处，如图３．１１所示。这样就将二维成对几何特征直方图转换为一维成对几何特征直方图，从而便于直方图的描绘，也提高了直方图相似性计算的速度。另外，对直方图的范围也统一量化为［Ｏ，２５５］，这也是处于方便描绘的考虑，对整个直方图表达出来的统计效果不会产生不良的影响。

南京邮电人学硕士研究生学位论文第三章一种新的基丁．形状特征的商标图像分层检索算法

＝３６

图３一１１二维成对儿何特征直方图转换为一维成对儿何特征直方图

３．３．７成对几何特征直方图的比较

设有两幅商标图像，口’和才扪，则一口’中一个子对象，（口’的轮廓与一６’中一个子对象，（６）的轮廓的相似性可以通过比较成对几何特征直方图之间的距离来度量。本文中采用运算复杂度较低的曼哈顿（Ｍａｎｈａｔｔａｎ）算法来计算直方图距离，其算法原理如下：

假定两个子对象轮廓的成对几何特征直方图彳和Ｂ各有刀个归一化的直方图单元（彳ｆ）和｛Ｂｆ），则这两个直方图之间的距离ｄ定义为公式３．８所示。

ｄ＝∑ｆ彳，－Ｂ，Ｉ

ｌ（３．８）

可以看出，ｄ值越小则两个直方图之间的距离越近，表明两个子对象的轮廓特征越相似；反之，则表明两个子对象的轮廓特征越不相似。

３．３．８商标图像中子对象特征的融合

经过上述步骤，已经从两标图像中提取出若干子对象的成对几何特征。Ｆ面，主要说明如何通过子对象特征的融合计算出两幅商标图像的距离。孙兴华等【５４】对商标图像检索中的子图像特征融合准则进行了研究，提出了加权最小平均值准则。本文将这种方法应用到商标图像子对象的特征融合中，具体算法描述如下：

设产’和一６’为两幅商标图像，分别进行子对象抽取，得到子对象序列ｔｏ（ａ），ｆ产’，……０叽ｌ‘。’和ｔｏ‘扪，ｔ／‘扪，……ｔｍ㈨一Ｉ‘价，其中聊‘口’和脚‘∞分别为小口’和Ｆ∞中的子对象数目。对所有子对象提取成对几何特征直方图作为轮廓特征＾则分别对应于产’和Ｆ∞的子对象特征序列为Ｆ佃ｋ｛刀…，．，ｆ。ｌａ），．．ｗｆ。ｍ。ａ。）．．｝和Ｆ‘６’＝｛刀们，彳‘¨，．．．，以２一ｌ｝。产’的第ｐ个子对象知佃’与一∞的第ｑ个子对象岛‘６’关于特征厂的特征距离可通过公式３．８计算出来，记为彩．ｇ‘口’‘们，其中０≤ｐ≤聊‘引．１且０≤ｇ≤历‘扪．１。根据矗口（。）（６’计算产’与一６’的特征距离作为图像相似性度量∥）（扪，那么两个商标图像相似性度量函数可以表示为公式３．９［５４１：

孝‘口肋）－ｆ（硪分们，．．…ｄ嘶ｏ（ａＸＩ＾ｌｈ）∥…，蜡。Ｘｈ－Ｉ＇）０，－．．，。ｄ扩（ａＸｌ．１ｈ）∥一Ｉ）

７８（３．９）

南京邮电人学硕十研究生学何论文一—丽购第ｐ个子对象∥。’ｉｏ≤≯翻‘引．１）而言‘，与Ｆ６’的每～个子对象都存在一个成对中所有特征距离中的最小值作为绉（口’的最佳特征距离，记为公式３．１０【５４】所示：第二章一种新的基丁．形状特征的商标图像分层检索算法几何特征直方图距离，构成一个特征距离集合Ｄ夕’＝｛ｄ船‘¨，ｄ蜀ｍ），．．．，ｄ嬲黜一。）。取砩细

矽２。；鹳一，ｄ∥（３?ｌｏ）

对于Ｆ口’而吉．贝。存在一个最佳特征距离集合６‘口）＝｛孑０㈩９司…，．．．，。ａｌ∥ｔｏ）１．１｝。同理，对于∥而言也存在一个最佳特征距离集合西（６）一｛玩们，司¨，．．．，础ｉ．．｝，其中毛６’＝。；。ｒａ引ｉｎ。一．ｄ嬲‘６１（ｏ匈嘲‘们－１）。取西‘口’与西㈣中最佳特征距离平均值之和作为一口’与，６’的图像相似性度量，其度量函数为公式３．１１所示，称为最小平均准则【５４１。

ｆ（ａＸｂ）－－－－－‘ｍ－－ｌ（ａ。蔷移－者善矽（３．１１）

同时需要考虑各个子对象在反映商标图像内容方面具有不同的可信度。而子对象的可信度与其占有的实心面积成正比。所以，子对象可信度可以定义为子对象实心面积与全局图像实心面积的比率。根据子对象可信度对特征融合准则进行加权改进，可以突出可信度大的予对象而抑制可信度小的子对象。由于彩．口‘酞６、同时与∥。’和白‘６’直接关联，所以对彩，ｇ佃№’所赋权值应该是绉‘口’和岛‘６’可信度坳‘。’和ｑｑ（ｂ）的某种变换。对加权最小平均值准则来说，权值主要用于平均值计算，应该首先对权值进行归一化，鄢‘ｄ’和印叮‘６’分别归一化为公式３．１２［５４】所示：

秽，：箬，或ｋ共

‘Ｊ’”∑∥（３．１２）∑７７∥

显然有公式３．１３ｔ５４】中列出的等式：

ｍ《ｏ）－Ｉ

∑秽）Ｉ

ｐ＝Ｏ

月，｛“一１ｌ

∑∥＝１

ｑ＝Ｏ（３．１３）

ｎ∑脚阻∑间一７阳Ｐ瑶＾＝

所以，在加权最小平均值准则中可以取巧ｙ’和域６’作为占夕’和西６’的权值，其相似性度量函数为公式３．１４ｔ５４ｌ所示：

２９

南京邮电大学硕士研究生学位论文第三章种新的基于形状特征的商标图像分层检索算法

＃。”）ｆ∑秽’毋’＋∑础”司”

Ｆ＝０口－０（３１４）

将拿州”作为两幅商标图像间的距离，将得到待检索的样本图像与商标图像库中每一幅图像之间的距离排序，按照距离由小到大（相似程度由大到小）的顺序排列，取出前Ⅳ幅商标图像作为第一层的检索结果。在实验中，比较了Ⅳ取５０、７０、９０、１００、ｌｌＯ、１２０、１３０、１５０、２００等几种情况下算法的平均检索回召率，实验表明，＇ｖ取１２０时．平均检索回召率达到９８８７％，大于１２０时检索回召率不会有明显的提高，而第二层检索的搜索范围将会显著增加，所以限定第一层检索算法返回前１２０幅商标图像。

３．４第二层检索：基于规则子块区域特征的检索

第一层检索过程中提取的子对象轮廓特征不能表达出商标图像的空ｆｎ］ＮＮＮＮＺ－ｎ子对象内部的特征关系。针对这个问题，第二层检索将第一层检索的结果集合作为搜索范围，利用改进的同心圆分块法，计算出各个分块的面积特征，同时结台全局特征Ｈｕ不变矩，进行精确匹配。

３．４ｌ非等距离的同心圆分块法

等距离的同心圆分块法（算法２－１）用同心圆将商标图像划分为多个规则子块．分别提取各个子块的面积特征作为特征向量。面积特征在一定程度上反映了图像的形状，属于图像的区域特征。该检索算法具有图像平移不变性、缩放不变性和旋转不变性，相对于利用商标图像的整体面积特征进行检索，提高了检索性能。但是该算法存在两个不足：１利用质心和最大半径计算出的目标像素的外接圆对图像内部像素点的改变比较敏感，

如果商标图像轮廓及整体形状基本不变，仅内部形状发上改变（如图３—１２所示），由于人的视觉对图像边缘比图像内部敏感，很可能仍然认为两幅商标图像相似。但是图像质心位置随着像素点的改变而变动，这样就导致了两幅商标图像的外接圆不同，从而就会影响到子块面积特征。

⑦⑨图３－１２质心位移对外接圆的影响

南京邮电人学硕十研究生学位论文第二章一种新的基丁．形状特征的商标幽像分层检索算法２．该算法中的参数ＪＶ决定着子块划分的精度，．Ⅳ越大精度越高，但是人，越大相应的计算

量也越大。用等距离同心圆划分商标图像会造成图像内部区域和边缘区域对检索精度的影响是一致的，但是图像边缘比图像内部对人的视觉的影响要大。为了提高边缘区域的特征表示精度需要提高参数Ⅳ，这样同时也提高内部区域的精度，会造成计算量也随着增加很多。

针对等距离的同心圆分块法（算法２．１）存在的不足，本文提出了一种改进的同心圆分块法，即在提取目标像素的最小外接圆的基础上，用一系列非等距离的同心圆环划分商标图像，使得图像内部区域的同心圆环分布较为稀疏，图像边缘区域的同心圆环分布较为稠密，如图３．１３所示。这样的好处是区分了图像内部区域和边缘区域的精度，使得在图像边缘区域的精度提高的同时，计算量没有明显增加。

等踟离划分为疗２个同

等。离划分为盯－个Ｙ

川心网一Ｌ’刚●●

??

编蕙Ｉ龄

÷涉蹩餮

图３．１３非等距离的同心圆分块法

本文提出的改进算法的步骤如算法３－９所示：

算法３－９扑笛距离的同心圆分块法

算法具体描述为：

１．用最小外接圆法提取目标像素的外接圆，设最小外接圆的圆心为ｐＯＤ，如），半径Ｒ，

南京邮电人学硕十研究生学位论文第三章一种新的基丁．形状特征的商标图像分层检索算法用ｚ轴上的点Ｄｉ，Ｄ２…．，Ｄｏ．，ＤＩ７，Ｄ２’，．．．乜：‘划分Ｒ，点Ｄｌ，Ｄ２…．，乜。，Ｄ１７，Ｄ：’…．Ｄｏ：’及ｎｌ、ｎ２满足公式３．１５中的条件：

ｐ：ｆ．（堡），１≤ｆ铀，２－

Ｄｊ７：，．（生旦），ｌｓ／ｓ＂２（３．１５）

堡＞业

啊玎２ｎ，

其中，以伍ｏ，ｙｏ）为圆心、Ｄｒ为半径的圆是人为规定的商标图像内部区域和边缘区域的分界线，实验表明Ｄ７’一般取值为Ｒ的３／５。

２．以（ｘｆ，，ｙｏ）为圆心，分别以半径为ＤＩ，Ｄ２…．，乜．，４’，Ｄ２’，．．．见，’画出一系列同心圆组。商标图像边缘区域比内部区域的同心圆环数目多，相应的表示精度就比内部区域的要高。

３．设圆环内商标图像的面积分别为ｓ（ｎＪ（２），．．．ｓ（加，Ⅳ＝ｇｔＩ＋Ｉ＂１２，其中图像的面积用图像的像素点来表示。按照公式３．１６将ｓ（ｆ）进行归一化处理得到面积特征向量Ｔｓ（ｉ）。

Ｔｓ（驴瓮，ｌ姚Ⅳ

六＝｛Ｔｓ（１），．．．Ｔｓ（Ｎ）｝（３．１６）其中％Ｄ为图像的总面积。这样就可以计算得出子块面积特征向量．办为公式３．１７所示：（３．１７）‘

为了验证改进的同心圆分块法（算法３．９）的性能，将其与未改进的同心圆分块法（算法２．１）进行比较实验。图３．１４中，（１）是原商标图像，（２）为挤压５０％后的图像，（３）为挤压一５０％后的图像，（４）为旋转扭曲５０％后的图像，（５）为旋转扭曲．５０％后的图像，（６）为球面化５０％后的图像，（７）为球面化１００％后的图像，（８）为水波（水池波纹）１５％后的图像，（９）为水波（围绕中心）１５％后的图像，（１０）Ｊ－，３水波（从中心向外）１５％后的图像，（１１）为波纹５０％后的图像，（１２）为波纹．５０％后的图像，（１３）为水平拉伸２００％后的图像。

南京邮电大学硕十研究生学位论文第二章一种新的基丁形状特征的商标图像分层检索算法

阳Ｉ囝｛圃｛翅卜，｝鄙ｉ嗣！酗

１

１１ｒ

■＿，１

（５）

Ｔ１１－

闸嗣酮酗囹随

（８）

（９）

（１０）

（１１）

（１２）

（１３）

（１）（２）（３）（咀）（６）（７）

图３．１４原商标图像经过）ＬｆｏＪ形变斤产生的相似图像

图像（２）至（１３）都是原商标图像（１）的相似图像，所以商标图像（１）与（２）至（１３）图像之问的距离应该是越小越好。分别采用算法３－９和算法２一ｌ计算（１）与（２）至（１３）图像的距离，结果

如表３—１所示，其中Ｄ（ｉ，／）表示图像ｆ与图像／的距离。

表３．１

分别川算法２．１利算法３－９计算山的图像距离

＼距离

算法＼＼

算法２．１算法３－９

＼

Ｄ（１，２）Ｄ（１，３）Ｄ（１，４）Ｄ（１，５）Ｄ（１，６）Ｄ（１，７）

０．０９７３０．０９７０

０．２２２５０．２２１３

０．０５８６０．０５７６

０．０７５８０．０７４０

０．０４９７０．０４６１

０．１１４７Ｏ．１１００

＼距离＼

算法＼

算法２．１算法３－９

Ｄ（１，８）

＼

Ｏ．１９９００．２００ｌ

Ｄ（１，９）Ｄ（１，１０）Ｄ（１，１１）Ｄ（１，１２）Ｄ（１，１３）

０．０５３５０．０５２３

０．０５４７０．０５０５

０．０３３９０．０３３８

０．０６４６０．０５５４

０．３０３９０．３２５１

分析实验结果可以看出，算法３－９计算出Ｄ（１，２）、Ｄ（１，３）、Ｄ（１，４）、ｏ（１，５）、Ｏ（１，６）、

Ｄ（１，７）、Ｄ（１，９）、９（１，１０）、９（１，１１）、Ｏ（１，１２）略有减小，于是在检索结果排序时，图像（２）、

（３）、（４）、（５）、（６）、（７）、（９）、（１０）、（１１）、（１２）会比原来的排序位置靠自，ｊ．，这样就增加了检索精度。表中黑体部分的数据表示使用算法２－１后Ｏ（１，９）小于Ｏ（１，１０），而使用算法３－９后的Ｏ（１，１０）小于Ｏ（１，９），说明算法３－９使得更为相似的图像之间的距离变小，从而将更为相似的图像排在检索结果的自订列。但是，也需要看到Ｄ（１，８）、Ｄ（１，１３）这２个距离是增大的，这是因为图像（８）、（１３）的变形比较大，算法３－９使它们与原商标图像之怕Ｊ的差别表现更为明显，所以相应的距离就会增大。

从实验结果可以看出，算法３－９在对相似图像的检索精度上比算法２．１略有提高，但是与算法２．１一样，算法３－９的局限性同样是没有考虑子块中像素是如何分布的，造成总体上不同的图像也可能得到相似的分块面积特征，因此该算法需要结合其他算法一起进行

检索。

３１

南京邮电大学硕士研究生学位论文第三章～种新的基丁．形状特征的商标图像分层检索算法３．４．２相似性度量方法

另外需要提取商标图像的全局特征Ｈｕ不变矩。Ｈｕ不变矩对平移、缩放、旋转和镜像具有不变性，可以描述图像的全局形状特征。将Ｈｕ不变矩特征向量｛妒，一．，妒，｝和子块的面积特征向量厶相结合，能够描述商标图像的全局特征、局部特征和局部图像问的空间关系。

除了需要选择商标图像特征外，基于内容的商标图像检索的主要特点之一是待检索的样本图像与商标图像库中的图像之间的视觉相似性，而不是精确匹配。因此，相似性度量方法的选择也是非常关键的，选择合适的相似性度量方法将会影响商标图像检索系统的性能【５６１。

因为Ｈｕ不变矩＾。和子块面积特征．厶都是表示成向量的形式，所以采用的相似性度量方法应是基于向量空间模型（ｖｅｃｔｏｒｓｐａｃｅｍｏｄｅｌ），即将视觉特征看作是向量空间中的点，通过计算两个点之间的接近程度来衡量商标图像特征间的相似性。该类相似性度量方法主要有一阶距离、二阶距离（欧氏距离Ｌ２）、二次型距离和马氏距离（Ｍａｈａｌａｎｏｂｉｓ），而一阶距离又主要包括普通一阶（￡』）、直方图交运算（￡Ⅳ，）。本文采用二阶距离（欧式距离）作为第二层相似性度量方法，分别计算两幅图像Ａ、Ｂ之问的Ｈｕ不变矩距离ＤＨ。和子块面积特征向量距离ＤＡ，如公式３．１８和３．１９所示。ＤＨｕ：厄再丽Ｄ爿＝、／！主！＿Ｚ而，Ⅳ为子块的个数（３．１８）

（３．１９）

３．４．３综合特征

由于不同算法得到的形状特征的物理意义不同，其数值范围的差别较大，不同距离之间的可比性较差，因此在综合利用多种特征进行商标图像检索时，不能简单地用特征距离直接求和的方法来度量商标图像的相似性，需要先对各种特征向量进行归一化处理，保证不同的特征向量在加权中处于平等的地位，在进行检索时具有等同的作用。特征归一化的实质【５６】是对待检索的样本图像与商标图像库中所有图像之间对应于不同特征的距离进行归一化，可使用高斯归一化算法。

设商标图像库中有Ｎ幅图像，现对Ｈｕ不变矩＾。的距离ＤＨ。和子块面积特征向量厶的距离协进行归一化。以Ｈｕ不变矩的距离ＤＨ。为例，高斯归一化算法【５６１如算法３．１０所示：

南京邮电入学硕士研究生学位论文第二章一种新的基丁．形状特征的商标幽像分层检索算法

算法３．１０高斯¨１一化算法

算法步骤４中映射关系为公式３．２０所示：

‰’＝｛半０，ｄ月．，＜∥一３盯

，∥一３０＂≤比．，≤／．ｘ＋３仃（３．２０）

１，ｄＡ？ｌ＞”＋３０

将样本图像Ｑ与商标图像库中每幅图像的Ｈｕ不变矩的距离ＤＨ。和子块面积特征距离眈进行归一化，得到在检索中处于等同地位的各项距离％７和见’。综合两个特征的距离后，样本图像Ｑ与商标图像库中的图像Ａ之间的距离可表示为公式３．２ｌ所示：

Ｄ（Ｑ，Ａ）＝Ｃ０１％’＋哆见’，０≤ｃｏ，≤１ｆ４ｃｏＩ＋（０２＝ｌ（３．２１）

实验表明，子块特征比全局特征能更好地描述商标图像的内容，所以令子块面积特征的权值纰比全局特征Ｈｕ不变矩的权值劬更大一些。将待检索的样本图像与商标图像库中每一幅图像之间的距离排序，按照距离由小到大（相似性由大到小）的顺序排列，取前２１幅商标图像作为第二层检索的结果。

３．５本章小结

基于图像分割为连通区域的方法无法表达出商标图像的空间布局关系；基于图像划分为规则子块的方法则没有考虑到图像中各个组成部分的整体特征。针对这两种方法的不足，本章提出了基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法。

该算法分为两层检索：第一层检索是基于子对象轮廓特征的检索，利用成对几何特征直方图表示子对象的轮廓特征，在子对象特征融合时，将加权最小平均值准则应用到子对象特征的相似性计算中；第二层检索是基于规则子块区域特征的检索，采用改进后的同心圆分块法将商标图像划分为子块后提取面积特征，同时结合全局特征Ｈｕ不变矩，在第一层的检索结果的基础上进行进一步的检索。３Ｓ

南京邮电人学硕＋研究生学位论文第四章实验设计与分析

第四章实验设计与分析

本章将基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法（算法３．１）与两种基于图像局部形状特征的商标图像检索算法（算法４．１和算法４．２）进行对比实验，并分析实验结果。

４．１对比算法介绍

在实验中，基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法（算法３．１）与另外两种基于图像局部形状特征的商标图像检索算法进行对比，这两种对比算法分别是：

１．基于规则子块区域特征和全局Ｈｕ不变矩的商标图像检索算法（算法４．１）：该算法在

提取局部形状特征时，利用的是基于图像划分为规则子块的方法。该算法采用等距离同心圆分块法提取子块的面积特征，同时结合Ｈｕ不变矩进行多特征检索；

算法４．１基丁．规则子块区域特征和全局Ｈｕ不变矩的商标图像检索算法

１．选择一个商标图像库，对图像库中的每幅商标图像执行步骤２到３；

２．对商标图像进行预处理：

３．采用等距离同心圆分块法将图像划分为多个规则子块，并提取面积特征，

同时计算全局特征Ｈｕ不变矩，并将得到的特征值保存到特征索引文件中；

４．选择待检索的样本图像，执行步骤２到３；

５．对特征值进行归一化处理，并综合表示特征向量。计算样本图像与图像库

中每幅商标图像的距离，按照距离由小到大（相似性由大Ｎｄ，）的顺序排

列，取出前２１幅商标图像作为最终的检索结果。

２．基于单元子图像区域特征的商标图像检索算法（算法４．２）：该算法在提取局部形状特

征时，利用的是基于图像分割为连通区域的方法。该算法按照连通性将图像分割为予图像，提取每个子图像的Ｈｕ不变矩和离心率作为特征进行检索。

算法４－２基丁单元子图像区域特征的商标图像检索算法

１．选择一个商标图像库，对图像库中的每幅商标图像执行步骤２到３；

２．对商标图像进行预处理；

３．提取商标图像中的每个连通子图像，分别计算子图像的Ｈｕ不变矩和离心３６

南京邮电人学硕十研究生学位论文第四章实验设计与分析

率，并将得到的特征值保存到特征索引文件中；

４．选择待检索的样本图像，执行步骤２到３；

５．对特征值进行归一化处理，并综合表示特征向量。

６．采用最小平均值准则（该准则不考虑子图像在反映图像内容上的可信度）

对子图像特征进行融合。计算待检索的样本图像与图像库中每幅商标图像

的距离，按照距离由小到大（相似性由大到小）的顺序排列，取出前２１

幅商标图像作为最终的检索结果。

４．２性能评价方法

性能评价方法是ＣＢＩＲ系统的一个非常重要的研究内容，对ＣＢＩＲ系统的研究发展有很重要的指导和推动作用。目６订，图像检索性能的评价方法大致可以分为三类：第一类为用一些特征指标来度量；第二类为通过图表方式评价的方法；第三类为用户评价的方法。下面主要叙述本文中用到的几种性能评价方法。

４．２．１指标评价

１．检索精度和检索回召率。

Ｉｇｂａｌ和Ａｇｇａｒｗａ使用了检索精度（Ｐｒｅｃｉｓｉｏｎ）和检索回召率（Ｒｅｃａｌｌ）束评价检索系统的性能。检索精度和检索回召率都是信息检索中标准的性能评价方法，能够很好地说明系统的性能。

假设在一次图像检索中，检索系统按照与待检索的样本图像的相似性以从大到小的顺序输出的结果图像数目为门，，结果图像中与待检索的样本图像相关的图像数为ｎ肛，图像库中与待检索的样本图像相关的总图像数为玩。则检索精度定义为检索返回的相关图像数，？船与检索返回的所有图像数聆，的比率，也称为查准率，如公式４．１所示：

ｐ：塑，ｐｅ［Ｏ，ｌ】圮（４．１）

检索回召率定义为检索返回的相关图像数刀括与图像库中所有相关图像数‰的比率，也称为查全率，如公式４．２所示：

＂

Ｒ＝卫，

，ｚｓＲ∈［０，ｌ】（４．２）

由此可以看出，检索精度反映检索的准确性，而检索回召率则反映检索的全面性，因

南京邮电人学硕十研究生学位论文第四章实验设计与分析此可以用检索精度和检索回召率来评价系统的有效性。如果单独使用检索精度或检索回召率，那么所包含的信息都是不够的。因为如果给出的结果图像数越多，则系统的检索回召率越高，而系统的检索精度则呈下降趋势，类似的，也可以通过只给出少量的结果图像来获得较高的精度。因此检索精度和检索回召率需要同时使用，在给出检索精度时需要指出相应的检索回召率，在单独使用检索精度或检索回召率时需要指出检索返回的结果图像的个数【５６】。

２．ＰＶＲ指数【５３】。

将检索回召率尺作为ｘ轴，检索精度Ｐ作为Ｙ轴，可以得到精度ＶＳ．回召率曲线ｆ（ｘ，Ｊ，），称为ＰＶＲ曲线，如图４．１。该曲线与ｘ轴、Ｙ轴围成的面积为公式４．３所示：

Ｓ２ｊ：／（‘ｙ）ｄｘ（４．３）

Ｅ［０，１］可得ＥＥ［０，取．泐作为图像检索性能评价方法，称为ＰＹＲ指数【５３】，记为Ｅ。由Ｐ，Ｒ

所示。１】。Ｅ越大，图像检索性能越好，反之亦然。当庐ｌ是图像检索性能达到最佳，如图４．１（ｂ）【５２ｌ

ｇｅｃａｌｌｇｅｃａｌｌ

（ａ）ＰＶＲ曲线

图４．１（ｂ）最位检索性能ＰＶＲ曲线精度ＶＳ．同召率曲线

４．２．２图表评价

常用的有精度ＶＳ．回召率曲线，其将检索回召率Ｒ作为ｘ轴，检索精度Ｐ作为Ｙ轴，可以得到精度ＶＳ．回召率曲线ｆ（ｘ，力，称为ＰＶＲ曲线（如图４－１所示）。ＰＶＲ曲线是信息检索中标准的评价方法，现在已经越来越多地被ＣＢＩＲ系统所采用【５２】。

４．２．３用户评价

用户的评价是一种交互的方法，用户在图像检索后直接视觉判断本次检索是否成功，或者系统给出前后对比的两个或多个检索结果。让用户选择最优的。由于这样方法需要人工参与，比较消耗时间，因此很难大规模地进行。

南京邮电人学硕－｝：／，Ｊｆ究乍学协皓文第四章实验吐汁！ｏ分析４．３实验结果与性能分析

本文在包古８００幅商标的图像库中进行实验，任选商标图像库中的１０幅商柄ｉ图像作为待榆索的样本图像进行咀Ｆ二类实验，这１０幅样本图像如图４—２所示。

１

２平移、缩放、旋转和镜像不变性测试实验；几何形变测试实验：

３视觉一致性实验。

皇ｐ豸田圆

妒；；｛绸９②Ｓｏ６、ｏ７ｇｏ８Ｎｏ９Ｈｏ．１０

蚓４－２待捡桊的样本商标幽像

４．３．１平移、缩放、旋转和镜像不变性测试实验

为了验证基于子对象轮廓特征和规则了块区域特征的商标图像分层检索算法对于平移、缩放、旋转和镜像变化的不变性，将图４－２中的１０幅样本图像进行以下变换：Ｉ平移操作：将目标像素向右平移１５％。以Ｎｏｌ样本刚像为例，平移操作后得到图４－３。

】芏｜４－３Ｎｏ１样本幽像经过平移后的结果

２缩放操作：将整幅图像缩小３０％、缩小６０％、放大３０％、放大６０％。以Ｎ０１杆本图

像为例，缩放操作后得到图４－４。

『鬲匿

幽４－４Ｎｏ≤皇ｌ样本幽像经过缩放后的结果

南京邮电人学硕十研究生学忙论文第四章实螗设计与分析

５旋转操作：将整幅图像顺时针旋转４５。、９０。、１３５。、１８０。、２２５。、２７０。、３１

。。以Ｎｏ１样本图像为例，旋转操作后得到图４－５。

潦胁么事惑圳』缈

蚓４－５

４ＮｏＩ样本创像经过旋转后的结粜镜像操作：将整幅罔像水平镜像变换、垂直镜像变换、将放大了６０％后的图像进行水

平镜像变换、将顺叫针旋转１３５。的罔像进行垂直镜像变换。以Ｎｏｌ样本图像为例，镜像操作后得到图ａ－６。

萝事｝多陌

幽４６Ｎｏ】样本蚓像绎过镜像后的掣，聚

０×Ｉ这样每幅样小图像将产生１６幅新的网像，共产生ｌ６幅图像，将这１６０幅图像加

入到原商标图像库巾形成新的图像库。其中对于每一幅样本图像有１７幅相似图像（包括样本图像本身），即图像库中与样本图像相关的总图像数为ｌ７幅。

样本图像与自身相似性为１，所以返回的第－ｒＮ商标图像即为样本图像本身。以Ｎｏｌ样本图像为例，圈４．７为分别采用算法４一ｌ、算法４．２和算法３．１进行糯索的结果，其巾结果图像与样奉图像的相似性以从左到右、１２１￡而Ｆ的顺序逐渐减小，圈４－７（１１）为这二次检索相对应的ＰＶＲ曲线。

南京邮电人学硕十研究生学位论文第四章实验殴刮与分析

．皂遑：、善蔓

芗７划７蚕协惑。莹二爹一蔓磷

、≮兹多章竹勿

ａ）革ｒ规＿＾【｜Ｊｒ块区域特祉和全局Ｈｕ不娈矩的商标幽像检索算法（算法４．

皇童巡每胁岁—誉

＠④删多④皇＠，

氟繁蜃多遑西蔓

（ｂ）壁丁单元千幽像区域特征的商标图像检索算法（辫：法４－２

皇皇、参皇聿一刮一事弋．…７

≮么皇莨衄峙∥（ｃ）基丁ｆ对象轮廓特征和规圳子块区域特祉的商标蚓像分层检索掉法（算法３，Ｉ）

南京邮电人学硕士研究生学位论文第四章实验设计与分析

竹■Ｕ（ｄ）二次检索结果的ＰＶＲ曲线

图４．７儿何不变性实验的结果

从算法４．１的检索结果（如图４．７（ａ））可以看出，该算法检索出了与Ｎｏ．１相关的１７幅图像，但是有一个图像没有被排在前端，这幅图像是原商标图像缩小６０％后的图像，这是由于当缩小比例过大时，算法４．１提取的子块面积特征和Ｈｕ不变矩会受到一定的影响，造成该图像与样本图像之间的距离较大。而经过旋转操作后的图像都排在前端，也说明了子块面积特征和Ｈｕ不变矩具有很好的旋转不变性。

从算法４．２的检索结果（如图４．７（ｂ））可以看出，该算法检索出了与Ｎｏ．１相关的１６幅图像，但是只有７幅相关图像被排在前端。这是由于该样本图像只有一个连通区域，所以只能提取出一个连通子图像，这样该算法就相当于提取了全局Ｈｕ不变矩和离心率作为特征，而只依靠全局区域特征是很难准确地表达形状特征的，所以检索效果不是很理想。

从算法３．１的检索结果（如图４．７（ｃ））可以看出，与样本图像相关的商标图像都被检索出来且排列在检索结果的前端，说明针对Ｎｏ．１样本图像，该检索算法对平移、缩放、旋转和镜像具有很好的不变性，同时由于提取了子对象的轮廓特征不会受到连通区域个数的影响，所以即使只有一个子对象，检索效果依然比较满意。

采用算法４．１、算法４．２和算法３．１分别对１０幅样本图像进行检索的ＰＶＲ指数绘制成表格，见表４．１。

４２

南京邮电人学硕十研究生学位论文

表４．１

实验１：商标图像检索ＰＶＲ指数（以％计）

第四章实验设计与分析

≮

Ｎｏ．１图像Ｎｏ．２图像Ｎｏ．３图像Ｎｏ．４图像Ｎｏ．５图像Ｎｏ．６图像Ｎｏ．７图像Ｎｏ．８图像Ｎｏ．９图像Ｎｏ．１０图像平均ＰＶＲ指数

基于规则子块区域特

基于子对象轮廓特征和

基于单元子图像区域

征和全局Ｈｕ不变矩

规则子块区域特征的商

特征的商标图像检

的商标图像检索算法

索算法（算法４．２）

（算法４．１）

９９．８３％１００％１００％９８．８４％１００％４５．２５％１００％９３．０５％１００％１００％９３．７０％

７０．４９％

９２．１７％

标图像分层检索算法

（算法３．１）１００％１００％１００％９９．６９％１００％８２．５１％１００％９４．５７％１００％１００％９８．００％

９２．０ｌ％５８．５６％７７．１４％６９．９２％６３．６８％４９．４１％５４．９８％８２．７８％７１．１１％

从表４．１中可以看出，基于子对象轮廓特征和规则子块区域特征的商标图像分层检索

算法（算法３．１）总体上比两种对比算法（算法４．１和算法４．２）具有更好的平移、缩放、旋转和镜像不变性。其中对于Ｎｏ．６样本图像（微软商标），该算法的检索效果有了明显的提高，这是因为该算法抽取了商标图像的子对象，并在计算相似性时考虑到子对象在反映商标图像内容方面具有不同的可信度，使具有较小可信度的子对象对检索效果的影响较小，突出了可信度较大的子对象，所以检索效果比较好。

４．３．２几何形变测试实验

为了考察基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法对于几何形变图像的检索能力，仍以图４．２中１０幅商标图像作为样本图像进行实验。对样本图像

所作的变形分别为挤压５０％、挤压．５０％、旋转扭曲５０％、旋转扭曲．５０％、球面化５０％、

４３

南京邮电人学硕十研究生学位论文第四章实验设计与分析

５％球面化１００％、水波（水池波纹）１５％、水波（田绕中心）１５％、水波（从中心向外）１

波纹５０％、波纹．５０％和水平拉仲２００％，图４－８给出了这１２种变形的示意图。

原幽像

鬻鬻

挤压５０％篙，鬻蒸翟】Ｉ！焉２挤压－５０％３旋转＿｝ｌｆ曲５０％４旋转扣曲－５０％５球面化５０％６球面化１｛１００／ｏ豢爨繁

Ｊ鳘｜４－８麓豢舅！｛翻篓豢警≮麓鬻７水池波纹１５％８隔绕中心水波１５％９中心向外水波１５％１０波纹５０％Ｉｌ波纹．５０％１２水平拉伸２００％儿ｆａ『形变示意幽

检索实验中用到的图像库仍为４３１节的商标图像库。通过几何形变，每幅样本图像将产生１２幅新的图像．共产生１０ｘ１２幅图像，将这１２０幅图像加入到原商标图像库中形成新的图像库。其中对于每一幅样本图像有１３幅相似的图像（包括样本图像本身），即商标图像库中与样本图像相关的总图像数为１３幅。以Ｎｏ１样本图像为例，进行图４－８所示的几何形变后得到图４－９所示。

．蔓～蔓，、蔓。遣、毁皇

蓬遵．《，芝遣遣

酬４－９ＮｏＩ样本削像经过儿何形变后的结果

图４－１０为分别采用算法４－１、算法４－２和算法３．Ｉ进行检索的结果，图４－１０（ｄ）为这三次检索相对应的ＰＶＲ曲线。

南京邮电人学硕十研究生学侍论文第四章实验设计与分析

遣遣遣莲遂多造

皇超何钐矿簖簖

９，从叱遑．、又童妒

（ａ）基丁规ｍ０子块医域特祉和全局Ｈｕ不变矩的商标凹像检索算法（捧｝圭４－

皇皇③⑦⑨⑦皇

楚⑧增多造⑨爸

ｏｏ，－皇ｍ益卿肜鸦

（ｂ）基丁单元于蝌像犀域特征的商标幽像检索掉｝圭（掉法４－２

皇皇皇簧、堑皇皇

皇趋式缬峙皇∥

亳皇簖肜昕膨－睾一（ｃ）基于子对象轮廓特征和舰ｔｌ！｜Ｊ于抉医域特征的商标｜璺｝像分层检索算法（算法３．Ｉ）

南京邮电人学硕七研究生学位论文第四章实验殴计与分析

（ｄ）三次检索结果的ＰＶＲ曲线

图４．１０几何形变实验的结果

从图４．１０中可以看出，用基于规则子块区域特征和全局Ｈｕ不变矩的商标图像检索算法（算法４．１）的结果是检索出１０幅相关图像，其中只有５幅图像排列在检索结果的前端。基于单元子图像区域特征的商标图像检索算法（算法４．２）的结果依然不理想，检索出７１１４，Ｎ关图像，其中只有２幅图像排列在检索结果的前端。而基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法（算法３一１）检索出全部１３张相关图像，并且有９幅图像排列在检索结果的前端。

采用算法４．１、算法４．２和算法３．１分别对１０幅样本图像进行检索的ＰＶＲ指数绘制成表格，见表４．２。

南京邮电人学硕士研究生学位论文

表４．２

实验２：商标图像检索ＰＶＲ指数（以％计）

第四章实验设计与分析

≮

Ｎｏ．１图像Ｎｏ．２图像Ｎｏ．３图像Ｎｏ．４图像Ｎｏ．５图像Ｎｏ．６图像Ｎｏ．７图像Ｎｏ．８图像Ｎｏ．９图像Ｎｏ．１０图像平均ＰＶＲ指数

基于规则子块区域特

基于单元子图像区域

征和全局Ｈｕ不变矩

特征的商标图像检

的商标图像检索算法

索算法（算法４．２）

（算法４．１）

７９．２４％９１．２３％９７．９４％９２．５２％８３．３９％３７．４７％９２．６９％９６．７８％９５．５５％９４．５９％８６．１４％

２６．０３％７１．７４％５６．９５％２９．６６％３７．２２％５８．０８％４２．０６％２２．５６％３５．８３％５９．８７％４４．００％

基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法

（算法３．１）９０．３４％９４．１２％９９．７３％９４．１０％９２．０３％８８．９７％９６．７３％８４．１１％９９．２８％９６．３２％９３．５７％

通过表４．２可以看出，与算法４．１和算法４．２相比，本文提出的算法３．１对于几何形变具有更好的不变性。但是需要指出的是对于个别商标图像（如Ｎｏ．８样本图像），该算法比算法４．１的检索效果要差，这是因为旋转扭曲变换和水池波纹变换使得Ｎｏ．８样本图像中的“圆环”发生较大变形，造成提取的轮廓特征有较大不同。

４．３．３视觉一致性实验

接下来对基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法的视觉一致性进行实验，视觉一致性是指系统检索出的图像是否符合人的视觉感受，即在人看来检索结果中的图像是否与样本图像相似，它也是衡量一个商标图像检索算法性能的重要因素之一。在包含８００幅商标图像的图像库中，选择一个商标图像作为待检索的样本图像（如

图４．１１），返回前２１幅相似性最大的商标图像。

南京邮电大学硕十研究生学位论文第四章实验设计与分析

削４－ｔＩ视觉一致性实验中的样本图像

图４—１２为分别采用算法４－１、算法４－２和算法３．１进行检索的结果．返回的第一幅图像为该样本图像本身。

办ｉＡＩ●Ｒ’■、■

瞧渺、⑩一滕一■Ｇ渤熊巷．一蒙游．◎哆叁。够一辈影＠国．⑨．渺一够叁一酶Ｓ憝毖～掣，鼢＋拦勿。恩纛◎渺，⑥Ｑ．笤～照脊量喜一磁

（ｂ）基丁单元子幽像区域特征的商标崮像检索算法（算法４－２

南京邮电人学硕十研究生学何论立第四章宴验设计与分析

瞧霎霈蕊⑩鱼善ｉ鬈，

ｏ鼋⑧霪紫坠

帮渤ｊ磁二⑨ｊ桊

（ｃ）基卜ｆ对苏轮廓特征和规则于块Ｋ域特祉的商标削像分层检索算法（算法３．１）

幽４－１２视觉一致性实般的结果

本次实验中选择的样本商标图像较为复杂．由多个连通部分组成。由图４—１２可以看出，本文提出的算法３．１与算法４．１和算法４．２相比，榆索出的商标图像在视觉上和样本图像更加相似。这是因为改算法从商标图像中抽取出全部于对象，并计算这些子对象的成对几何特征直与图，这样可以很好地表示各个子对象的轮廓特征。虽然基于单元子图像区域特征的检索算法（算法４－２）也是根据连通区域进行分割，１日是实验结果表明相对于轮廓特征，连通子图像的区域特征１ｉ能很好地表示商标图像形状特征，另外算法４．２也没有利用商标图像的整体空削关系。而本文提出的算法３．１通过第二层的检索进一步确定各个子对象之间的空可关系以及子对象内部的特征，从而取得了较好的视觉一致性。当然，检索结果中也存在个别与样本图像不相似的图像，这是因为图像的形状描述是个非常复杂的问题，至今还没有找到形状的确切数学定义使之与人的视觉相一致。

４．３４实验结果分析

综合上述实验数据，对检索结果的分析如下：

ｌ基于规则子块区域特征和全局Ｈｕ不变矩的商标图像检索算法（算法４－１）：由于采用

等距离同心圃分块方法，所以对平移、缩放、旋转和镜像具有较好的不变性，但是该算法提取的全局特征和局部特征都是区域特征，而区域特征对图像内部的变化比较敏感，当对商标图像进行的几何形变程度较大时．这种算法就无法达到预期效果。另外，当检索较为复杂的商标图像时，子块面积特征和Ｈｕ不变矩已不足够描述商标图像的形状特征。

２基于单元子图像区域特征的商标图像检索算法（算法４－２）：仅依靠连通子图像的区域

特征不能反应出整幅商标图像的空刮相局关系，而子对象的Ｈｕ不变矩和离心率特征会

４９

南京邮电人学硕十研究生学位论文第四章实验设计与分析

受到缩放和几何形变的影响，尤其是在几何形变时，子对象的这两个特征变化比较大。另外，当商标图像中只有一个连通区域时，这种算法提取的特征就退化为全局区域特征。

３．基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法（算法３．１）：第一

层检索提取了商标图像中子对象的轮廓特征，这样可以表示图像中若干组成部分的轮廓特性，实验表明，即使图像中只有一个子对象，提取的轮廓特征比全局区域特征更能反映形状的特征。第二层检索中提取了规则子块的区域特征，可以表示商标图像的空间分布特征和子对象内部的特征。从实验结果表明，该算法对平移、缩放、旋转和镜像具有很好的不变性，而且对图像的几何形变不敏感，检索出的图像具有较好的视觉一致性。

４．算法３．１虽然在检索效果上明显优于算法４．１和算法４．２，但其时间复杂度较高，这是

由于该算法在第一层检索中，需要计算轮廓中每两条线段之间的有向相对角和有向相对距离，从而造成时间复杂度较高。

４．４本章小结

在本章中，将本文提出的基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法（算法３．１）与基于规则子块区域特征和全局Ｈｕ不变矩的商标图像检索算法（算法４．１）、基于单元子图像区域特征的商标图像检索算法（算法４．２）进行了对比实验，主要做了三方面的实验：（１）平移、缩放、旋转和镜像不变性测试实验，（２）几何形变测试实验；（３）视觉一致性实验，并分别采用了ＰＶＲ曲线、ＰＶＲ指数和用户参与评价的评价方法对算法的性能进行了衡量，最后分析了实验结果。

南京邮电人学硕士研究生学位论文第五章总结与展望

第五章总结与展望

商标代表着商品的质量和生产厂家的信誉，一个厂家或公司的商标是其重要的产权之一，在市场经济中起着重要的作用。随着市场经济的发展，注册商标的数目不断增加，需要建立～种准确、高效的商标图像自动检索系统，因此基于内容的图像检索技术在商标检索领域得到了广泛的应用。

５．１总结

基于内容的图像检索是一个综合了数学、电子学、计算机科学、人工智能、模式识别等学科的研究领域，是一个十分广阔而重要的应用领域。其主要思想是根据图像视觉内容的特征如颜色、纹理、形状和空间分布等信息，提取图像的特征向量作为索引进行相似性检索。商标是商品的一个重要标识，在市场经济中起着重要的作用，为了更好地实现商标图像自动检索，基于内容的图像检索技术在商标图像检索领域得到了广泛的应用。本文从基于内容的图像检索方法出发，深入研究了基于形状特征的商标图像检索算法。

本文提出了基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法。该算法结合了图像分割为连通子对象的方法和图像划分为规则子块的方法，进行分层检索。第一层检索是基于子对象轮廓特征的检索，利用成对几何特征直方图来表示子对象的轮廓特征，在子对象特征融合时，将加权最小平均值准则应用到子对象特征的相似性计算中；第二层检索是基于规则子块区域特征的检索，在第一层检索结果的基础上，用改进后的同心圆分块法提取子块面积特征，同时结合全局Ｈｕ不变矩进行检索。该算法有效地结合了全局特征与局部特征、区域特征与轮廓特征、子对象分割法和图像分块法。从实验结果表明，本文算法对平移、缩放、旋转和镜像具有很好的不变性，而且对图像的几何形变不敏感，检索出的图像具有较好的视觉一致性。

另外，针对目前图像检索预处理阶段造成的图像形状失真，本文提出了一种无畸变的预处理方法，提高了基于形状特征的商标图像检索的准确性；针对等距离同心圆分块法存在的不足之处，提出了改进的同心圆分块法，加强了商标图像中边缘区域的特征表示精度。５．２展望

经过多年的研究，基于形状特征的商标图像检索已经取得了很大的进展，但是毕竟还５Ｉ

南京邮电人学硕十研究生学何论文第五章总坌占与展望是处于研究的阶段。现有的基于形状特征的商标图像检索方法无论是在检索的要求方面，还是在检索的精度方面，都存在一定的缺陷。本文提出的基于子对象轮廓特征和规则子块区域特征的商标图像分层检索算法可以从以下几个方面继续进行研究工作：

１．本文中的第二层检索中采用较为简单的同心圆分块法，这是出于对检索系统速度的考

虑，以后可以采用性能更好的分块方法，进一步提高检索系统的检索精度。

２．目前，从商标图像中提取多种形状特征进行检索是一个研究方向。本文提出的算法结

合了成对几何特征、面积特征和Ｈｕ不变矩三种形状特征，进行商标图像检索。以后可以进一步研究如何将商标图像中的多特征有效地组织在一起，提高商标检索的性能。３．可以增加人机交互模块，因为人在基于内容的图像检索系统中扮演着重要的角色。这

一研究趋势已经反映在ＣＢＩＲ的发展过程中。因此，要想把商标图像检索系统应用于实际，需要通过人和计算机的共同协作，建立人机交互系统，实现更好的检索效果。

南京邮电大学硕十研究生学位论文致谢

致谢

在此论文完成之际，我要衷心地感谢我的导师王绍棣教授。在攻读硕士学位和撰写毕业论文期阳Ｊ，我始终得到王老师的悉心指导。王老师深厚的理论水平、严谨的治学态度和诲人不倦的精神使我在学习上受益匪浅，王老师平易近人的性格和乐观的生活精神也深深地感染着我，在读研期问，我时刻都能感受到王老师对我们无微不至的关心与支持，这些都将对我以后的工作和学习产生深远的影响。

感谢张卫丰老师，感访｝张老师在百忙之中审阅了本论文的初稿，并提出了宝贵的建议。感谢我的家人，感谢他们对我的学业的支持和关心，今天所取得的一切和他们是分不丌的，祝他们身体健康。

感谢９０８实验室的所有同门，感谢他们在工作和学习上给予的无私关怀和帮助。衷心感谢各位专家在百忙之中来评审我的论文，并给出：盅贵的意见和建议。

南京邮电人学硕十研究生学位论文

参考文献

参考文献

…Ｉ

ＲＤａｔｔａ，ＤＪｏｓｈｉ，ＪＬｉｅｔａ１．ＩｍａｇｅＲｅｔｒｉｅｖａｌ：Ｉｄｅａｓ，Ｉｎｆｌｕｅｎｃｅｓ，ａｎｄＴｒｅｎｄｓｏｆｔｈｅＮｅｗ

Ａｇｅ【Ｊ】．ＡＣＭ

ＣｏｍｐｕｔｅｒＳｕｒｖｅｙｓ．Ａｐｒｉｌ２００８．Ｖ０１．４０．Ｎｏ．２．Ａｒｔｉｃｌｅ５．

【２】ＬＥＷ．Ｍ，ＳＥＢＥ．Ｎ，ＤＪＥＲＡＢＡ．Ｃ

ａｎｄ

ｅｔ

ａ１．Ｃｏｎｔｅｎｔ－ｂａｓｅｄｍｕｌｔｉｍｅｄｉａｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌ：Ｓｔａｔｅ?ｏｆ－ｔｈｅ—ａｒｔ

ＭｕｌｔｉｍｅｄｉａＣｏｍｐｕｔｉｎｇ，Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，ａｎｄＡｐｐｌｉｃａｔｉｏｎｓ

ｃｈａｌｌｅｎｇｅｓ【Ｊ】．ＡＣＭ

Ｔｒａｎｓａｃｔｉｏｎｓｏｎ

（ＴＯＭＣＣＡＰ）．Ｆｅｂ２００６，Ｖ０１．２（Ｉ），ＰＰ．１－１９．【３】Ｓａｇａｒｍａｙｆ４１

Ｄｅｂ，ＹａｎｃｈｕｎＺｈａｎｇ．ＡｎＯｖｅｒｖｉｅｗ

ｏｆＣｏｎｔｅｎｔ－ｂａｓｅｄＩｍａｇｅＲｅｔｒｉｅｖａｌＴｅｃｈｎｉｑｕｅｓ［Ｃ］．

ＡｄｖａｎｃｅｄＩｎｆｏｒｍａｔｉｏｎＮｅｔｗｏｒｋｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ．２００４，Ｖ０１．Ｉ，ＰＰ．５９－６４．

ＳＭＥＵＬＤＥＲＳ．Ａ．Ｗ，ＷＯＲＲＩＮＧ．Ｍ，ＳＡＮＴＩＮｌ．Ｓ

ｅａｒｌｙ

ｅｔ

ａ１．Ｃｏｎｔｅｎｔ．ｂａｓｅｄｉｍａｇｅｒｅｔｒｉｅｖａｌ

ａｔｔｈｅｅｎｄｏｆｔｈｅ

ｙｅａｒｓ［Ｊ】．ＩＥＥＥ

Ｔｒａｎｓａｃｔｉｏｎｓ

ｏｎ

ＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ．Ｄｅｃ２０００，Ｖｏｌ。２２（１２），

ＰＰ．１３４９—１３８０．

【５】ＲＵ！．Ｙ，ＨＵＡＮＧ．Ｔ，ＣＨＡＮＧ．Ｓ．Ｆ．Ｉｍａｇｅ

ｉｓｓｕｅｓ［Ｊ】．Ｖｉｓｕａｌ

ｒｅｔｒｉｅｖａｌ：ｃｕｒｒｅｎｔｔｅｃｈｎｉｑｕｅｓ，ｐｒｏｍｉｓｉｎｇｄｉｒｅｃｔｉｏｎｓａｎｄｏｐｅｎ

Ｃｏｍｍｏｎ．ＩｍａｇｅＲｅｐｒｅｓｅｎｔ．ｉ９９９，Ｖ０１．１

０（１），ＰＰ．３９－－６２．

ｐｒｏｃｅｓｓｉｎｇ

ａｎｄ

ｔｈｅ

ｆｉｎｅ

【６】ＭＡＩＴＲＥ．Ｈ，ＳＣＨＭＩＴＴ．Ｆ，ＬＡＨＡＮＩＥＲ．Ｃ．１５

ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＩｎｔｅｍａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ

ｙｅａｒｓｏｆｉｍａｇｅ

ｏｎ

ａｒｔｓ［Ｃ】．

ＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ（ＩＣＪＰ）．２００１，Ｖ０１．Ｉ，ＰＰ．５５７－５６ｉ．

ｆｏｒｃｏｎｔｅｎｔ—ｂａｓｅｄｍａｎｉｐｕｌａｔｉｏｎｏｆ

【７】ＰＥＮＴＬＡＮＤ．Ａ，ＰＩＣＡＲＤ．Ｒ，ＳＣＬＡＲＯＦＦ．Ｓ．Ｐｈｏｔｏｂｏｏｋ：Ｔｏｏｌｓ

ｉｍａｇｅ

ｄａｔａｂａｓｅｓ【Ｊ】．Ｊｕｎｅ１９９６，ＩｎｔｅｍａｔｉｏｎａｉＪｏｕｒｎａｌ

ｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，Ｉ８（３）：２３３—２５４．

ｏｎ

【８】Ｅａｋｉｎｓ

１７—２８．

Ｊ．Ｐ．，ＳｈｉｅｌｄｓＫ．，ＢｏａｒｄｍａｎＪ．ＡＲＴＩＳＡＮ—ａｓｈａｐｅｒｅｔｒｉｅｖａｌｓｙｓｔｅｍｂａｓｅｄ

ｂｏｕｎｄａｒｙｆａｍｉｌｙ

ｉｎｄｅｘｉｎｇ［Ｊ］．Ｐｒｏｃ．ＳＰＩＥ：Ｓｔｏｒａｇｅ［９】９

ａｎｄＲｅｔｒｉｅｖａｌｆｏｒＳｔｉｌｌＩｍａｇｅａｎｄＶｉｄｅｏＤａｔａｂａｓｅｓ．１９９６，Ｖ０１．２６７０，ＰＰ．

Ｃ．Ｐ．Ｌａｍ，Ｊ．Ｋ．Ｗｕ，Ｂ．Ｍｅｈｔｒｅ．ＳＴＡＲ?Ａ

ａｎｄＡｓｉａｎＣｏｎｆ．ＯｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．１

ｓｙｓｔｅｍｆｏｒＴｒａｄｅｍａｒｋａｒｃｈｉｖａｌａｎｄ

４－２１７．

ｒｅｔｒｉｅｖａｌ【Ｃ】．Ｐｒｏｃｅｅｄｉｎｇ

９９５（３），ＰＰ．２１

【１０】ＢＡＲＴＯＬＩＮＩ．１，ＣＩＡＣＣＩＡ．Ｐ，ＰＡＴＥＬＬＡ．Ｍ．Ｗａｒｐ：Ａｃｃｕｒａｔｅ

ｄｅｓｃｒｉｐｔｏｒｓ

ａｎｄ

ｔｉｍｅ

Ｉｎｔｅｌｌｉｇｅｎｃｅ．Ｊａｎ．２００５，Ｖ０１．２７，ｎｏ．Ｉ，ＰＰ．１４２一Ｉ４７．

ｒｅｔｒｉｅｖａｌｏｆｓｈａｐｅｓｕｓｉｎｇｐｈａｓｅｏｆＦｏｕｒｉｅｒ

ｏｎ

ｗａｒｐｉｎｇｄｉｓｔａｎｃｅ【Ｊ】．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ

Ｐａｔｔｅｒｎ

Ａｎａｌｙｓｉｓ

ａｎｄＭａｃｈｉｎｅ

【Ｉ１】ＢＥＬＯＮＧＩＥ．Ｓ，ＭＡＬＩＫ．Ｊ，ＰＵＺＩＣＨＡ．Ｊ．Ｓｈａｐｅ

ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ

ｏｎ

ｍａｔｃｈｉｎｇａｎｄｏｂｊｅｃｔ

ｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇｓｈａｐｅ

ｃｏｎｔｅｘｔｓ【Ｊ】

ＰａＲｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ．２００２，Ｖ０１．２４，ｎｏ．４，ＰＰ．５０９—５２２．

ｂｙｓｈａｐｅｓｉｍｉｌａｒｉｔｙｗｉｔｈｐｅｒｃｅｐｔｕａｌｄｉｓｔａｎｃｅａｎｄ

［１２】ＢＥＲＲＥＴＴＩ．Ｓ，ＤＥＬ．ＢＩＭＢＯ．Ａ，ＰＡＬＡ．Ｐ．Ｒｅｔｒｉｅｖａｌ

ｅｆｆｅｃｔｉｖｅ

ｉｎｄｅｘｉｎｇ［Ｍ】．ＩＥＥＥ

Ｔｒａｎｓａｃｔｉｏｎ．Ｄｅｃ

２０００，Ｖ０１．２（４），ＰＰ．２２５—２３９．

ａｎｄｅｖｅｎｔｄｅｔｅｃｔｉｏｎｆｏｒｓｅｍａｎｔｉｃａｎｎｏｔａｔｉｏｎ

ｏｎ

［１３】ＢＥＲＴＩＮＩ．Ｍ，ＣＵＣＣＨｌＡＲＡ．Ｒ，ＤＥＬＢＩＭＢＯｅｔａ１．Ｏｂｊｅｃｔ

ａｎｄ

ｔｒａｎｓｃｏｄｉｎｇ［Ｃ】．Ｐｒｏｃｅｅｄｉｎｇ

ｏｆｔｈｅＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ

ＭｕｌｔｉｍｅｄｉａａｎｄＥｘｐｏ（ＩＣＭＥ）．

２００３．Ｖ０１．１．ＰＰ．４２Ｉ?４２４．

［１４】ＣＨＡＬＥＣＨＡＬＥ．Ａ，ＮＡＧＨＤＹ．Ｇ，ＭＥＲＴｌＮＳ．Ａ．Ｓｋｅｔｃｈ—ｂａｓｅｄ

ｐａｒｔｉｔｉｏｎｉｎｇ．Ｓｙｓｔｅｍｓ，Ｍａｎａｎｄ

ｉｍａｇｅｍａｔｃｈｉｎｇｕｓｉｎｇａｎｇｕｌａｒ

１．ｏｆｔｈｅ

Ｃｙｂｅｒｎｅｔｉｃｓ［Ｍ】，ＩＥＥＥ

ｆｒａｍｅｗｏｒｋＰａａｅｍ

ｆｏｒ

Ｔｒａｎｓａｃｔｉｏｎ．Ｊａｎ

ｉｍａｇｅ

２００５，Ｖ０１．３５（Ｉ），ＰＰ．２８—４ｒｅｔｒｉｅｖａｌ［Ｃ】．Ｐｒｏｃｅｅｄｉｎｇ

［１５】ＤＡＧＬＩ．Ｃ，ＨＵＡＮＧ．Ｔ．Ｓ．Ａ

Ｉｎｔｅｒｎａｔｉｏｎａｌ１ＥＥＥＣｏｎｆｅｒｅｎｃｅ

ｏｎ

ｇｒｉｄ?ｂａｓｅｄ

Ｒｅｃｏｇｎｉｔｉｏｎ（ＩＣＰＲ）．Ａｕｇ．２００４，Ｖ０１．２，ＰＰ．１０２１－１０２４．

ｒｅｃｏｇｎｉｔｉｏｎｂｙｕｎｓｕｐｅｒｖｉｓｅｄｓｃａｌｅ?ｉｎｖａｒｉａｎｔ

ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎ

【１６】ＦＥＲＧＵＳ．Ｒ，ＰＥＲＯＮＡ．Ｐ，ＺＩＳＳＥＲＭＡＮ．Ａ．Ｏｂｊｅｃｔｃｌａｓｓ

ｌｅａｒｎｉｎｇ【Ｃ】．Ｐｒｏｃｅｅｄｉｎｇ

ｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅ

ｏｌｌ

Ｒｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ）．

Ｊｕｎｅ２００３，Ｖ０１．２，ＰＰ．ＩＩ２６４．ＩＩ２７１．

【Ｉ７】ＧＵＹＯＵ．Ｉ，ＥＬＩＳＳＥＥＦＦ．Ａ．Ａｎ【１８】Ｓ．Ｘ．Ｌｉａｏ，Ｍ．Ｐａｗｌａｋ．Ｏｎ

ｉｎｔｒｏｄｕｃｔｉｏｎｔｏｖａｒｉａｂｌｅａｎｄｆｅａｔｕｒｅ

ｓｅｌｅｃｔｉｏｎ【Ｊ】．ＴｈｅＪｏｕｒｎａｌ

Ｔｒａｎｓ．Ｏｎ

ｏｆＭａｃｈｉｎｅ

ＬｅａｒｎｉｎｇＲｅｓｅａｒｃｈ．Ｍａｒｃｈ２００３，Ｖ０１．３，ＰＰ．１１５７—１１８２．

ＩｍａｇｅＡｎａｌｙｓｉｓｂｙ

Ｍｏｍｅｎｔｓ［Ｍ】．ＩＥＥＥ

ＰａａｅｍＡｎａｌｙｓｉｓａｎｄ

ＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，１９９６，１８（３）：２５４．２６６

南京邮电大学硕士研究生学位论文

［１９】Ｃ．Ｈ．Ｔｅｈ

ａｎｄＲ．Ｈ．Ｃｈｉｎ．ＯｎＩｍａｇｅＡｎａｌｙｓｉｓｂｙｔｈｅＭｅｔｈｏｄｏｆ

参考文献

Ｍｏｍｅｎｔｓ【ＭＩ．ＩＥＥＥＴｒａｎｓ．ＰＡＭＩ，１９９８，

ｆｒａｍｅｗｏｒｋ【Ｊ】．

１０（４）：４９６?５１３

【２０】ＪＩＮＥ．Ｆ，ＬＩ．Ｍ，ＺＨＡＮＧ．Ｈ．Ｊ

ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ

ｏｎ

ｅｔ

ａ１．Ａｎｅｆｆｉｃｉｅｎｔａｎｄｅｆｆｅｃｔｉｖｅｒｅｇｉｏｎ—ｂａｓｅｄｉｍａｇｅｒｅｔｒｉｅｖａｌ

ＩｍａｇｅｓＰｒｏｃｅｓｓｉｎｇ．２００４，Ｖ０１．Ｉ３（５），ＰＰ．６９９—７１０．

ｂｅｔｗｅｅｎＲｅｇｉｏｎａｎｄＣｏｎｔｏｕｒ

【２１】Ｂｉｎｇｃｈｅｎｇ

Ｌｉ，ＳｏｎｇＤｅＭａ．ＯｎＴｈｅＲｅｌａｔｉｏｎ

Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ【Ｊ】．Ｐａｔｔｅｍ

ｉｍａｇｅ［Ｊ】．Ｊｏｕｒｎａｌ

Ｒｅｃｏｇｎｉｔｉｏｎ，Ｉ９９４，Ｖ０１．１，ＰＰ．３２５—３５５．

【２２】Ｌ．Ｇｕｏ，Ｙ．Ｙ．Ｈｕａｎｇ，Ｊ．Ｙ．Ｙａｎｇ．Ｕｓｉｎｇ【２３】ＺｈｉｌｉｎｇＨｏｎｇ，Ｑｉｎｇｓｈａｎ

Ｆｅａｔｕｒｅｓ【Ｃ】．Ａｄｖａｎｃｅｄ［２４】Ｃ．Ｓ．Ｍａｙｔｈａｍ

ｓｕｂ－ｂｌｏｃｋｉｍａｇｅｆｅａｔｕｒｅｓｔｏｒｅｔｒｉｅｖｅｔｒａｄｅｍａｒｋ

ｏｆＣｏｍｐｕｔｅｒ—ＡｉｄｅｄＤｅｓｉｇｎａｎｄＣｏｍｐｕｔｅｒＧｒａｐｈｉｃｓ．２００４，Ｖ０１．１６（１７），ＰＰ．９６８—９７２．

Ｊｉａｎｇ．ＨｙｂｒｉｄＣｏｎｔｅｎｔ—ｂａｓｅｄＴｒａｄｅｍａｒｋＲｅｔｒｉｅｖａｌｕｓｉｎｇＲｅｇｉｏｎａｎｄＣｏｎｔｏｕｒＩｎｆｏｒｍａｔｉｏｎＮｅｔｗｏｒｋｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ

Ｗｏｒｋｓｈｏｐｓ（ＡＩＮＡＷ），Ｉｎｔｅｒｎａｔｉｏｎａｌ

ｔｅｃｈｎｉｑｕｅｓ［Ｊ】．

Ｃｏｎｆｅｒｅｎｃｅ．２００８，ＰＰ．１１６３—１１６８．

Ｓａｆａｒ．Ａｎｅｘｐｅｒｉｍｅｎｔａｌｓｔｕｄｙｏｆａｌｔｅｒｎａｔｉｖｅｓｈａｐｅ—ｂａｓｅｄｉｍａｇｅｒｅｔｒｉｅｖａｌ

ＭｕｌｔｉｍｅｄＴｏｏｌｓＡｐｐｌ．２００７，Ｖ０１．３２，ＰＰ．２９－４８

【２５】Ｃｈｕａｎ?ＣｈｅｎｇＷａｎｇ，Ｌｉｎｇ—Ｈｗｅｉ

【Ｃ】．ＩＥＥＥ

【２６】Ｃｈｕａｎ—ＣｈｅｎｇＷａｎｇ，Ｌｉｎｇ—Ｈｗｅｉ

Ｓｔａｔｉｓｔｉｃ【Ｊ】．Ｉｎｔｅｒｎａｔｉｏｎａｌ【２７】Ｗｉｎｇ【２８】Ｊａｕ

Ｃｈｅｎ．Ｔｒａｄｅｍａｒｋｒｅｔｒｉｅｖａｌｕｓｉｎｇｃｏｎｔｏｕｒ－ｓｋｅｌｅｔｏｎｓｔｒｏｋｅｃｌａｓｓｉｆｉｃａｔｉｏｎ．

０１２

ＩｎｔｅｍａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ

ＭｕｌｔｉｍｅｄｉａａｎｄＥｘｐｏ（ＩＣＭＥ２００２）【ＣＩ．２００２．ｖ０１．２，ＰＰ．５Ｉ７－５２０．

ＣｏｌｏｒＴｒａｄｅｍａｒｋ

Ｒｅｔｒｉｅｖａｌ

ＳｙｓｔｅｍＵｓｉｎｇ

Ｈｉｔ

Ｃｈｅｎ．Ｃｏｎｔｅｎｔ—ｂａｓｅｄ

ＪｏｕｒｎａｌｏｆＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎａｎｄＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ．２００２（５），ＰＰ．６０３—６１．

ＨｏＬｅｕｎｇ，ＴｓｕｈａｎＣｈｅｎ．ＣＭＵＴｒａｄｅｍａｒｋＲｅｔｒｉｅｖａｌ

Ｓｙｓｔｅｍ【Ｊ】－２００２，ｌ０．ｈｔｔｐ：／／ａｍｐ．ｅｃｅ．ｃｍｕ．

ｒｅｔｒｉｅｖａｌ【Ｊ】．Ｉｍａｇｅ

ａｎｄ

ｅｄｕ／Ｐｕｂｌｉｃａｔｉｏｎ／Ｈｏｗａｒｄ／ｗｈｉｔｅｐａｐｅｒ—ＴｒａｄｅｍａｒｋＲｅｔｒｉｅｖａｌ—ｈｏｗａｒｄ．Ｐｄｆ（ＡｃｃｅｓｓｅｄＮｏｖ，２００８）

ＬｉｎｇＳｈｉｈ，ＬｉｎｇＨｗｅｉＣｈｅｎ．Ａｎｅｗｓｙｓｔｅｍｆｏｒｔｒａｄｅｍａｒｋｓｅｇｍｅｎｔａｔｉｏｎａｎｄ

ＶｉｓｉｏｎＣｏｍｐｕｔｉｎｇ．２００１（１９），ＰＰ．１０１ｉ－１０１８．

【２９】Ｇ．Ｃｏｒｔｅｌａｚｚｏｅｔａｌ，Ｇ．Ａ．Ｍｉａｎ，Ｇ．Ｖｅｚｚｉ

ｔｅｃｈｎｉｑｕｅｓ【Ｊ】．Ｐａｔｔｅｒｎ

Ｒｅｃｏｇｎｉｔｉｏｎ．Ｉ

ｅｔａ１．Ｔｒａｄｅｍａｒｋ

ＳｈａｐｅｓＤｅｓｃｒｉｐｔｉｏｎｂｙｓｔｒｉｎｇｍａｔｃｈｉｎｇ

９９４，Ｖ０１．２７（８），ＰＰ．１

００５－１０ｉ８．

【３０】Ｗ．Ｙ．Ｋｉｍ，Ｙ．Ｓ．Ｋｉｍ．Ａ【３１】Ｔ．Ｋａｔｏ．Ｄａｔａｂａｓｅ

１９９２：１１２．１２３．

ｒｅｇｉｏｎｂａｓｅｄｓｈａｐｅｄｅｓｃｒｉｐｔｏｒｕｓｉｎｇＺｅｍｉｋｅ

ｍｏｍｅｎｔｓ【Ｍ】．Ｓｉｇｎａｌ

Ｐｒｏｃｅｓｓ：

ＩｍａｇｅＣｏｍｍｕｎ．２０００，Ｖｏｌ１６，ＰＰ．９５－１０２．

ＡｒｃｈｉｔｅｃｔｕｒｅｆｏｒＣｏｎｔｅｎｔ—ｂａｓｅｄＩｍａｇｅ２１

Ｓｙｓｔｅｍ（Ｐｒｏｃ．ＳＰＩＥ【３２】Ａｌｗｉｓ

８５）．Ａ．Ａ．Ｊａｍｂａｒｄｉｎｏ

ａｎｄ

Ｒｅｔｒｉｅｖａｌ［Ｍ】．ＩｍａｇｅＳｔｏｒａｇｅａｎｄＲｅｔｒｉｅｖａｌ

Ｗ．Ｒ．Ｎｉｂｌａｃｋ，ｅｄｓ．ＳＰＩＥＰｒｅｓｓ．Ｂｅｌｌｉｎｇｈａｍ．Ｗａｓｈ．

Ｉｍａｇｅｓ［Ｄ】．ＵｎｉｖｅｒｓｉｔｙｏｆＹｏｒｋ，Ｆｅｂｒｕａｒｙ

２０００．

Ｔ．Ｐ．Ｇ．Ｌ．Ｓ．Ｃｏｎｔｅｎｔ—ＢａｓｅｄＲｅｔｒｉｅｖａｌｏｆＴｒａｄｅｍａｒｋ

【３３】Ａ．Ｋ．Ｊａｉｎ，Ａ．Ｖａｉｌａｙａ．Ａｓｈａｐｅ?ｂａｓｅｄ

Ｒｅｃｏｇｎｉｔｉｏｎ．１

ｒｅｔｒｉｅｖａｌ：Ａｃａｓｅｓｔｕｄｙｗｉｔｈｔｒａｄｅｍａｒｋｉｍａｇｅｄａｔａｂａｓｅ［Ｍ】．ＰａｔｌｅｒｎＩｍａｇｅｓ【Ｍ】．ＩＥＥＥ

Ｌｅｔｔｅｒｓ．１９９７，

９９８（３Ｉ），ＰＰ．Ｉ

３６９－１３９０．

ｒｅｔｒｉｅｖａｌ

【３４】Ｊ．Ｒ．Ｅａｋｉｎｓ，Ｊ．Ｍ．Ｂｏａｒｄｍａｎ，Ｍ．Ｅ．Ｇｒａｈａｍ．Ｓｉｍｉｌａｒｉｔｙ

Ｍｕｌｔｉｍｅｄｉａ，１９９８。ＰＰ．５３－６３．

ｏｆＴｒａｄｅｍａｒｋ

【３５】Ｐｅｎｇ，Ｃｈｅｎ．Ｔｒａｄｅｍａｒｋ

Ｖ０１．１８，ＰＰ．７９１－８０３．

ｓｈａｐｅｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇｃｌｏｓｅｄｃｏｎｔｏｕｒｓ【Ｊ】．Ｐａｔｔｅｒｎ

Ｒｅｃｏｇｎｉｔｉｏｎ

［３６】ＯＳＳＡＭＡ【３７】Ｂｅｉ－ｊｉ

Ｅ１ＢＡＤＡＷＹ，ＭＯＨＡＭＥＤＫＡＭＥＬ．Ｓｈａｐｅ?ＢａｓｅｄＩｍａｇｅＲｅｔｒｉｅｖａｌＡｐｐｌｉｅｄｔｏＴｒａｄｅｍａｒｋ

ＪｏｕｒｎａｌｏｆＩｍａｇｅａｎｄＧｒａｐｈｉｃｓ．２００２，Ｖ０１．２，ＰＰ．１?ｌ９．ＬｉｎｇＺｈａｎｇ．ＡＮｅｗ

Ａｌｇｏｒｉｔｈｍ

ｆｏｒＴｒａｄｅｍａｒｋＩｍａｇｅＲｅｔｒｉｅｖａｌ

Ｉｍａｇｅｓ【Ｊ】．Ｉｎｔｅｒｎａｔｉｏｎａｌ

Ｚｏｕ，Ｙｉ

Ｓｕｂ?ｂｌｏｃｋｏｆＰｏｌａｒ

Ｙａｏ，ａｎｄ

Ｂａｓｅｄ

ｏｉｌ

Ｃｏｏｒｄｉｎａｔｅｓ［Ｊ】．ＩｎｔｅｒｎａｔｉｏｎａｌＦｅｄｅｒａｔｉｏｎｆｏｒＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ．２００７，ＰＰ．９Ｉ－９７．

【３８】Ｐ．Ｎ．Ｓｕｇａｎｔｈａｎ．ＳｈａｐｅＩｎｄｅｘｉｎｇＵｓｉｎｇＳｅｌｆ－ＯｒｇａｎｉｚｉｎｇＭａｐｓ【Ｊ】．ＩＥＥＥ

ＮＥＴＷＯＲＫＳ．２００２，Ｖ０１．１３，ＰＰ．８３５—８４０．【３９】Ｄ．Ｆ．Ｓｈｅｎ，Ｌ．Ｊｉｎ，Ｈ．Ｔ．Ｃｈａｎｇ，ｅｔ

ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ

ｏｎ

ＴＲＡＮＳＡＣＴＩＯＮＯＮＮＥＵＲＡＬ

ａ１．Ｔｒａｄｅｍａｒｋｒｅｔｒｉｅｖａｌｂａｓｅｄ

ｏｎ

ｂｌｏｃｋｆｅａｔｕｒｅｉｎｄｅｘ

ｃｏｄｅ【Ｃ】．ＩＥＥＥｔｅｃｈｎｉｑｕｅｓ［Ｍ】．

ＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ．２００５，Ｖ０１．３，ＰＰ．７７?８０．

［４０】Ｃ．Ｓｈａｈａｂｉ，Ｍ．Ｓａｆａｒ．Ａｎ【４Ｉ】Ｍ．Ｋ．Ｈｕ．Ｖｉｓｕａｌ

ＩＴ一８．ＰＰ．１７９一１８７．

ｅｘｐｅｒｉｍｅｎｔａｌｓｔｕｄｙｏｆａｌｔｅｒｎａｔｉｖｅｓｈａｐｅ—ｂａｓｅｄｉｍａｇｅｒｅｔｒｉｅｖａｌ

ＭｕｌｔｉｍｅｄｉａＴｏｏｌｓａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００７．Ｖ０１．３２，ＰＰ．２９—４８．

ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎｂｙＭｏｍｅｎｔ

Ｉｎｖａｒｉａｎｔｓ【Ｍ】，ＩＲＥＴｒａｎｓ．ＩｎｆｏＴｈｅｏｒｙ．１９６２，Ｖ０１．

南京邮电人学硕十研究生学仲论文

【４２】ＢｅｎｏｉｔＨｕｅｔ，ＥｄｗｉｎＲ．Ｈａｎｃｏｃｋ．ＲｅｌａｔｉｏｎａｌＨｉｓｔｏｇｒａｍｓｆｏｒＳｈａｐｅ参考文献Ｉｎｄｅｘｉｎｇ［Ｍ】．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，ｌ９９８．

ＳｉｘｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ．１９９８，ＰＰ．５６３—５６９．

［４３】Ａ．Ｅｖａｎｓ，Ｎ．Ｔｈａｃｋｅｒ，Ｊ．Ｍａｙｈｅｗ．Ｔｈｅ

【Ｊ】，ＢＭＶＣ９３．Ｓｅｐｔ１９９３，ＰＰ．４２９?４３８．ｕｓｅｏｆｇｅｏｍｅｔｒｉｃｈｉｓｔｏｇｒａｍｓｆｏｒｍｏｄｅｌ—ｂａｓｅｄｏｂｊｅｃｔｒｅｃｏｇｎｉｔｉｏｎ

【４４】Ｅ．Ｃ．ＤｉＭａｕｒｏ，Ｔ．Ｆ．Ｃｏｏｔｅｓ，Ｃ．Ｊ．Ｔａｙｌｏｒ

Ｈｉｓｔｏｇｒａｍｓ［Ｃ】．Ｐｒｏｃ．Ｓｅｖｅｎｔｈ

Ｈｉｓｔｏｇｒａｍｓ［Ｊ】．Ｉｍａｇｅｅｔａ１．ＡｃｔｉｖｅＳｈａｐｅＭｏｄｅｌＳｅａｒｃｈＵｓｉｎｇＰａｉｒ—ｗｉｓｅＧｅｏｍｅｔｒｉｃＢｒｉｔｉｓｈＭａｃｈｉｎｅＶｉｓｉｏｎＣｏｎｆ．Ｓｅｐｔ．１９９６，Ｖ０１．１，ＰＰ．３５３?３６２．ｔｈｅＣｏｍｐｌｅｔｅｎｅｓｓＰｒｏｐｅｒｔｉｅｓｏｆＰａｉｒ－ｗｉｓｅＧｅｏｍｅｔｒｉｃ【４５】Ｎ．Ａ．Ｔｈａｃｋｅｒ，Ｐ．Ａ．。Ｒｉｏｃｒｅｕｘ，Ｒ．Ｂ．Ｙａｔｅｓ．Ａｓｓｅｓｓｉｎｇ

【４６】Ａ．Ｃ．Ｅｖａｎｓ，Ｎ．Ａ．Ｔｈａｃｋｅｒ，Ｊ．Ｗ．Ｅ．Ｍａｙｈｅｗ．Ｔｈｅ

Ｒｅｃｏｇｎｉｔｉｏｎ【Ｃ】．Ｐｒｏｃ．Ｆｏｕｒｔｈ

Ｈｉｓｔｏｇｒａｍｓ【Ｃ】．Ｐｒｏｃ．Ｓｅｖｅｎｔｈ

［４８】Ｄａｖｉｄ

【４９】ＢｉｌｌｄｉｇｉｔｉｚｅｄｌｉｎｅｉｔｓａｎｄＶｉｓｉｏｎＣｏｍｐｕｔｉｎｇ．Ｊｕｎｅｌ９９５，Ｖ０１．１３，ＰＰ．４２３?４２９．ＵｓｅｏｆＧｅｏｍｅｔｒｉｃＨｉｓｔｏｇｒａｍｓｆｏｒＭｏｄｅｌ—ＢａｓｅｄＯｂｊｅｃｔＢｒｉｔｉｓｈＭａｃｈｉｎｅＶｉｓｉｏｎＣｏｎｆ．Ｓｅｐｔ．１９９３，ＰＰ．４２９—４３８．ｅｔ［４７】Ｅ．Ｃ．ＤｉＭａｕｒｏ，Ｔ．Ｆ．Ｃｏｏｔｅｓ，Ｃ．Ｊ．Ｔａｙｌｏｒａ１．ＡｃｔｉｖｅＳｈａｐｅＭｏｄｅｌＳｅａｒｃｈＵｓｉｎｇＰａｉｒ—ｗｉｓｅＧｅｏｍｅｔｒｉｃＢｒｉｔｉｓｈＭａｃｈｉｎｅＶｉｓｉｏｎＣｏｎｆ．Ｓｅｐｔ．１９９６，ｖ０１．１，ＰＰ．３５３－３６２．ｆｏｒｔｈｅｒｅｄｕｃｔｉｏｎｏｆｔｈｅｎｕｍｂｅｒｏｆｐｏｉｎｔｓｒｅｑｕｉｒｅｄｔｏＤｏｕｇｌａｓ，ＴｈｏｍａｓＲｅｕｃｈｅｒ．Ａｌｇｏｒｉｔｈｍｓａｏｒｒｅｐｒｅｓｅｎｔｃａｒｉｃａｔｕｒｅ【Ｊ】．ＴｈｅＣａｎａｄｉａｎＣａｒｔｏｇｒａｐｈｅｒ．１９７３，Ｖ０１．１０（２），ＰＰ．１ｌ２－ｌ２２．Ｇｒｅｅｎ．ＣａｎｎｙＥｄｇｅＤｅｔｅｃｔｉｏｎＴｕｔｏｒｉａｌ．ｈｔｔｐ：／／ｗｗｗ．ｐａｇｅｓ．ｄｒｅｘｅｌ．ｅｄｕ／－ｗｅ９２２／ｃａｎｔｕｔ．ｈｔｍｌ．２００２

【５０】孙兴华．基丁内容的图像检索研究［博十学位论文】．南京理Ｉ：人学。南京，２００１．

【５ｌ】黄元元．基下视觉特征的图像检索技术研究【博十学位论文】．南京理ｊ：人学．南京，２００３．

［５２】郭丽．基于内容的商标幽像检索研究［博十学位论文】．南京理Ｉ：人学．南京，２００３．

【５３】孙兴华，杨静宁等．基丁．子图像多特征组合的商标图像检索［Ｊ】．模式识别与人ｌ：智能，２００２，

１５（１）：１４－２０

【５４】孙兴华，郭丽，王止群等．商标图像检索中子图像特征融合准则研究【Ｊ】．南京理Ｉ：人学学报［Ｊ】．

２００２，Ｖ０１．２６（５）．

【５５】郭丽，黄元元，孙兴华等．基于方向特征的二值商标图像检索方法【Ｊ】．计算机戍川．２００３，Ｖ０１．２３（７）．［５６】张玲．商标图像检索研究与系统实现【硕十学位论文】．湖南人学．长沙，２００６．

［５７】中华人比共利国商标法实施条例．中华人【心共和国国家知识产权局，

ｈｔｔｐ：／／ｗｗｗ．ｓｉｐｏ．ｇｏｖ．ｃｎ／ｓｉｐｏ／ｆｌｆｇ／ｓｂ／ｆｌｊｘｚｆｇ／２００７０３／ｔ２００７０３２９１４８０３Ｉ．ｈｔｍ，２００７

【５８】曹清华，谭汉松．基丁．矩特征和面积特征的二值图像检索方法［Ｊ】．企业技术开发．２００７，Ｖ０１．２６（６）．

【５９】马玉国，武栓虎等．基于多特征提取的商标图像检索【Ｊ】．计算机Ｊ：程与应川．２００８，Ｖ０１．４４（１８），

ｐｐ．１７２—１７４．

【６０】陈世鸿，．千．轩．商标数据库的存储模式及检索算法研究［Ｊ】．武汉人学学报（理学版），Ｆｅｂ

２（１），ＰＰ．６３—６６．２００３，Ｖ０１．

【６１】吴明珠．利用成对几何直方图改进基于轮廓的图像检索【Ｊ】．多媒体技术及其麻川．２００７，

ｐｐｌ１４０－１１４１．

【６２】严芬，李才伟．一种白适廊的商标图像分层检索算法［Ｃ】．第十四届全国图像图形学学术会议．２００８．

【６３】谢吕平，孙劲光，崔彩峰．一种基丁．轮廓的图像检索算法研究【Ｊ］．。ｊ。波人学学报．２００７．Ｖ０１．２０．（４），

ＰＰ．４３８－４４０．

【６４】何尔健等．数字图像处理［Ｍ】．硝安电子科技人学出版社．２００５

【６５】黄昆，赖茂生．商标图像检索技术述评【Ｊ】．信息检索技术．２００４，Ｖ０１．４，ＰＰ．３２．３６．５６

南京邮电人学硕＋研究生学位论文作者在硕＋研究生期间发表论文情况

作者在硕士研究生期间发表论文情况

《基于ＯｐｅｎＣＶ的数字图像处理技术》，第一作者，全国计算机新科技与计算机教育论文集，２００８．７

基于形状特征的商标图像检索研究

作者：

学位授予单位：姜婷南京邮电大学

相似文献(10条)

1.期刊论文 黄崑.赖茂生 商标图像检索技术述评 -现代图书情报技术2004,""(4)

对商标图像检索的三种技术(类目检索、文本检索、基于内容检索)加以介绍,并重点阐述采用基于内容技术实现对纯图像、图形商标检索的原理和主要方法,最后分析归纳了实践应用中检索商标图像的障碍及有待解决的问题.

2.学位论文 孙强强 基于内容的二值商标图像检索研究 2008

多媒体技术的发展和视觉信息的飞速膨胀迫切需要对视觉信息资源的有效管理和检索手段。由此，基于内容的图像检索技术得到了越来越多的重视，成为了多媒体信息检索和图像处理领域中的重要研究方向。

基于内容的图像检索，就是根据描述图像内容的特征矢量进行相似性检索，其中图像内容的提取可以是通用的，也可以是基于特定领域的。随着市场经济的发展，商标在社会生活中扮演着越来越重要的角色，而基于内容的图像检索技术在商标检索领域得到了非常广泛的应用。本文对基于内容图像检索技术做了广泛和深入的研究，介绍了其研究现状和关键技术，讨论了其技术瓶颈和发展趋势；分析了基于内容图像检索技术在商标图像检索领域里的应用需求，主要提出了三种新的商标图像检索方法，实验证明这些方法具有良好的旋转、平移、尺度不变性，得到的检索结果能够很好地满足人的视觉感受。

首先，本文提出了基于距离分布信息熵的商标图像检索方法。采用基于目标像素外接圆的方法提取图像目标区域，然后采用同心圆的方法对目标区域进行划分，得到一系列子图像并提取其信息熵，最后对距离分布信息熵进行归一化。其次，本文提出了基于归一化单元转动惯量特征的商标图像检索方法。将商标图像划分为若干个单元子图像，然后分别提取各个单元子图像的归一化转动惯量不变特征。最后，本文提出了基于区域方向信息熵的商标图像检索方法。根据图像的形状主方向对图像进行旋转，并对旋转后的图像提取目标区域，将图像的目标区域沿圆周方向划分为若干个子区域并统计各个子区域的信息熵。实验表明，基于距离分布信息熵的商标图像检索方法优于基于距离分布直方图和基于单元信息熵的检索方法，基于归一化单元转动惯量特征的商标图像检索方法和基于区域方向信息熵的商标图像检索方法取得了令人满意的效果。

对于基于内容的图像检索，目前还不存在一个完美的特征能够使得检索结果符合所有人的主观感受和所有应用的实际需求，必须融合多个特征进行检索，并通过人机交互的方式使得检索结果尽可能地满足人的主观需求。文所提的三种商标图像检索方法，在基于视觉一致性的评价下很难分出优劣，其检索结果的风格各不相同，可以在基于多特征融合的检索系统中作为提供给用户的一种有效选择。

3.期刊论文 王振海.Wang Zhenhai 基于NMI不变特征的二值商标图像检索方法研究 -微计算机信息2006,22(19) 商标图像的检索在图像库系统管理和应用中得到了越来越多的重视.文中针对二值商标图像,提出一种基于NMI特征的商标图像检索方法.其特点是计算简单,精确度高,具有抗几何畸变性,对滤波、平滑、压缩等图像操作有一定的鲁棒性.试验结果表明,该方法具有一定实用价值,可用于二值商标图像检索.

4.期刊论文 王振海.Wang Zhenhai 基于NMI不变特征的二值商标图像检索方法研究 -微型电脑应用2005,21(11) 商标图像的检索在图像库系统管理和应用中得到了越来越多的重视.文中针对二值商标图像,提出一种基于NMI特征的商标图像检索方法.其特点是计算简单,精确度高,具有抗几何畸变性,对滤波、平滑、压缩等图像操作有一定的鲁棒性.试验结果表明,该方法具有一定实用价值,可用于二值商标图像检索.

5.期刊论文 王振海.WANG Zhen-hai 基于NMI不变特征的二值商标图像检索方法研究 -临沂师范学院学报2005,27(3)

商标图像的检索在图像库系统管理和应用中得到了越来越多的重视.文中针对二值商标图像,提出一种基于NMI特征的商标图像检索方法.其特点是计算简单,精确度高,具有抗几何畸变性,对滤波、平滑、压缩等图像操作有一定的鲁棒性.试验结果表明,该方法具有一定实用价值,可用于二值商标图像检索.

6.学位论文 黄赛平 基于文本和内容的商标图像检索 2008

基于内容的图像检索是一个综合了数学、电子学、计算机科学、人工智能、模式识别等各门学科的研究领域，是一个前景十分广阔而重要的应用领域。其主要思想是根据基于图像视觉内容的特征如颜色、纹理、形状和空间分布等信息，提取图像的特征向量作为索引进行相似性检索。商标是商品的一个重要标识，代表了商品的质量与生产厂家的信誉，在市场经济中起着重要的作用，而基于内容的图像检索技术在商标图像领域得到了广泛的应用，商标图像检索实际上是图像检索的一个子问题。

本文对现有的基于内容的商标图像检索方法进行了分析，提出了一种新的商标图像检索方法，并设计开发了一个基于文本和内容的商标图像检索系统。

针对二值商标图像单色的特点，一般利用形状特征对其进行检索。关于形状的统计值，可以用矩特征来表示。在图像处理中，矩可以作为一个重要的特征来表示物体，据此特征来对图像进行检索等操作。本文对基于形状特征(Hu不变矩、Legendre矩、Zernike矩、伪Zernike矩)和模糊方向特征图像检索的多种方法进行了实验对比。用PVR指数作为图像检索性能评价准则。结果表明，在基于形状特征的检索中，Legendre矩、Zernike矩和伪Zernike矩的检索性能优于Hu矩；基于模糊方向特征检索的效果优于Hu矩；在相同维数下，伪Zernike矩的检索效果最好。

随着矩阶数和特征维数的增加，虽然加强了图像的描述能力，但同时也带来了信息冗余和维数灾难等问题，加上高阶矩比低阶矩受噪声的影响大，因而并不是矩的阶数越高，检索的效果越好。通过实验，我们探讨了Legendre矩、Zernike矩、伪Zernike矩和模糊方向特征的最佳维数。

由于利用单个特征进行图像检索，未必有足够多的区别性信息，为了进行最佳的检索，当有众多特征使用时，可以将多个特征进行融合，我们提出融合多个特征的新方法来进行检索，并通过本文实现的商标图像检索系统进行了实验，对比实验证明该方法的检索效果优于单个特征的检索。

因为图像检索系统的最终用户是人，因此通过交互手段来捕获人对图像内容的理解是相当重要的。在系统中增加文本信息，即增加用户对图像的理解进行检索，实验证明，基于文本和内容的检索效果是最符合人眼的视觉感受的。

7.期刊论文 刘瑞.彭进业.李展.LIU Rui.PENG Jin-ye.LI Zhan 简化SIFT算法及其在商标图像检索中的应用 -计算机应用研究2010,27(5)

针对商标图像形状简单、颜色单一的特点,提出了一种基于简化SIFT特征的商标图像检索新方法.采用DoG算子在多尺度空间检测图像的关键点,并利用圆环域结构替代SIFT原来的方形结构,对SIFT特征描述符的生成方式进行改进,使其具有计算简单、抗几何畸变性、抗旋转性等优点;然后在关键点匹配过程中,采用RANSAC算法去除错误匹配,从而提高匹配的稳定性与精确性.实验结果表明,该方法比原SIFT方法具有更快的计算速度和更高的匹配精度,能很好地应用在商标图像检索系统中.

8.学位论文 洪志令 基于形状匹配的商标图像检索技术研究 2008

随着市场经济的发展，商标数量逐年递增。传统的基于分类、文本标注的商标图像检索方法存在着很大的难题，包括手工分类/注解工作量大、描述主观性、描述不全面性等问题。基于内容的图像检索技术可以克服这些弊端，它在商标检索领域得到了非常广泛的应用。

基于内容的商标图像检索方法利用图像自身包含的特征属性，如颜色、形状、纹理及空间位置关系等建立图像的索引，然后利用这些特征进行检索。作为人工图像的商标图像，其形状特征较其它特征更为显著，人们往往更多地通过形状来识别不同的商标。本文主要针对基于形状匹配的商标图像检

索关键问题展开研究，包括：商标图像分割技术、形状边界描述方法、形状区域描述方法、形状特征融合及匹配技术、基于多特征融合的子图像检索方法等，文中提出了一些解决问题的方法，具有一定的理论意义和实际应用价值。本文的主要工作和贡献如下：

1．深入研究了商标图像分割技术，提出了一个基于分水岭和高斯重叠率衡量多层融合的商标图像分割新方法WG-OLR：该方法可高效对商标图像进行自动分割；

2．研究基于边界的商标形状特征匹配方法，提出了一个基于角点检测及其Delaunay图的形状边界特征匹配方法DT-MATCH；该方法可快速的对非复杂的商标形状进行描述，并具有较好的检索效率；

3．研究基于区域的商标形状特征匹配方法，针对一类基于分区块统计的形状描述方法进行比较研究，确定了基于分区块统计描述思想下最适合的形状描述方法CAM；

4．分析了基于边界和基于区域特征形状描述方法的优缺点，并将这两种特征进行融合，针对商标的形状，提出了一种融合边界和区域特征的全图商标图像检索方法BR-MATCH；该方法不仅具有较好的匹配效果，同时具有较快的检索速度；

5．利用建立的商标图像分割技术和形状描述方法，同时融合颜色、空间位置关系等其它特征，提出了一种基于多特征融合的子图商标图像检索方法SBR—MATCH；子图检索方法较全图检索方法精度有了进一步的提高。

9.期刊论文 黄元元.郭丽.杨静宇 基于形状与空间位置特征的二值商标图像检索 -模式识别与人工智能2003,16(2) 本文将商标图像看作是由一些具有显著形状特征的区域构成的集合体,对于这样一个集合体,提出了一种基于形状与空间位置特征的检索方法.该方法既考虑了商标内部各组成部分的形状特征,又兼顾了它们之间的空间位置关系,从而保证了图像局部与整体的一致性,具有很好的检索精度.与仅仅利用图像的形状特征进行检索的实验结果相比,其检索结果更加符合人的视觉感受.

10.会议论文 郭劼.张凌.袁华.许勇 基于形状的图像检索及其应用 2002

随着多媒体技术,互联网的发展,人们对图像检索技术提出了新的要求,基于内容的图像检索技术(CBIR)成为热点,作为CBIR的一个重要分支,基于形状的图像检索技术在许多方面都有很好的发展前景,商标检索是其中之一.将基于形状的图像检索技术应用在商标检索中,建立了一个商标图像检索系统,简要地概述了基于形状的图像检索技术,给出了系统的简单结构介绍,算法实现以及实验结果.

本文链接：http://d..cn/Thesis_Y1591164.aspx

授权使用：中国石油大学（华东）图书馆(zgsydxhdtsg)，授权号：ed75f0d6-d573-47e5-81d5-9e5700a34c46

下载时间：20xx年12月25日