[0014] 5)计算步骤4)得到的两张图片的hash值h2_a与h2_b之间的皮尔逊相关系数pcc，并结合步骤2)得到的汉明距离dis_h计算两张图片的相似度P。
[0015] 优选的，步骤1)中，所述基于DCT的hash方法使用离散余弦变换提取图片的低频成分，先将图片转换成标准大小的灰度图，然后对灰度图做DCT变换，再从系数矩阵中提取出64位的hash值作为指纹，所述基于DCT的hash方法包括以下具体步骤：
[0016] 一、将图片缩小到32*32并灰度化得到灰度图，以减小计算量；
[0017] 二、计算步骤一得到的灰度图的DCT变换，得到32*32的系数矩阵，所述DCT变换公式为：
[0018]
[0019]
[0020] 其中，F(u,v)是灰度图的DCT系数矩阵，u、v分别是灰度图在频域中水平方向和竖直方向的频率，f(i,j)为灰度图中坐标(i,j)处的像素值，N是灰度图的边长，此处N＝32；
[0021] 三、取步骤二得到的32*32的系数矩阵左上角的8*8矩阵，计算该8*8矩阵的均值avg；
[0022] 四、对步骤三得到的8*8矩阵的每一个元素，大于等于avg的置1，小于avg的置0；
[0023] 五、按固定顺序将步骤四得到的8*8矩阵拉伸成1*64的hash值。
[0024] 优选的，步骤2)中两张图片的hash值h_a与h_b之间的汉明距离dis_h取值范围在0～64之间。
[0025] 优选的，步骤4)中，所述基于径向投影的hash方法首先会过灰度图中心计算朝等角度间隔的180个方向上像素值的方差，然后计算由这180个方差构成的特征向量的DCT，并从DCT系数矩阵中提取出64位的hash值作为指纹，所述基于径向投影的hash方法包括以下具体步骤：
[0026] (1)将图片转化为灰度图；
[0027] (2)过步骤(1)得到的灰度图中心等角度取180条直线，计算每条直线上像素点的方差，180个方差构成一个特征向量；
[0028] (3)计算上述特征向量的DCT变换，得到DCT系数向量；
[0029] (4)取前64个DCT系数向量构成新向量，计算新向量的均值avg2；
[0030] (5)对新向量中的每个元素，大于等于avg2的置1，小于avg2的置0，得到的新向量即hash值。
[0031] 优选的，步骤5)中，所述计算两张图片的hash值h2_a与h2_b的皮尔逊相关系数pcc的具体公式如下：
[0032]
[0033] 其中，X、Y分别代指两张图片的hash值h2_a与h2_b，ρX,Y是h2_a与h2_b的皮尔逊相关系数；
[0034] 通过以下公式结合汉明距离dis_h和皮尔逊相关系数pcc，得到图片相似度P：
[0035]
[0036] 本发明与现有技术相比，具有如下优点和有益效果：
[0037] 1、本发明采用了将“基于DCT的hash方法”和“基于径向投影的hash方法”融合后进行图片相似度计算的方案，该方案通过使用两种不同方法计算图片的hash值并计算不同方案下的图片相似度dis_h、pcc，然后综合dis_h、pcc计算出图像的相似度，结合了两种方法的优点，从而在不降低计算速度的同时，极大的提高了图片相似度结果的准确率。
[0038] 2、本发明从多角度提取图像特征并计算图像相似度，鲁棒性强，可用于各类图像。
附图说明
[0039] 图1为本发明实施例的一种图片相似度计算方法的具体流程图。
[0040] 图2为本发明实施例的一种图片相似度计算方法中步骤1)的方法流程图。
[0041] 图3为本发明实施例的一种图片相似度计算方法中步骤4)的方法流程图。
具体实施方式
[0042] 下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
[0043] 实施例：
[0044] 本实施例提供了一种图片相似度计算方法，如图1所示，为该方法的具体流程图，该方法包括以下步骤：
[0045] 1)用基于DCT的hash方法分别计算待比较的两张图片的hash值h_a与h_b；
[0046] 本步骤中，所述基于DCT的hash方法使用离散余弦变换提取图片的低频成分，先将图片转换成标准大小的灰度图，然后对灰度图做DCT变换，再从系数矩阵中提取出64位的hash值作为指纹，所述基于DCT的hash方法流程图如图2所示，包括以下具体步骤：
[0047] 一、将图片缩小到32*32并灰度化得到灰度图，以减小计算量；
[0048] 二、计算步骤一得到的灰度图的DCT变换，得到32*32的系数矩阵，所述DCT变换公式为：
[0049]
[0050]
[0051] 其中，F(u,v)是灰度图的DCT系数矩阵，u、v分别是灰度图在频域中水平方向和竖直方向的频率，f(i,j)为灰度图中坐标(i,j)处的像素值，N是灰度图的边长，此处N＝32；
[0052] 三、取步骤二得到的32*32的系数矩阵左上角的8*8矩阵，计算该8*8矩阵的均值avg；
[0053] 四、对步骤三得到的8*8矩阵的每一个元素，大于等于avg的置1，小于avg的置0；
[0054] 五、按固定顺序将步骤四得到的8*8矩阵拉伸成1*64的hash值。
[0055] 2)计算步骤1)中两张图片的hash值h_a与h_b之间的汉明距离dis_h；
[0056] 本步骤中两张图片的hash值h_a与h_b之间的汉明距离dis_h取值范围在0～64之间。
[0057] 3)若汉明距离dis_h不在设定范围10
[0058]
[0059] 4)若汉明距离dis_h在设定范围10
[0060] 本步骤中，所述基于径向投影的hash方法首先会过灰度图中心计算朝等角度间隔的180个方向上像素值的方差，然后计算由这180个方差构成的特征向量的DCT，并从DCT系数矩阵中提取出64位的hash值作为指纹，所述基于径向投影的hash方法流程图如图3所示，包括以下具体步骤：
[0061] (1)将图片转化为灰度图；
[0062] (2)过步骤(1)得到的灰度图中心等角度取180条直线，计算每条直线上像素点的方差，180个方差构成一个特征向量；
[0063] (3)计算上述特征向量的DCT变换，得到DCT系数向量；
[0064] (4)取前64个DCT系数向量构成新向量，计算新向量的均值avg2；
[0065] (5)对新向量中的每个元素，大于等于avg2的置1，小于avg2的置0，得到的新向量即hash值。
[0066] 5)计算步骤4)得到的两张图片的hash值h2_a与h2_b之间的皮尔逊相关系数pcc，并结合步骤2)得到的汉明距离dis_h计算两张图片的相似度P；
[0067] 本步骤中，所述计算两张图片的hash值h2_a与h2_b的皮尔逊相关系数pcc的具体公式如下：
[0068]
[0069] 其中，X、Y分别代指两张图片的hash值h2_a与h2_b，ρX,Y是h2_a与h2_b的皮尔逊相关系数；
[0070] 通过以下公式结合汉明距离dis_h和皮尔逊相关系数pcc，得到图片相似度P：
[0071]
[0072] 以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。
