李 玲，崔溜洋，張文哲

（大連理工大學(xué)城市學(xué)院，大連 116600）

0 引言

圖像處理算法的研究離不開數(shù)據(jù)集的支撐，而算法的效果和性能與訓(xùn)練數(shù)據(jù)的規(guī)模和質(zhì)量密切相關(guān)，因此數(shù)據(jù)集的制作工作也尤為重要。圖像數(shù)據(jù)來源的多樣性在提升數(shù)據(jù)的規(guī)模和豐富性的同時也增加了數(shù)據(jù)篩選的難度。以往的人工處理流程繁瑣復(fù)雜、效率低下，尤其是在大規(guī)模數(shù)據(jù)集的制作中，為保證準(zhǔn)確度只能投入大量的作業(yè)時間。雖然也有部分工作會借助算法進(jìn)行，但功能分散，自動化程度低，還有很大的提升空間。

基于以上背景，本文提出一種面向數(shù)據(jù)集制作的圖像相似性檢測方法，先對原始數(shù)據(jù)進(jìn)行個性化的預(yù)處理，初步篩除不合格數(shù)據(jù)，然后使用感知哈希算法［1-2］結(jié)合k-means［3-4］聚類，對圖像特征進(jìn)行散列化，計算數(shù)據(jù)簽名間的距離，過濾掉相似度高的重復(fù)圖像，圖像篩選的嚴(yán)格程度具有可調(diào)節(jié)性。經(jīng)過本方法處理后的數(shù)據(jù)經(jīng)由簡單復(fù)檢后，即可用于后續(xù)使用，大大提高數(shù)據(jù)的篩選效率和準(zhǔn)確率。

1 相關(guān)工作

相似度檢測是圖像處理中的基礎(chǔ)應(yīng)用［5-7］，目前主流的方法是哈希算法。圖像哈希算法的中心思想都是將圖像進(jìn)行散列化，作用在于生成圖像的指紋信息，可通過比較兩圖像指紋信息的間距來判斷圖像的相似性，在圖像處理領(lǐng)域有著廣泛應(yīng)用。例如，Randhir等［8］使用pHash算法計算平臺上傳內(nèi)容的相似度，解決多媒體的版權(quán)侵權(quán)問題。Biswas等［9］對感知哈希算法進(jìn)行改進(jìn)，更好地提取人臉圖像的特征，應(yīng)用于人臉分類任務(wù)。Verlekar等［10］通過計算用戶腿部區(qū)域上的感知散列并將其與針對訓(xùn)練序列獲得的pHash 值進(jìn)行比較來識別行走方向。Liu 等［11］提出深度哈希方法用于遙感圖像的分類和檢索。雖然感知哈希的處理時間最長，但由于其對于圖像細(xì)微變化的低敏感性，尤其是在角度旋轉(zhuǎn)情況下表現(xiàn)出的強(qiáng)魯棒性而備受青睞。

在數(shù)據(jù)集的制作中，也有團(tuán)隊會使用相關(guān)算法對數(shù)據(jù)進(jìn)行篩選。例如，鄧慶昌等［12］在做目標(biāo)檢測數(shù)據(jù)集的過程中，采用直方圖法進(jìn)行圖片去重?；髦榈龋?3］使用感知哈希算法對通過爬蟲技術(shù)在網(wǎng)絡(luò)中搜集大量珊瑚圖片形成的初始數(shù)據(jù)集中的圖像進(jìn)行去重處理。但是這些方法功能單一，只完成了數(shù)據(jù)篩選的小部分工作，而且對于大規(guī)模數(shù)據(jù)的篩選速度和精度無法保證。

因此本文基于敏感哈希算法，提出針對數(shù)據(jù)集制作的綜合篩選方法，同時為了彌補(bǔ)時間缺陷，借鑒k-means 思想，先經(jīng)過聚類后再計算指紋序列間的距離，以降低執(zhí)行大規(guī)模數(shù)據(jù)過濾工作的時間復(fù)雜度。

2 算法實(shí)現(xiàn)

本文提出的圖像重復(fù)性檢測方法旨在實(shí)現(xiàn)圖像數(shù)據(jù)集制作過程中圖像篩選部分的自動化處理，代替人工篩選，降低圖像過濾的時間成本，提高過濾質(zhì)量。算法流程如圖1所示。

圖1 算法流程

算法整體分為三大部分：數(shù)據(jù)清洗、哈希計算和距離計算。首先將通過爬蟲等方式采集到的原始數(shù)據(jù)集作為算法的輸入，根據(jù)個性化要求進(jìn)行數(shù)據(jù)清洗，初步篩除不符合要求的數(shù)據(jù)；其次使用pHash算法［14-15］對每張圖像進(jìn)行簽名計算，得到代表圖像的散列化數(shù)據(jù)；最后對所有圖像的哈希值進(jìn)行k-means聚類，在同一簇中兩兩計算漢明距離，過濾超過閾值的相似圖像。

2.1 數(shù)據(jù)清洗

數(shù)據(jù)清洗主要包括三部分內(nèi)容：尺寸檢查、通道數(shù)檢查和圖像格式檢查。圖像數(shù)據(jù)的尺寸限制參數(shù)和格式限制參數(shù)可在配置文件中進(jìn)行個性化設(shè)定，根據(jù)配置內(nèi)容將范圍外的圖像數(shù)據(jù)“淘汰”。通道數(shù)檢查主要為了刪除灰度圖像，因?yàn)樵诤芏鄨D像處理算法中，是無法對灰度圖像進(jìn)行處理的。本算法刪除的數(shù)據(jù)不會直接刪除，而是會被收集至單獨(dú)的文件夾中，目的是保留原始數(shù)據(jù)，以供人工復(fù)檢比對或其他處理使用。

2.2 感知哈希算法

感知哈希的核心思想是無損DCT（離散余弦變換）。DCT 變換最早由Ahmed 等［16］于1974 年提出，其基本原理是對圖像進(jìn)行壓縮，將空域信號轉(zhuǎn)到頻域，獲取更有效的表達(dá)。因計算開銷低，處理效率高，適應(yīng)性強(qiáng)等優(yōu)點(diǎn)在圖像處理中具有重要應(yīng)用。二維DCT變換的公式為

其中：x、y為空間采樣值；u、v為頻率采樣值；f(x,y)為原始二維信號。

感知哈希的處理流程如圖2所示。先將圖像統(tǒng)一縮放至32 × 32 px，再轉(zhuǎn)換為單通道灰度圖，目的是為了進(jìn)一步減小計算量，簡化DCT變換。經(jīng)DCT 變換后的圖像信息主要集中在左上角，取8 × 8 的矩陣即可呈現(xiàn)圖片的低頻信息。計算矩陣中所有元素的均值，再依次將矩陣中的元素與均值進(jìn)行比對，根據(jù)比對結(jié)果賦1或0，從而生成64 bit的指紋信息，即哈希值。

圖2 感知哈希算法示意圖

2.3 距離計算

當(dāng)數(shù)據(jù)規(guī)模很龐大時，對指紋信息兩兩比較并計算距離是十分耗時的過程。為解決該問題，本文引入了聚類思想。聚類是一種無監(jiān)督學(xué)習(xí)方法，無需準(zhǔn)備數(shù)據(jù)集，將一個龐雜數(shù)據(jù)集中具有相似特征的數(shù)據(jù)自動歸類到一起，稱為一個簇，簇內(nèi)的對象越相似，聚類的效果越好［17］。

使用k-means 算法將所有圖像數(shù)據(jù)的哈希值先聚成k簇，此時相似的圖像在很大概率下會被聚在同一簇中，然后在同一簇中兩兩計算距離，大大減少計算量。k-means聚類具有隨機(jī)性，可能收斂到局部最小值，手動設(shè)定的k值也會影響最終的聚類效果。在配置文件中提供了設(shè)定k值的接口，可根據(jù)數(shù)據(jù)的實(shí)際情況進(jìn)行設(shè)定，從而提高方法的泛化性能。另外，對于最佳k值，在3.2節(jié)中進(jìn)行了對比實(shí)驗(yàn)。

距離計算選用漢明距離［18］，對圖像的哈希值進(jìn)行異或運(yùn)算，統(tǒng)計結(jié)果為1 的個數(shù)。其公式為

其中：xn、yn表示兩個N位的字符串，⊕符號表示進(jìn)行XOR運(yùn)算。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)數(shù)據(jù)集

為了有效地對算法進(jìn)行定量評價和對比實(shí)驗(yàn)，本文構(gòu)建了一個具有已知不合格圖像和相似圖像數(shù)量的實(shí)驗(yàn)數(shù)據(jù)集。通過網(wǎng)絡(luò)爬蟲的方式，采集了約20000張圖像作為原始數(shù)據(jù)。人工挑選了5000 張合格圖像作為基礎(chǔ)樣本（命名為DATA-BASE）。通過對DATA-BASE 中的圖像進(jìn)行加噪、尺寸變更、圖像旋轉(zhuǎn)、灰度轉(zhuǎn)化、格式變換等處理進(jìn)行數(shù)據(jù)集的擴(kuò)展，具體的處理數(shù)量和參數(shù)見表1。

表1 實(shí)驗(yàn)數(shù)據(jù)處理

從DATA-BASE 中隨機(jī)選取數(shù)量列對應(yīng)數(shù)量的圖像，按照對應(yīng)的處理方法和參數(shù)進(jìn)行處理，最終得到共13000 萬張圖像的擴(kuò)展數(shù)據(jù)集（命名為DATA-L）。再從DATA-L 中隨機(jī)選取2000 張圖像構(gòu)成DATA-S，均作為對比實(shí)驗(yàn)的數(shù)據(jù)支撐。以一張圖像為例，進(jìn)行處理后的效果說明，如圖3所示。

圖3 擴(kuò)展數(shù)據(jù)集處理示例

3.2 k-means聚類

在本節(jié)中將進(jìn)行兩組對比實(shí)驗(yàn)，第一組是驗(yàn)證選取的最佳k值，第二組是驗(yàn)證對于不同數(shù)據(jù)規(guī)模，進(jìn)行聚類后再計算圖像間的距離和直接計算距離的時間優(yōu)化結(jié)果。

選取合適的聚類中心，不僅能減少聚類的時間，還能提高聚類的準(zhǔn)確度。一般的聚類中心數(shù)在3～10之間，對于數(shù)據(jù)篩選來說，聚類的目的是使類似的圖像被聚到同一簇中，過多的聚類中心更易使數(shù)據(jù)分散，達(dá)不到良好的聚類效果。因此，在本組實(shí)驗(yàn)中選取的聚類中心數(shù)的范圍為2～8。使用DATA-L 數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，聚類結(jié)果的分析方法使用經(jīng)典的“手肘法”，即通過計算不同簇數(shù)下的聚類誤差平方和（SSE）來確定最佳k值。實(shí)驗(yàn)結(jié)果如圖4 所示，可以看出k=4時是拐點(diǎn)位置，因此最佳k值取4。

圖4 最佳k值實(shí)驗(yàn)結(jié)果

選用k-means 的目的是為了減少圖像簽名比對的計算時間，尤其是在數(shù)據(jù)規(guī)模龐大的情況下。為了驗(yàn)證該方法的有效性，進(jìn)行了時間對比實(shí)驗(yàn)。分別計算在兩種數(shù)據(jù)規(guī)模下，不使用k-means 直接進(jìn)行漢明距離計算、進(jìn)行聚類后再進(jìn)行距離計算所需要的時間，聚類中心數(shù)均設(shè)置為4，本實(shí)驗(yàn)的結(jié)果見表2。

表2 時間對比實(shí)驗(yàn)結(jié)果

從表2可以看出，在所有數(shù)據(jù)規(guī)模下，進(jìn)行聚類的時間均比不進(jìn)行聚類的時間短，且數(shù)據(jù)規(guī)模越大，效果越明顯，這充分表明了融合聚類能夠減少哈希簽名比對的時間。

3.3 算法評價

本節(jié)實(shí)驗(yàn)，我們將通過人工方式篩選的結(jié)果和通過本文方法的篩選結(jié)果進(jìn)行比較。為了使實(shí)驗(yàn)數(shù)據(jù)更具說服力，人工過濾流程與算法過濾流程保持一致，圖像清洗部分需要人工調(diào)用多個程序進(jìn)行，過濾標(biāo)準(zhǔn)與配置文件中設(shè)置的條件一致。圖像相似度檢測的方法，通過人工進(jìn)行肉眼比對，根據(jù)人的主觀判斷進(jìn)行相似數(shù)據(jù)的篩除。

評價從時間和準(zhǔn)確率兩方面進(jìn)行，準(zhǔn)確率采用以下兩個評價指標(biāo)進(jìn)行計算：

其中：ri代表被正確保留的數(shù)據(jù)數(shù)量，rall表示應(yīng)該被保留的數(shù)據(jù)總數(shù)，ei表示被正確篩除的數(shù)據(jù)數(shù)量，eall表示應(yīng)該被篩除的數(shù)據(jù)總量。該部分的實(shí)驗(yàn)結(jié)果見表3。

表3 算法評價實(shí)驗(yàn)結(jié)果

根據(jù)以上實(shí)驗(yàn)結(jié)果，人工篩選2000 張圖像的時間就已經(jīng)達(dá)到了約6小時，隨著數(shù)據(jù)規(guī)模的增大，對于人工篩選的挑戰(zhàn)性更高，人工篩選的效率更低，準(zhǔn)確率也會隨之降低。而使用本文提出的方法，僅需不到3 分鐘即可完成13000張圖像的過濾工作，且過濾效果較好，能夠滿足數(shù)據(jù)集制作的篩選需求。

4 結(jié)語

本文針對數(shù)據(jù)集制作的特定場景，提出了圖像重復(fù)性檢測方法，實(shí)現(xiàn)數(shù)據(jù)篩選的“一站式”服務(wù)，解決了數(shù)據(jù)篩選效率低下、準(zhǔn)確率不佳等問題，具有實(shí)際應(yīng)用價值。通過實(shí)驗(yàn)驗(yàn)證了算法在處理時間和篩選精度上的表現(xiàn)，與傳統(tǒng)人工處理流程的時間和性能進(jìn)行比較，證明了算法的有效性和優(yōu)越性。

圖像處理技術(shù)將繼續(xù)發(fā)展，數(shù)據(jù)集的制作也會趨向自動化。數(shù)據(jù)集的制作還包括標(biāo)注、分類等部分，在后續(xù)的工作中，我們也將探討和研究其余部分的自動化處理方法，考慮采用深度學(xué)習(xí)方法，盡可能降低數(shù)據(jù)集制作的人工成本，這也對圖像處理技術(shù)的發(fā)展有著至關(guān)重要的影響。