基于机器学习的图像特征提取技术在图像版权保护中的应用.pdfVIP

基于机器学习的图像特征提取技术在图像版权保护中的应用

随着互联网和移动互联技术的迅速普及和发展，与网络有关的版权和著作权

纠纷呈现逐年递增的态势。随着人们版权意识的逐渐提高，对版权归属、侵权后

的确认等问题也提出了更高的要求，对于图像的版权保护问题也成为了研究的热

点。图像特征提取的卷积神经网络主要用来识别图像的特征，可以抵抗图像的位

移、缩放和其他形式扭曲不变形的变换。图像特征提取的卷积神经网络通过训练

数据进行学习，避免了显式的特征提取，而是隐式的从训练数据中进行学习。基

于机器学习的图像特征提取技术，可以更好地适应当今海量数据爆发性增长的实

际环境，可以为实际图像的版权确认提供充分的依据。

标签：机器学习；图像特征提取技术；图像版权保护；应用

1背景

互联网技术的快速普及和发展给版权保护的传统手段带来了前所未有的冲

击和挑战。版权作品在数字技术和网络技术普及的大环境下，使用户可以在任意

媒介上进行复制，并不受任何限制，甚至在版权作品被侵权后都很难查清侵权作

品的真正源头。

随着人们版权意识的逐渐提高，对版权归属、侵权后的确认等问题也提出了

更高的要求，对于图像的版权保护问题也成为了研究的热点。由于图像相比其他

版权作品，具有更容易传播、更难确认版权归属等方面的特点，所以，对图像的

版权保护技术研究是本领域的重要研究内容。当图像的版权所有人需要证明图像

的版权归属问题时，也就是图像作品的确权问题时，我们可以通过提取图像的特

征来明确版权的归属问题，以维护图像版权作品的正当权益。

1.1图像特征的定义

图像特征是计算机图形学中的概念，它是指通过计算机编程实现特定的算法

来获取图像中的某些关键信息，来决定每个图像的点是否属于一个图像特征。图

像特征提取的结果是把一张图像分为不同的部分或子集，这些不同的部分或子集

可以使孤立的点、一段连续的曲线或者一片连续的区域。到今天为止，图像特征

也没有一个通用和准确的定义。图像特征的精确定义通常由应用的场景来决定。

图像特征是图像数字化后的一个有趣的部分，它是计算机图像分析算法的起点，

图像特征提取的一个最重要的特性就是可重复性，即在相同的应用场景下，图像

所提取的特征也应该是相同的。

要提取图像的特征，必须明确以下数字图像的相关定义：

1.1.1图像的边缘。图像的边缘是图像边缘点的像素集合，图像边缘的形状

由不固定的像素组成，可以是任意形状，甚至有的图像边缘是相交叉的。在计算

机图形学中一般被定义为图像中拥有最大的梯度的像素点所组成的集合，可以把

图像边缘看成是一对图形结构。

1.1.2图像的角。图像的角是图像中的局部的二维结构，是图像边缘的突然

转向，现在也可以看成是图像梯度中的高度曲率。

1.1.3图像区域。图像的区域是一个图像中的一个区域性的结构。这个结构

的组成可以是仅由一个像素点来构成。因此图像区域的检测也可以来检测图像的

角。

1.1.4图像的特征提取。图像的特征被计算机编程实现的检测算法侦测到后，

它可以被计算机算法从图像中提取出来，提取结果被称为图像特征描述。

1.2图像特征的分类

常用的图像特征包括颜色特征、纹理特征和空间关系特征等。

1.2.1颜色特征。图像的颜色特征是基于图像色彩的一种图像全局特征，描

述的是整幅图像或图像中的部分区域所对应的景物的一种表面特征。图像的颜色

特征也就是基于图像的像素点的特征。由于颜色色彩对图像或者图像部分区域的

方向和大小等变化十分不敏感，因此图像的颜色特征并不能很直观地描述出图像

中具体对象的局部特征。在实际应用场景中，基于图像颜色特征进行查询时，查

询的结果也不会很精确。颜色直方图是常用的表达图像颜色特征的方法和技术，

颜色直方图可以不受图像的旋转和平移等变化的影响，还不会受图像尺度大小变

化的影响，但是不能具体描述图像颜色色彩的空间分布信息。

1.2.2纹理特征。图像的纹理特征也是图像的一种全局特征。图像的纹理特

征是图像的表面特性，不能完全反映图像的本质属性。图像的纹理特征不是基于

图像像素点的特征，它是在包含多个图像像素点的区域中进行统计计算以后得出

的结果。图像的纹理特征在图像匹配过程中，不会由于图像的局部偏差而出现无

法匹配成功的情况。图像纹理特征对旋转和噪声具有很强的鲁棒性，但对于图像

分辨率的变化可能会出现较大的偏差。图像纹理特征的常用提取方法是灰度共生

矩阵的分析方法，它从图像的能量谱函数提取图像的纹理特征，提取出图像的纹

理的粗细