- 选题背景和意义：
图标广泛的存在于人们的生产生活之中，在街道上，有交通图标，警示图标，在计算机和手机中，有各种app的图标。图标的存在意义不仅仅是美观，还要求辨识度。任何一个商业组织都不希望自己的标志被人模仿，剽窃。同样的，交通标志太过于相似，则可能会引起不必要的事故。在设计图标时，有必要让自己的设计不和其他已存在的图标产生歧义，即图标间的相似度过高。利用计算机图形的计算方式，可以使用特殊的算法把图标相似程度以百分比的形式表示出来，以度量图标的相似程度，避免出现相似度过高的图标，在使用过程中引起混淆。
- 课题关键问题及难点：
课题的关键问题是图标相似度算法的设计。
在图像相似度的对比中，已有的算法大致分为两种：按像素点逐一对比和按特征点对比（人脸对比）。图标是抽象的，即使代表的含义一样，形状也可能不一样（下面的图标都表示“下载”，但是从形状上看区别很大），在这里运用像素一一对比的方法不合理。在特征对比中，特征点的位置和数量不易标定，特征点种类繁多，没有统一形式，没有可比性。
图标1 图标2
已有的算法不满足图标相似度判定的要求，那么就要寻找新的算法以计算图标相似度。现在已知的一种算法是差异值哈希算法（dhash）和Hu不变距算法的结合。这种算法能解决单色填充的、整体性很强的单一元素的图标相似度判定。而对于具有多个元素的图标相似度，由于图标由多个元素构成，不同的元素在图标中的重要程度不同，对它们进行整体性的判定是不合适的，用这一算法判定就会出现较大的偏差。实际上，很多的图标都是多元素构成的，这使得这一算法局限性凸显。为了解决单色填充，存在两个或两个以上的图形元素的轮廓图形的相似度判定问题，同时提高算法的精确值，我们需要对现有的图标相似度算法加以改进。改进的主要问题和难点是：1.识别元素边界，在含有两个或两个以上元素的图标给定的情况下，需要把图标的各个元素分离出来，再单独进行比较，因此需要界定识别不同元素的边界轮廓；2.判断元素认知图形时的认知规律、元素权重，在区分图标的元素之后，要表示出图标整体的相似度，就需要知道每个元素分别在原图标中的重要程度，即所占的相似度权重，根据权重加以加权计算，才能表示出图标整体的相似度。
- 文献综述（或调研报告）：
处理图像的算法多种多样，历年来，有许多学者提出了各种处理图像的算法。比如对分割图像的改进算法，基于直方图算法计算图像相似度，利用哈希算法计算图像的相似度等。对于图标相似度的计算，可以看做是图像算法的一种特殊情况，很多图像的算法也可以在研究图标相似度时加以使用。
图标的构成可能很复杂，包含多种元素。因此在判定相似度之前，需要一种将图标简化的方法，把图标拆分为多个简单的图像。这些拆分出来的图像作为图像的构成元素，要保证图标的原信息的完整继承。
刘璐研究了一种高效的图像分割算法。Graph cuts 是一种把图像分割问题看成像素标记问题的基于图论算法。余弦相似度（Cosine similarity）衡量的是向量的相对距离，体现的是一个空间三维的概念。余弦相似度是一种相似度度量（Similarity measure），更注重维度之间的差异。在序列图像分割时，可以利用基于余弦相似度的Graph_Cuts序列图像分割算法减少人工交互，提高分割效率。[1]
针对单一元素的图像相似度比较，也不能简单地采用传统的图像对比方法。图标在各种意义上来说，是具有某种含义的，因此需要更符合人的感知的计算方法。
基于颜色直方图的图像相似度算法是从图像颜色特征和统计学方面来研究图像相似度。它描述的是每一个像素在图像中出现的频次，并没有表明某种像素在图像中的具体位置。[2]颜色直方图考虑图像的颜色，反而忽略了图像中像素点的位置，对于一般的单色图标而言，准确度大大折扣。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
