专利名称：基于分层特征和遗传规划相关反馈的图像检索方法
技术领域：
本发明涉及图像检索领域，尤其涉及一种基于分层特征和遗传规划相关反馈的图像检索方法。
背景技术：
目前，随着多媒体和互联网技术的快速发展，人们接触到越来越多的各种信息。图像作为一种内容丰富和表现直观的多媒体信息，长期以来受到人们的青睐。如何快速并且有效的搜寻到自己需要的信息？ 20世纪90年代出现了基于内容的图像检索(ContentBased Image Retrieval, CBIR),其从可视化角度对图像检索进行探讨。所谓CBIR,就是通过提取图像的底层特征，比如颜色、纹理等特征来表示图像内容，图像之间的匹配是图像特征的匹配。对图像内容的描述包括全局描述子和局部描述子。常见的全局描述子有局部二值模式(Local Binary Pattern, LBP),梯度方向直方图(Histogram of OrientedGradients, HOG)以及颜色直方图等。全局描述子的鲁棒性较强，受噪声的影响较小。然而，在检索的过程中，根据人眼视觉感知特性，用户常常对图像中的某一目标感兴趣，提取图像的全局特征往往不能满足用户的检索需求。相对于全局特征而言，局部特征，如尺度不变特征变换，对单一目标的描述更为有力。基于区域的图像检索首先将图像分割成区域，通过区域间的匹配完成图像间的匹配，在一定程度上克服了基于全局特征的图像检索的缺陷。由于分割技术至今仍然是计算机视觉的一大难题，图像中的一个目标常常被分割成好几个区域，或者分割的每个区域并不代表一个明确的目标，因此，基于区域的图像检索也有自身的局限性.如何结合全局和区域特征各自的优点来表达图像的内容是个有趣的问题。图像所蕴含的丰富内容是底层视觉特征远远不能表达的，如何减少图像的底层特征和高层语义之间的“语义鸿沟”是CBIR的重要研究课题。相关反馈是减小语义鸿沟的一种有效的方法，首先在信息检索中提出，20世纪90年代引入图像检索，并且证明能够很好的提高检索性能。相关反馈包括四个部分:(I)系统将初始检索结果中的最相似的前若干幅图像返回给用户；(2)用户标注正例和负例；(3)通过用户标注的正例和负例来学习用户的检索需求；(4)将图像库的图像重新排序。常见的相关反馈方法包括权重更新法，概率模型法，机器学习法以及基于知识的方法。其中权重更新法由于其策略简单，实时性强，受到了广泛的关注和显著的发展。这种方法通过用户的标注学习更新特征权重从而在一定程度上满足用户的检索主观性。但是这些策略只是通过线性结合单独特征，很难表达用户的视觉特性。Cristiano DalmaschioFerreira等人首先将遗传规划(Genetic Programming,GP)引入到相关反馈。GP是一种进化式机器学习方法，试图通过某种方式模拟进化过程的内在机制，并通过随机扰动或突变，通过定义一个适应度函数来进行评估，进而获取适应度最大的解，常用于信息检索等。实验结果表明，借助GP获取特征的非线性组合在一定程度上能够更接近用户的检索意图。然而，它们分别是基于全局特征的相关反馈和基于均匀分割区域的相关反馈，提出的检索模式不适用于一般的分割结果。
发明内容
本发明的目的是提供一种基于分层特征和遗传规划相关反馈的图像检索，提出的检索模式适用于一般的分割结果，能够有效地检索相关图像。本发明采用下述技术方案:一种基于分层特征和遗传规划相关反馈的图像检索方法，包括以下步骤:
权利要求
1.一种基于分层特征和遗传规划相关反馈的图像检索方法，其特征在于:包括以下步骤:
2.根据权利要求1所述的基于分层特征和遗传规划相关反馈的图像检索方法，其特征在于:所述的步骤(I)中的自适应分割的具体方法如下所述:(11)、将图像进行均值漂移分割; (12)、将分割区域作为该图像的节点，对该图像用规范割进行聚类； (13)对聚类后的每个分割区域分别提取R、G、B颜色通道的平均像素值作为该区域的三维特征； (14)将聚类数目》r初始化为2; (15)随机选择P个分割区域的特征向量作为初始类别中心，将所有分割区域归并到最近的类别中，并重新计算类别中心；
3.根据权利要求1所述的基于分层特征和遗传规划相关反馈的图像检索方法，其特征在于:所述的步骤(2)中的全局特征包括颜色和纹理特征，全局特征中的颜色特征为颜色直方图256维、颜色矩9维；全局特征中的纹理特征为:边界/内部像素分类(Border/Interior pixel Classification, BIC)特征 128 维、Gabor 小波变换特征 48 维； 所述的步骤(2)中的底层特征包括颜色、纹理和形状特征； 区域局部底层特征包括颜色、纹理和形状特征，其中颜色特征为:将图像由RGB颜色空间转换到L*u*v*空间，提取L*，u*，V*区域平均颜色作为每一个区域的3维颜色特征；其中形状特征:区域的I维密度比、2维质心、4维矩形盒子、7维不变矩作为14维形状特征；其中纹理特征:计算区域的共生矩阵，提取能量、惯性、熵、匀度四个统计特性作为16维纹理特征。
4.根据权利要求1所述的基于分层特征和遗传规划相关反馈的图像检索方法，其特征在于:所述的步骤(3)中对于标准图像库中的每一幅图像巧―，15计算对应于分割区域Q ’ 1々.<m的最优区域，其中JVr是标准图像库中的图像数量。
5.根据权利要求1所述的基于分层特征和遗传规划相关反馈的图像检索方法，其特征在于:所述的步骤(4)全局-最优区域相似度匹配模式是将检索图像G与标准图像库里的每一幅图像I < J < N的全局特征和最优区域特征的相似度组合起来的一种模式。
6.根据权利要求5所述的基于分层特征和遗传规划相关反馈的图像检索方法，其特征在于:所述的步骤(5)初始检索结果是按照将全局-最优区域相似度匹配模式中的所有相似度加权平均得到的线性相似度对标准图像库进行排序的结果。
7.根据权利要求1所述的基于分层特征和遗传规划相关反馈的图像检索方法，其特征在于:所述的步骤(6)包括以下步骤: (61)、如果用户对检索结果满意，则停止检索，否则进入步骤(62)； (62)、用户标注系统返回的检索结果为正例或反例； (63)、根据适应度函数选择个体，然后进行复制、交叉和变异操作，借助遗传规划算法学习最优的特征相似度结合非线性方式； (64)、按照非线性相似度重新计算g和I< J < N的相似度，对图像库中的所有 图像重新排序，并输出前若干幅最相似图像； (65)、反复进行(62)-(64)，直到检索到令用户比较满意的图像。
全文摘要
本发明公开了一种基于分层特征和遗传规划相关反馈的图像检索方法，包括以下步骤(1)对用户提交的检索图像进行自适应分割，得到分割区域；(2)对检索图像提取全局特征；分割区域提取局部底层特征；(3)对于标准图像库中的每一幅图像计算对应于分割区域的最优区域；(4)构建全局-最优区域相似度匹配模式；(5)通过赋予相似度匹配模式中各种相似度以平均权重来计算检索图像和标准图像库中每一幅图像的相似度；根据相似度进行排序得到初始检索结果并把与用户最相似的前若干幅图像返回用户端；(6)用户参与反馈，直到检索出满意的图像。能够更接近用户的检索意图，可以有效地提取图像的内容特征，并能快速有效地完成检索过程。
文档编号G06F17/30GK103207910SQ201310119320
公开日2013年7月17日 申请日期2013年4月8日 优先权日2013年4月8日
发明者李登峰, 杨晓慧, 朱秀阁, 彭李超, 刘占卫, 吴国昌, 蔡利君 申请人:河南大学