基于随机森林算法的判别二进制图像特征相似实现方法与流程

技术特征：

1.基于随机森林算法的判别二进制图像特征相似实现方法，其特征在于，包括以下步骤：

1)离线索引阶段，提取图像的尺度不变特征转换特征，把所有尺度不变特征转换特征的每一维当作一个向量用K均值方法聚类，得到5个聚类中心，然后将尺度不变特征转换特征的每一维按汉明距离最近的聚类中心量化成4位的二进制码，得到512维的二进制特征；把量化后的特征、特征索引、特征对应的图像名称及其近邻特征写入数据库作为图像特征库；具体如下：

将提取出的尺度不变特征转换特征f＝(f1,f2,...,f128)^T量化成512维的向量b＝(b1,b2,...,b512)^T，具体量化方法如下：

把量化后的特征、特征索引、特征对应的图像名称及其近邻特征写入数据库作为图像特征库，数据库存储方式如下：

indexfeature1feature2Image-nameNN1234

其中，index作为索引，feature1存储前32位特征，用来作求检索特征的最近邻，feature2存储后面480位特征，Image-name是特征对就的图像名称，NN存储的是与特征的汉明距离小于d的特征的索引；

其中，量化后特征的近邻特征为：取不少于图像库60％的图像用于有监督的训练，提取图像的尺度不变特征转换特征并量化，将量化后的特征与特征库中的特征匹配得到；

2)取不少于图像库60％的图像用于有监督的训练，将图像的量化特征与图像库中的特征进行匹配，如果两幅图像相似，则把类别1和量化特征与其匹配特征的异或结果作为新的标签向量，若否，则把类别0和量化特征与其匹配特征的异或结果作为新的标签向量；将这些标签向量用随机森林算法进行有监督的学习和预测，选取最优参数生成随机森林判别模型；

3)在线检索阶段，提取图像的尺度不变特征转换特征，把特征量化成512维的二进制特征，并与图像特征库中的特征匹配，得到量化特征的近邻特征，并用步骤2)中生成的随机判别模型对近邻特征进行判别，投票机制检索出相似图像。

2.根据权利要求1所述的基于随机森林算法的判别二进制图像特征相似实现方法，其特征在于，步骤1)中，离线索引阶段，将128维的尺度不变特征转换特征量化成512维的二进制特征，使特征间的汉明距离与欧式距离更具有一致性、二进制特征间的汉明距离更具有判别力；并且把近邻特征一并写入特征库，减少了部分特征不能被匹配到的概率。

3.根据权利要求1所述的基于随机森林算法的判别二进制图像特征相似实现方法，其特征在于，步骤2)中，生成一个基于随机森林算法的判别模型，判别两个特征是否相似，若判别结果为1.0，则认为两个特征相似，若判别结果为0.0，则认为两个特征不相似，此判别方法的具体实施步骤如下：

201)比较图像与量化特征的近邻特征对应的图像是否相似，若相似，则把类别1与量化特征与其近邻特征的异或结果作为新的标签向量，若不相似，则把类别0与量化特征与其近邻特征的异或结果作为新的标签向量；

202)分别选取不同的决策树个数和最大层数进行学习和预测，选取预测错误率最低的决策树个数和最大层次数作为参数，生成随机森林判别模型。

4.根据权利要求3所述的基于随机森林算法的判别二进制图像特征相似实现方法，其特征在于，步骤3)中，对查询图像的量化特征的近邻特征进行判别，若判别结果为1.0，则认为两个特征相似，若判别结果为0.0，则认为两个特征不相似，把不相似的特征过滤，相似的特征采用投票机制得到检索结果。