基于词汇树信息融合与豪斯多夫距离结合的图像检索方法与流程

技术特征：

1.基于词汇树信息融合与豪斯多夫距离结合的图像检索方法，其特征在于，包括以下步骤：

步骤a、提取待检索图像及图像库SIFT特征；

步骤b、生成SIFT描述符直方图和SIFT描述符核密度；

步骤c、融合SIFT描述符核密度和SIFT描述符直方图；

步骤d、改进传统Hausdorff距离度量；

步骤e、将改进的Hausdorff距离用于图像匹配。

2.根据权利要求1所述的基于词汇树信息融合与豪斯多夫距离结合的图像检索方法，其特征在于，步骤a的具体步骤如下：

步骤a1：构建待检索图像及图像库高斯差分尺度函数

利用不同尺度的高斯函数与图像做卷积运算，构建二维图像的高斯差分尺度函数D(x,y,σ)，有：

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)

其中，k是尺度比例系数，G(x,y,σ)是尺度可变的高斯函数，I(x,y)是图像，并且有：

$G(x,y,\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\σ}}^2}$

其中，(x,y)是尺度坐标，σ的大小决定图像平滑的程度；

步骤a2：检测高斯差分尺度空间极值点

将图像中的每一个采样点都与该采样点相邻的点比较，当某个采样点在高斯差分尺度空间的所有点中是最大值或最小值时，认为该点是图像在该尺度下的一个特征点；

步骤a3：除去边缘不稳定的特征点，生成SIFT描述符

使用Harris Corner检测器去除边缘的不稳定特征点，保留稳定的特征点，生成SIFT描述符。

3.根据权利要求1所述的基于词汇树信息融合与豪斯多夫距离结合的图像检索方法，其特征在于，步骤b的具体步骤如下：

步骤b1：通过SIFT描述符的分层聚类来构造可扩展词汇树

提取每张图片的SIFT描述符，得到一个集合F＝{f_i},然后对集合F采用K-Means聚类方法进行分层聚类，初始时，在第1层对集合F进行K-Means聚类，把集合F分成k份{F_i|1≤i≤k}；以此类推，对新产生的簇集利用K-Means再分成k个簇集，不断地重复上述操作直到深度达到预先设定的L值，构造出可扩展词汇树，共有c＝B^L个节点组成，其中，B是分支因子，L是深度，c是节点总个数，f_i表示图片中某个SIFT描述符，F是描述符集合，F_i是对集合F进行K-Means聚类得到的某个簇集；

步骤b2：累计可扩展词汇树中每个节点上的描述符出现的次数，得到SIFT描述符直方图

在构造可扩展词汇树中，共有c＝B^L个节点，对第一个节点上的SIFT描述符出现的次数进行累计，获得基于可扩展词汇树的SIFT描述符直方图，用H＝[h₁,...,h_i,...,h_c]表示，其中h_i表示第i个节点出现SIFT描述符的次数；

步骤b3：对SIFT描述符进行量化，得到SIFT描述符核密度

对所有的SIFT描述符进行量化，则每个SIFT描述符f_i都对应可扩展词汇树中一条从根节点到叶子节点的量化路径，即对应一组视觉词每一组视觉词都对应它的核密度f(c)，得到基于可扩展词汇树的SIFT描述符核密度；其中是一个视觉词，即可扩展词汇树中的每个节点都代表一个视觉词，l表示该节点在可扩展词汇树中所在的层数，h_l表示该节点在该层树节点中的索引，L是深度。

4.根据权利要求1所述的基于词汇树信息融合与豪斯多夫距离结合的图像检索方法，其特征在于，步骤c的具体步骤如下：

步骤c1：得到SIFT描述符直方图和SIFT描述符核密度的基本概率分配函数

为了计算方便，将SIFT描述符直方图设为A，SIFT描述符核密度设为B，则辨别框Ω：{A,B}，辨别框是描述构成整个假设空间所有元素的集合，用基本概率分配函数考虑到所有的可能结果，用m()表示；此时，

子集A的基本概率分配函数为

子集B的基本概率分配函数为

其中，M为归一化常数，

m₁(A_i)表示焦元为A_i的基本概率赋值，m₂(B_j)表示焦元为B_j的基本概率赋值；

步骤c2：应用Dempster组合规则结合步骤c1得到融合结果

Dempster组合规则为：将步骤c1得到结果m(A)和m(B)代入得到m(AB)；

其中，M为归一化常数，M＝∑_A∩B＝φ(m(A)m(B))＝1-∑_A∩B≠φ(m(A)m(B))

m(A)表示子集A的基本概率分配函数，m(B)表示子集B的基本概率分配函数，m(AB)表示子集A和子集B融合的基本概率分配函数。

5.根据权利要求5所述的基于词汇树信息融合与豪斯多夫距离结合的图像检索方法，其特征在于，步骤d的具体步骤如下：

步骤d1：写出成本函数的微分方程形式

成本函数的微分方程形式如下：

$\frac{d\mathrm{\γ}\left(t\right)}{dt}=k\·\mathrm{\γ}\left(t\right)(1-\frac{\mathrm{\γ}\left(t\right)}{\mathrm{\τ}}),\mathrm{\γ}\left(0\right)={\mathrm{\γ}}_0$

步骤d2：得到成本函数的通解

解微分方程，得到成本函数的表达式为如下：

$\mathrm{\γ}\left(t\right)=\frac{\mathrm{\τ}}{1+(\frac{\mathrm{\τ}}{{\mathrm{\γ}}_0}-1)\exp (-kt)}$

其中γ₀是成本函数初始值，它的范围为0～1，k是比例系数，τ是匹配参数；

步骤d3：用传统的Hausdorff距离作为成本函数的变量，改进的Hausdorff距离

给定两个有限集合X＝{x₁,x₂,...,x_M}和Y＝{y₁,y₂,...,y_N}，则X和Y之间传统的Hausdorff距离定义为

其中，d(X,Y)是传统的Hausdorff距离，min表示最小值，max表示最大值，x和y分别是点集X和Y中的点，d(x,y)表示点x和点y之间的几何距离；

改进的Hausdorff距离为：

$d_H(X,Y)=\frac{1}{\left|X\right|}\underset{x\∈X}{\Σ}\mathrm{\γ}\left(d\right(X,Y\left)\right)$

其中|X|是有限集合X的个数，d_H(X,Y)是改进的Hausdorff距离，d(X,Y)是传统的Hausdorff距离，γ(d(X,Y))是变量为d(X,Y)的成本函数。

6.根据权利要求6所述的基于词汇树信息融合与豪斯多夫距离结合的图像检索方法，其特征在于，步骤e的具体步骤如下：

根据步骤c得到的融合特征，用改进的Hausdorff距离进行图像的相似度测量，将得到的相似度按照降序排列，得出检索结果。