基于大数据的图像检索方法与流程

1.本发明涉及电子数字数据处理技术领域，具体涉及一种基于大数据的图像检索方法。


背景技术：

2.移动互联网、智能手机以及社交网络的发展带来了海量信息，而图像作为一种重要的信息载体，具有形象直观、内容丰富等特点。如果不能有效地描述图像，大量信息将淹没在信息的海洋之中，无法在需要时被检索出来。因此，图像检索的研究逐渐成为信息检索领域的研究热点。
3.图像检索在互联网领域中是一个热门话题，传统图像匹配检索方法大多是基于全局变量得到最终的检索结果，例如以图像的形状、颜色以及纹理为特征基础进行提取，建立索引，但获取此类特征的过程往往较为复杂，且受到主体位置与物体姿态等特征的制约，图像检索结果会不太准确；基于局部变量常用的图像匹配检索方法为角点检测，角点检测可以解决全局变量难以解决的问题，但该图像匹配检索方法的计算量较大，需要生成多个特征描述子，难以满足在海量数据下快速准确检索的目的。


技术实现要素：

4.为了解决上述现有图像匹配检索准确性较差的问题，本发明的目的在于提供一种基于大数据的图像检索方法。
5.本发明提供了一种基于大数据的图像检索方法，包括以下步骤：
6.获取待检索的rgb图像，进而获取待检索的rgb图像对应的关注程度热图，根据待检索的rgb图像对应的关注程度热图，确定待检索的rgb图像对应的规范目标区域图像；
7.根据规范目标区域图像中每个像素点的灰度值，确定规范目标区域图像对应的清晰度，进而确定待检索的rgb图像对应的自适应阈值；
8.根据规范目标区域图像对应的清晰度和尺寸，确定规范目标区域图像对应的分块系数，进而确定待检索的rgb图像的各个子块图像；
9.获取rgb图像库内每个待匹配的rgb图像，按照确定待检索的rgb图像的各个子块图像的过程，得到rgb图像库内每个待匹配的rgb图像的各个子块图像；
10.获取待检索的rgb图像和每个待匹配的rgb图像的各个子块图像中每个像素点的邻域像素点，根据各个子块图像中每个像素点及其邻域像素点的灰度值，对各个子块图像进行二值化处理，得到各个子块图像对应的二值特征矩阵，进而得到待检索的rgb图像和每个待匹配的rgb图像的各个子块图像对应的一维特征序列；
11.根据待检索的rgb图像和每个待匹配的rgb图像的各个子块图像对应的一维特征序列，确定待检索的rgb图像和各个待匹配的rgb图像之间的相似程度；
12.根据待检索的rgb图像和每个待匹配的rgb图像的各个子块图像、待检索的rgb图像对应的自适应阈值、待检索的rgb图像和各个待匹配的rgb图像之间的相似程度，确定待
检索的rgb图像对应的检索图像。
13.进一步的，确定待检索的rgb图像对应的规范目标区域图像的步骤包括：
14.根据待检索的rgb图像对应的关注程度热图中每个像素点的关注程度值，判断关注程度热图中每个像素点的关注程度值是否小于关注程度阈值，若像素点的关注程度值不小于关注程度阈值，则判定该像素点为关注程度热图中的前景像素点，否则，判定该像素点为关注程度热图中的背景像素点，从而得到关注程度热图对应的二值遮罩图；
15.获取待检索的rgb图像对应的灰度图，将关注程度热图对应的二值遮罩图与待检索的rgb图像对应的灰度图相乘，从而得到关注程度热图中的目标区域连通域；
16.对目标区域连通域进行规范化处理，从而得到关注程度热图对应的二维矩阵形式的目标区域连通域，将该二维矩阵形式的目标区域连通域作为待检索的rgb图像对应的规范目标区域图像。
17.进一步的，确定规范目标区域图像对应的清晰度的计算公式为：
18.d(f)＝σy∑
x
(|f(x,y)-f(x+1,y)|*|f(x,y)-f(x,y+1)|)
19.其中，d(f)为规范目标区域图像对应的清晰度，f(x,t)为规范目标区域图像中的第x行第y列的像素点的灰度值，f(x+1,y)为规范目标区域图像中的第x+1行第y列的像素点的灰度值，f(x,y+1)为规范目标区域图像中的第x行第y+1列的像素点的灰度值。
20.进一步的，进而确定待检索的rgb图像对应的自适应阈值的计算公式为：
[0021][0022]
其中，t
′
为待检索的rgb图像对应的自适应阈值，t为常规阈值，t为经验最低阈值，d(f)
max
为规范目标区域图像对应的标准最大清晰度，d(f)
min
为规范目标区域图像对应的标准最小清晰度，d(f)为规范目标区域图像对应的清晰度。
[0023]
进一步的，确定规范目标区域图像对应的分块系数的计算公式为：
[0024][0025]
其中，n
′
为规范目标区域图像对应的分块系数，d(f)
max
为规范目标区域图像对应的标准最大清晰度，d(f)为规范目标区域图像对应的清晰度，d(f)
min
为规范目标区域图像对应的标准最小清晰度，n为规范目标区域图像对应的子块类型数目，为对*进行向下取整。
[0026]
进一步的，对各个子块图像进行二值化处理的计算公式为：
[0027][0028]
其中，k
x,y
为二值化处理后的各个子块图像中的第x行第y列的像素点的灰度值，g
x,y
为二值化处理前的各个子块图像中的第x行第y列的像素点的灰度值，m为二值化处理前的各个子块图像中的第x行第y列的像素点的邻域像素点数量，为二值化处理前的各个子块图像中的第x行第y列的像素点的第a个邻域像素点的灰度值。
[0029]
进一步的，确定待检索的rgb图像和各个待匹配的rgb图像之间的相似程度的步骤包括：
[0030]
根据待检索的rgb图像和每个待匹配的rgb图像的各个子块图像对应的一维特征序列，确定待检索的rgb图像的各个子块图像对应的一维特征序列与每个待匹配的rgb图像的各个子块图像对应的一维特征序列之间的相似性；
[0031]
根据待检索的rgb图像的各个子块图像对应的一维特征序列与每个待匹配的rgb图像的各个子块图像对应的一维特征序列之间的相似性，确定待检索的rgb图像的各个子块图像对应的一维特征序列与每个待匹配的rgb图像的各个子块图像对应的一维特征序列之间的相似性均值，将该相似性均值作为待检索的rgb图像和对应待匹配的rgb图像之间的相似程度。
[0032]
进一步的，确定待检索的rgb图像的各个子块图像对应的一维特征序列与每个待匹配的rgb图像的各个子块图像对应的一维特征序列之间的相似性的计算公式为：
[0033][0034][0035]
其中，qo为待检索的rgb图像的第o个子块图像对应的一维特征序列与每个待匹配的rgb图像的第o个子块图像对应的一维特征序列之间的相似性，a2为待检索的rgb图像的第o个子块图像对应的一维特征序列中的元素个数，为待检索的rgb图像与每个待匹配的rgb图像的第o个子块图像对应的一维特征序列中的第q对元素的匹配度，为待检索的rgb图像的第o个子块图像对应的一维特征序列中的第q个元素，为每个待匹配的rgb图像的第o个子块图像对应的一维特征序列中的第q个元素。
[0036]
进一步的，确定待检索的rgb图像对应的检索图像的步骤包括：
[0037]
根据待检索的rgb图像和rgb图像库内每个待匹配的rgb图像的各个子块图像的数目，对rgb图像库内每个待匹配的rgb图像进行筛选，从而得到rgb图像库内的各个第一候选检索rgb图像；
[0038]
根据待检索的rgb图像对应的自适应阈值、待检索的rgb图像和各个第一候选检索rgb图像之间的相似程度，从各个第一候选检索rgb图像中选取相似程度不小于自适应阈值的多个第二候选检索rgb图像；
[0039]
将相似程度最大的第二候选检索rgb图像作为待检索的rgb图像的检索图像。
[0040]
本发明具有如下有益效果：
[0041]
本发明通过待检索的rgb图像，确定待检索的rgb图像对应的关注程度热图中的规范目标区域图像。确定规范目标区域图像对应的清晰度和自适应阈值，进而确定待检索的rgb图像和每个待匹配的rgb图像的各个子块图像对应的一维特征序列，从而确定待检索的rgb图像和各个待匹配的rgb图像之间的相似程度。根据待检索的rgb图像和rgb图像库内每个待匹配的rgb图像的各个子块图像、待检索的rgb图像对应的自适应阈值、待检索的rgb图像和各个待匹配的rgb图像之间的相似程度，确定待检索的rgb图像对应的检索图像。
[0042]
本发明通过电子数字数据处理技术，得到待检索的rgb图像对应的规范目标区域
图像，规范目标区域图像的图像特征信息可表征待检索的rgb图像的图像特征信息，将整张图像转换成该图像的目标区域图像，可有效避免外界因素对图像的特征信息的影响，提高图像检索的准确性。通过计算与目标区域图像中像素灰度值相关的数据，得到规范目标区域图像对应的清晰度，根据规范目标区域图像对应的清晰度，确定待检索的rgb图像对应的自适应阈值，待检索的rgb图像越清晰，该待检索的rgb图像对应的自适应阈值约束应越严格，得到的检索的rgb图像对应的检索图像越准确。因此，待检索的rgb图像对应的自适应阈值能够更好的确定待检索的rgb图像对应的检索图像。确定待检索的rgb图像和每个待匹配的rgb图像的各个子块图像对应的一维特征序列，通过各个子块图像对应的一维特征序列计算待检索的rgb图像和各个待匹配的rgb图像之间的相似程度，各个子块图像对应的一维特征序列可以精准表征图像中的关键特征信息，提高了待检索的rgb图像和各个待匹配的rgb图像对应的相似程度的准确性。根据待检索的rgb图像和每个待匹配的rgb图像的各个子块图像、待检索的rgb图像对应的自适应阈值、待检索的rgb图像和各个待匹配的rgb图像之间的相似程度，确定待检索的rgb图像对应的检索图像，本发明在考虑图像检索的多个方面因素影响的基础上，从rgb图像库内每个待匹配的rgb图像中确定一个最优的检索图像，有效解决了图像匹配检索准确性较差的问题。
附图说明
[0043]
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0044]
图1为本发明一种基于大数据的图像检索方法的流程图；
[0045]
图2为本发明实施例中的二维矩阵形式的目标区域连通域的示意图；
[0046]
图3为本发明实施例中的位于滑窗边缘的像素点的邻域像素点的分布位置。
具体实施方式
[0047]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
[0048]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0049]
首先，需要说明的是，图像的样式是各式各样的，颜色、梯度、形状等均随着图像的变化而变化，当图像受到光照影响时，图像的颜色与梯度均会发生较大的变化，从而导致相同的图像难以完成匹配检索。但是光照等外界影响对于图像的局部区域来讲，局部区域的颜色与梯度的变化是近似均匀的。因此，本实施例通过将图像转换为简单易处理的二值特征图来生成图像的一维特征序列，为了保证一维特征序列的类内聚合性与类间分离性，自适应获取分块规则，通过计算各个图像分块对应的一维特征序列之间的相似度，得到图像与图像之间的相似程度，根据图像自适应获取的阈值和图像与图像之间的相似程度，得到
图像对应的检索图像，其提高了图像检索的准确性。
[0050]
基于上述分析，本实施例提供了一种基于大数据的图像检索方法，如图1所示，该方法包括以下步骤：
[0051]
(1)获取待检索的rgb图像，进而获取待检索的rgb图像对应的关注程度热图，根据待检索的rgb图像对应的关注程度热图，确定待检索的rgb图像对应的规范目标区域图像，其步骤包括：
[0052]
(1-1)获取待检索的rgb图像，进而获取待检索的rgb图像对应的关注程度热图。
[0053]
获取一张需要进行图像检索操作的rgb(red green blue，三原色)图像，将该图像称为待检索的rgb图像，rgb图像就是可见光图像。为了便于后续对待检索的rgb图像进行图像匹配检索，本实施例对该待检索的rgb图像进行预处理操作，在经过预处理操作之后，能够得到待检索的rgb图像对应的关注程度热图。若关注程度热图中某一个像素点的关注程度值较大，那么该像素点在关注程度热图中受关注的程度就会较大。
[0054]
其中，对待检索的rgb图像进行预处理的过程为：将待检索的rgb图像输入到预先构建并训练好的dnn(deep neural networks，深度神经网络)神经网络中，先由编码器利用卷积、池化操作得到待检索的rgb图像对应的图像特征信息，然后再由解码器利用反卷积、反池化操作对待检索的rgb图像对应的图像特征信息进行重构，得到关注程度热图，并输出待检索的rgb图像对应的关注程度热图。
[0055]
需要说明的是，dnn神经网络的模型结构为encoder-decoder形式，网络的训练数据为多个rgb图像，网络的标签数据为多个rgb图像对应的具有渐变特征的注意力热图，网络的损失函数采用均方差损失函数。dnn神经网络的构建和训练过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
[0056]
(1-2)根据待检索的rgb图像对应的关注程度热图，确定待检索的rgb图像对应的规范目标区域图像。
[0057]
需要说明的是，传统的图像检索是将整张图像作为输入进行搜索匹配，该搜索方式对图像的质量要求很高。实际上，在图像检索过程中起到主要作用的是图像中的关键特征信息，而图像中的背景特征信息只会对图像检索准确性产生一定的影响。因此，本实施例为了减少图像中的背景特征信息对图像检索的影响，提高图像的检索准确率和检索速度，对待检索的rgb图像对应的关注程度热图进行分割处理，得到待检索的rgb图像对应的规范目标区域图像，其步骤包括：
[0058]
(1-2-1)根据待检索的rgb图像对应的关注程度热图中每个像素点的关注程度值，判断关注程度热图中每个像素点的关注程度值是否小于关注程度阈值，若像素点的关注程度值不小于关注程度阈值，则判定该像素点为关注程度热图中的前景像素点，否则，判定该像素点为关注程度热图中的背景像素点，从而得到关注程度热图对应的二值遮罩图。
[0059]
为了后续可以得到关注程度热图对应的二值遮罩图，本实施例预先设置关注程度阈值，以便于对关注程度热图进行二值化处理。根据待检索的rgb图像对应的关注程度热图中每个像素点的关注程度值和预先设置的关注程度阈值，判断待检索的rgb图像中是否存在不小于关注程度阈值的像素点。
[0060]
当任意一个像素点的关注程度值不小于关注程度阈值时，判定该像素点为待检索的rgb图像中的前景特征中的像素点，前景特征中的像素点也就是前景像素点，否则，判定
所述该像素点为待检索的rgb图像中的背景特征中的像素点，背景特征中的像素点也就是背景像素点。前景特征是由像素点的关注程度值大于或等于关注程度阈值的像素点组成，背景特征是由像素点的关注程度值小于关注程度阈值的像素点组成，将前景特征中的像素点记为1，将背景特征中的像素点记为0，从而生成关注程度热图对应的二值遮罩图。
[0061]
(1-2-2)获取待检索的rgb图像对应的灰度图，将关注程度热图对应的二值遮罩图与待检索的rgb图像对应的灰度图相乘，从而得到关注程度热图中的目标区域连通域。
[0062]
在本实施例中，将待检索的rgb图像进行灰度化处理，从而得到待检索的rgb图像对应的灰度图。灰度化处理的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。然后，将关注程度热图对应的二值遮罩图与待检索的rgb图像对应的灰度图相乘，从而得到相乘后的图像，此时将相乘后的图像作为关注程度热图中的目标区域连通域。至此，完成了待检索的rgb图像的图像分割处理。
[0063]
(1-2-3)对目标区域连通域进行规范化处理，从而得到关注程度热图对应的二维矩阵形式的目标区域连通域，将该二维矩阵形式的目标区域连通域作为待检索的rgb图像对应的规范目标区域图像。
[0064]
由于图像分割得到的目标区域连通是不规则的，导致对此类图像的处理难度较大且难以进行归一化处理。本实施例为了提高后续图像检索匹配速度，对目标区域连通域进行规范化处理，具体为对不规则的目标区域连通域进行补零操作，生成二维矩阵形式的目标区域连通域，如图2所示，图2为二维矩阵形式的目标区域连通域的示意图，将该二维矩阵形式的目标区域连通域作为待检索的rgb图像对应的规范目标区域图像。
[0065]
需要说明的是，获取二维矩阵形式的目标区域连通域有利于减少后续确定一维特征序列相似性的计算量，而且目标区域图像规范化后更有利于生成等长的序列数据，有助于提高图像的检索匹配速度。
[0066]
(2)根据规范目标区域图像中每个像素点的灰度值，确定规范目标区域图像对应的清晰度，进而确定待检索的rgb图像对应的自适应阈值，其步骤包括：
[0067]
(2-1)根据规范目标区域图像中每个像素点的灰度值，确定规范目标区域图像对应的清晰度。
[0068]
需要说明的是，清晰度较高的图像的高频分量较多，导致突变像素与相邻像素的像素差值会变大，而模糊度较高的图像则相反。对于清晰度较高的图像而言，后续选择较小的子块图像就能够使一维特征序列达到较好的类间分离性，而模糊图像由于突变像素与相邻像素的像素差值较小，不同尺寸类型的图像所获取的特征的重复率较高，为了放大区别需要选择较大的子块图像以获取更好的特征点。因此，本实施例需要确定规范目标区域图像对应的清晰度。
[0069]
在本实施例中，计算规范目标区域图像中每个像素点与其右侧邻域像素点的灰度差值，并计算规范目标区域图像中每个像素点与下侧邻域像素点的灰度差值，逐个将每个像素点的右侧邻域像素点的灰度差值与下侧邻域像素点的灰度差值相乘并累加，得到的结果越大，规范目标区域图像的清晰度越大，确定规范目标区域图像对应的清晰度的计算公式为：
[0070]
d(f)＝σy∑
x
(|f(x,y)-f(x+1,y)|*|f(x,y)-f(x,y+1)|)
[0071]
其中，d(f)为规范目标区域图像对应的清晰度，f(x,y)为规范目标区域图像中的
第x行第y列的像素点的灰度值，f(x+1,y)为规范目标区域图像中的第x+1行第y列的像素点的灰度值，f(x,y+1)为规范目标区域图像中的第x行第y+1列的像素点的灰度值。
[0072]
(2-2)根据规范目标区域图像对应的清晰度，确定待检索的rgb图像对应的自适应阈值。
[0073]
需要说明的是，规范目标区域图像对应的自适应阈值用于后续筛选rgb图像库中的各个待匹配的rgb图像，也就是用于后续与待检索的rgb图像和各个待匹配的rgb图像之间的相似程度进行比较，确定待检索的rgb图像对应的自适应阈值的计算公式为：
[0074][0075]
其中，t
′
为待检索的rgb图像对应的自适应阈值，t为常规阈值，t为经验最低阈值，d(f)
max
为规范目标区域图像对应的标准最大清晰度，d(f)
min
为规范目标区域图像对应的标准最小清晰度，d(f)为规范目标区域图像对应的清晰度。
[0076]
需要说明的是，当清晰度不同时，相似程度会存在差异，因此需要通过清晰度自适应调整阈值。待检索的rgb图像对应的规范目标区域图像越清晰，其阈值约束应该越严格，也就是规范目标区域图像对应的自适应阈值应该越大；待检索的rgb图像对应的规范目标区域图像越不清晰，说明由于外界干扰导致图像像素的变化较大，所以阈值的约束可以稍微宽松，也就是规范目标区域图像对应的自适应阈值越小。
[0077]
(3)根据规范目标区域图像对应的清晰度和尺寸，确定规范目标区域图像对应的分块系数，进而确定待检索的rgb图像的各个子块图像。
[0078]
(3-1)根据规范目标区域图像对应的清晰度和尺寸，确定规范目标区域图像对应的分块系数。
[0079]
需要说明的是，通过规范目标区域图像对应的清晰度和尺寸，自适应获取规范目标区域图像中的各个子块图像的尺寸大小，子块图像的尺寸类型通常为8
×
8、16
×
16、32
×
32
…
(8
×2n
)
×
(8
×2n
)。图像的清晰度越高，图像对应的子块图像越小，最小为8
×
8大小的子块图像，图像的清晰度越低，图像对应的子块图像越大，最大为接近原图像尺寸的(8
×2n
)
×
(8
×2n
)大小的子块图像。
[0080]
首先，根据规范目标区域图像对应的尺寸大小，可以得到规范目标区域图像对应可选择的子块尺寸类型，可选择的子块类型的尺寸不能大于规范目标区域图像对应的尺寸，例如规范目标区域图像的尺寸为128
×
128时，规范目标区域图像对应的子块类型有5种，分别为：8
×
8、16
×
16、32
×
32、64
×
64、128
×
128。然后，通过规范目标区域图像，得到规范目标区域图像对应的标准最小清晰度和标准最大清晰度，这里的标准最小清晰度和标准最大清晰度是指规范目标区域图像在极端情况下的清晰度。根据规范目标区域图像对应可选择的子块大小类型、清晰度、标准最小清晰度和标准最大清晰度，确定规范目标区域图像对应的分块系数，其计算公式为：
[0081][0082]
其中，n
′
为规范目标区域图像对应的分块系数，d(g)
max
为规范目标区域图像对应的标准最大清晰度，d(f)为规范目标区域图像对应的清晰度，d(f)
min
为规范目标区域图像
对应的标准最小清晰度，n为规范目标区域图像对应的子块类型数目，表示对*进行向下取整。
[0083]
当规范目标区域图像对应的清晰度越大时，规范目标区域图像对应的分块系数n
′
越小，当规范目标区域图像对应的清晰度越小时，规范目标区域图像对应的分块系数n
′
越大。
[0084]
(3-2)根据规范目标区域图像对应的分块系数，确定待检索的rgb图像的各个子块图像。
[0085]
需要说明的是，图像尺寸大小不一致，导致获取特征点生成的数值序列中的元素数目不同，基于特征点生成的数值序列中的元素数目高，计算复杂度高，响应速度低。通过对图像进行分块可降低计算复杂度，但由于子块图像所含的图像特征点较少，容易造成冲突率提高，即不同的两幅图像使用特征序列差异衡量图像相似性时，将不同图像认为是相同图像，故需要根据图像分辨率的不同自适应获取不同大小的子块图像，实现降低计算难度的同时保证特征序列的类内聚合性与类间分离性。
[0086]
在本实施例中，通过步骤(3-1)得到的规范目标区域图像对应的分块系数n
′
，确定待检索的rgb图像的各个子块图像，其计算公式为：
[0087]a×
a＝(8
×2n
′‑1)
×
(8
×2n
′‑1)
[0088]
其中，a
×
a为待检索的rgb图像的各个子块图像的尺寸，n
′
为规范目标区域图像对应的分块系数。
[0089]
当子块图像的尺寸不足以达到a
×
a时，需进行补零操作，从而得到多个尺寸相同的a
×
a大小的子块图像，此时，本实施例得到待检索的rgb图像的各个子块图像。需要说明的是，规范目标区域图像对应的分块系数n
′
越大，待检索的rgb图像的各个子块图像的尺寸a
×
a越大，规范目标区域图像对应的分块系数n
′
越小，待检索的rgb图像的各个子块图像的尺寸a
×
a越小。
[0090]
(4)获取rgb图像库内每个待匹配的rgb图像，按照确定待检索的rgb图像的各个子块图像的过程，得到rgb图像库内每个待匹配的rgb图像的各个子块图像。
[0091]
需要说明的是，rgb图像库内每个待匹配的rgb图像的各个子块图像可用于后续对rgb图像库内每个待匹配的rgb图像进行初次筛选，也就是舍弃rgb图像库中与待检索的rgb图像的各个子块图像数目相差较大的待匹配的rgb图像。
[0092]
获取rgb图像库内每个待匹配的rgb图像的各个子块图像，根据rgb图像库内每个待匹配的rgb图像的各个子块图像，参考步骤(1)至步骤(3)的待检索的rgb图像的各个子块图像的确定过程，就能够确定rgb图像库内每个待匹配的rgb图像的各个子块图像。获取rgb图像库内每个待匹配的rgb图像的各个子块图像的步骤与获取待检索的rgb图像的各个子块图像的步骤具有相似性，此处不再进行详细阐述。
[0093]
(5)获取待检索的rgb图像和每个待匹配的rgb图像的各个子块图像中每个像素点的邻域像素点，根据各个子块图像中每个像素点及其邻域像素点的灰度值，对各个子块图像进行二值化处理，得到各个子块图像对应的二值特征矩阵，进而得到待检索的rgb图像和每个待匹配的rgb图像的各个子块图像对应的一维特征序列。
[0094]
需要说明的是，像素点的灰度值的取值范围为[0,255]，若直接采用此时像素点的灰度值进行图像相似性匹配，不但相似性匹配的次数会增多，相似性匹配的计算量也会发
生激增，从而导致确定检索图像的速度降低。基于上述分析，本实施例将对各个子块图像进行二值化处理，其步骤包括：
[0095]
(5-1)获取待检索的rgb图像和每个待匹配的rgb图像的各个子块图像中每个像素点的邻域像素点。
[0096]
本实施例在各个子块图像上建立3
×
3大小的滑窗，根据各个子块图像对应的各滑窗区域，得到各个子块图像中的每个像素点在对应滑窗区域内的邻域像素点，邻域像素点是指滑窗区域内与像素点相邻的像素点，滑窗区域内像素点的位置不同，像素点对应的邻域像素点数量会不同。例如，像素点位于该像素点对应的滑窗区域的中心位置，那么该像素点的邻域像素点数量为8个，但当像素点位于该像素点对应的滑窗区域的边缘位置时，该像素点的邻域像素点的数量将少于8个，如图3所示，图3为位于滑窗边缘的像素点的邻域像素点的分布位置，在图3中，位于滑窗边缘的像素点的颜色为黑色，位于滑窗边缘的像素点的邻域像素点数量为5个。
[0097]
(5-2)根据各个子块图像中每个像素点及其邻域像素点的灰度值，对各个子块图像进行二值化处理，得到各个子块图像对应的二值特征矩阵，进而得到待检索的rgb图像和每个待匹配的rgb图像的各个子块图像对应的一维特征序列。
[0098]
在本实施例中，根据各个子块图像中每个像素点及其邻域像素点的灰度值，对各个子块图像进行二值化处理，对各个子块图像进行二值化处理的计算公式为：
[0099][0100]
其中，k
x,y
为二值化处理后的各个子块图像中的第x行第y列的像素点的灰度值，g
x,y
为二值化处理前的各个子块图像中的第x行第y列的像素点的灰度值，m为二值化处理前的各个子块图像中的第x行第y列的像素点的邻域像素点数量，为二值化处理前的各个子块图像中的第x行第y列的像素点的第a个邻域像素点的灰度值。
[0101]
通过对各个子块图像进行二值化处理，可以得到二值化处理后的各个子块图像中每个像素点的灰度值。基于二值化处理后的各个子块图像中每个像素点的灰度值，得到各个子块图像的二值特征矩阵，对各个子块图像的二值特征矩阵进行转换处理，转换成一维特征序列，从而得到各个子块图像对应的一维特征序列。
[0102]
对各个子块图像的二值特征矩阵进行转换处理的步骤为：先将各个子块图像的二值特征矩阵中的第二行像素点拼接到第一行的后面，然后将第三行像素点拼接到第二行像素点的后面，以此类推，得到待检索的rgb图像和每个待匹配的rgb图像的各个子块图像对应的一维特征序列。本实施例将待检索的rgb图像对应的第o个子块图像对应的一维特征序列记为mo，并将每个待匹配的rgb图像对应的第o个子块图像对应的一维序列记为so，
[0103]
(6)根据待检索的rgb图像和每个待匹配的rgb图像的各个子块图像对应的一维特征序列，确定待检索的rgb图像和各个待匹配的rgb图像之间的相似程度，其步骤包括：
[0104]
(6-1)根据待检索的rgb图像和每个待匹配的rgb图像的各个子块图像对应的一维
特征序列，确定待检索的rgb图像的各个子块图像对应的一维特征序列与每个待匹配的rgb图像的各个子块图像对应的一维特征序列之间的相似性。
[0105]
在本实施例中，以确定待检索的rgb图像的第o个子块图像对应的一维特征序列与每个待匹配的rgb图像的第o个子块图像对应的一维特征序列之间的相似性为例，根据待检索的rgb图像对应的第o个子块图像对应的一维特征序列以及每个待匹配的rgb图像对应的第o个子块图像对应的一维特征序列计算待检索的rgb图像的第o个子块图像对应的一维特征序列与每个待匹配的rgb图像的第o个子块图像对应的一维特征序列之间的相似性，其计算公式为：
[0106][0107][0108]
其中，qo为待检索的rgb图像的第o个子块图像对应的一维特征序列与每个待匹配的rgb图像的第o个子块图像对应的一维特征序列之间的相似性，a2为待检索的rgb图像的第o个子块图像对应的一维特征序列中的元素个数，为待检索的rgb图像与每个待匹配的rgb图像的第o个子块图像对应的一维特征序列中的第q对元素的匹配度，为待检索的rgb图像的第o个子块图像对应的一维特征序列中的第q个元素，为每个待匹配的rgb图像的第o个子块图像对应的一维特征序列中的第q个元素。
[0109]
参考待检索的rgb图像的第o个子块图像对应的一维特征序列与每个待匹配的rgb图像的第o个子块图像对应的一维特征序列之间的相似性的确定过程，得到待检索的rgb图像的各个子块图像对应的一维特征序列与每个待匹配的rgb图像的各个子块图像对应的一维特征序列之间的相似性。
[0110]
(6-2)根据待检索的rgb图像的各个子块图像对应的一维特征序列与每个待匹配的rgb图像的各个子块图像对应的一维特征序列之间的相似性，确定待检索的rgb图像的各个子块图像对应的一维特征序列与每个待匹配的rgb图像的各个子块图像对应的一维特征序列之间的相似性均值，将该相似性均值作为待检索的rgb图像和对应待匹配的rgb图像之间的相似程度。
[0111]
计算待检索的rgb图像的各个子块图像对应的一维特征序列与每个待匹配的rgb图像的各个子块图像对应的一维特征序列之间的相似性均值，其计算公式为：
[0112][0113]
其中，为待检索的rgb图像的各个子块图像对应的一维特征序列与每个待匹配的rgb图像的各个子块图像对应的一维特征序列之间的相似性均值，qo为待检索的rgb图像的第o个子块图像对应的一维特征序列与每个待匹配的rgb图像的第o个子块图像对应的一维特征序列之间的相似性，o为待检索的rgb图像的子块图像数目。
[0114]
需要说明的是，待检索的rgb图像的各个子块图像与每个待匹配的rgb图像的各个子块图像之间的相似性均值可以表征待检索的rgb图像与每个待匹配的rgb图像的相似程
度，此时，本实施例得到了待检索的rgb图像和各个待匹配的rgb图像之间的相似程度。
[0115]
(7)根据待检索的rgb图像和rgb图像库内每个待匹配的rgb图像的各个子块图像、待检索的rgb图像对应的自适应阈值、待检索的rgb图像和各个待匹配的rgb图像之间的相似程度，确定待检索的rgb图像对应的检索图像，其步骤包括：
[0116]
(7-1)根据待检索的rgb图像和rgb图像库内每个待匹配的rgb图像的各个子块图像的数目，对rgb图像库内每个待匹配的rgb图像进行筛选，从而得到rgb图像库内的各个第一候选检索rgb图像。
[0117]
在本实施例中，根据待检索的rgb图像和rgb图像库内每个待匹配的rgb图像的各个子块图像的数目，从rgb图像库内的各个待匹配的rgb图像中选取与待检索的rgb图像的子块图像数目相同的待匹配的rgb图像，将子块图像数目相同的待匹配的rgb图像作为第一候选检索rgb图像，从而得到rgb图像库内的各个第一候选检索rgb图像。
[0118]
(7-2)根据待检索的rgb图像对应的自适应阈值、待检索的rgb图像和各个第一候选检索rgb图像之间的相似程度，从各个第一候选检索rgb图像中选取相似程度不小于自适应阈值的多个第二候选检索rgb图像。
[0119]
在本实施例中，通过待检索的rgb图像对应的自适应阈值，对待检索的rgb图像和各个第一候选检索rgb图像之间的相似程度的大小进行判断，当待检索的rgb图像和任意一个第一候选检索rgb图像之间的相似程度不小于待检索的rgb图像对应的自适应阈值t
′
时，即则认为待检索的rgb图像和该第一候选检索rgb图像较为匹配，将此时的该第一候选检索rgb图像作为第二候选检索rgb图像；当待检索的rgb图像和任意一个第一候选检索rgb图像之间的相似程度小于待检索的rgb图像对应的自适应阈值t
′
时，即则认为待检索的rgb图像和该第一候选检索rgb图像不匹配，并舍弃该第一候选检索rgb图像。至此，本实施例得到了各个第一候选检索rgb图像中的相似程度不小于自适应阈值的多个第二候选检索rgb图像。
[0120]
(7-3)将相似程度最大的第二候选检索rgb图像作为待检索的rgb图像的检索图像。
[0121]
在本实施例中，将对应的多个第二候选检索rgb图像进行相似度排序，例如，rgb图像库内有l个对应的第二候选检索rgb图像，对待检索的rgb图像与该l个第二候选检索rgb图像之间的相似程度进行排序，优先输出相似程度最大的第二候选检索rgb图像，将该相似程度最大的第二候选检索rgb图像作为待检索的rgb图像对应的检索图像。另外，当待检索的rgb图像和某个第二候选检索rgb图像之间的相似程度为1时，说明待检索的rgb图像的各个子块图像与该第二候选检索rgb图像的各个子块图像完全匹配，该第二候选检索rgb图像为待检索的rgb图像对应的最佳检索图像，也就是该第二候选检索rgb图像最有可能为用户所需要的rgb图像。
[0122]
至此，本实施例得到了待检索的rgb图像的检索图像。
[0123]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应
包含在本技术的保护范围之内。