IFT视觉词典中包括的SIFT词汇的个数；η表示所述颜色词典中包括颜色词汇的 个数；
[0042] 6. 3每个所述候选图像Q与所述图像I的基于颜色特征和SIFT特征的相似性得分 score (Q, I)，其公式为：
[0043]
[0044] 其中idf表示所述SIFT视觉词典和所述Color视觉词典组建视觉单词的加权系 数值。
[0045] 优选的是，所述的多特征融合的图像检索方法中，所述视觉单词的加权系数值idf 的计算公式为：
[0046]
[0047] 其中，Wlj表示视觉单词，Si表示SIFT特征词典中的词汇，Cj表示颜色特征词典中 的词汇，N表示所有所述视觉单词对应的图库中的图像的数量值，η%。,表示所述图像I对应 的图库中的图像数量值。
[0048] 优选的是，所述的多特征融合的图像检索方法中，所述步骤七中包括构建所述图 像I的视觉特征显著图，构建所述视觉特征显著图包括以下步骤：
[0049] 步骤7. 1将所述图像I均匀切分出L个不重叠的图像块Pl，i = 1，2, ...，L，使切 分后每行包含N个图像块，每列包含J个图像块，每个图像块是一个正方块，将每个图像块 Pi向量化为列向量fi，并对所有向量通过主成分分析算法进行降维，降维后得到一个dx L 的矩阵U，其第i列对应图像块？1降维后的向量；矩阵U构成为：
[0050] U =? X2-XJt
[0051] 步骤7. 2,计算每个图像块P1的视觉显著性程度：
[0052] 视觉显著性程度为：
[0053]
[0054] Mi= max j { ω "}，j = 1，2, · · ·，L
[0055] D -Π 13-Χ {Wj H}
[0056]
[0057]
[0058] 其中，伶表示图像块？1和p j之间的不相似度，ω 表示图像块p种p之间的距 离，Umn表示矩阵U第m行第η列的元素 ，（X pi, ypi)、（xw, yw)分别代表图块pjP p 在原查 询图像I上的中心点坐标；
[0059] 步骤7. 3,把所有图像块的视觉显著性程度取值按照原查询图像I上各图像块之 间的位置关系组织成二维形式，构成显著图SalMap，具体取值为：
[0060] SalMap (i, j) = Sal (i 1} .N+j i = I, . . , J, j = I, . . . , N
[0061] 优选的是，所述的多特征融合的图像检索方法中，所述步骤七的具体过程为：
[0062] 步骤7. 1计算所述图像I视觉特征显著图的显著性均值T，其公式为：
[0063]
[0064] 其中，所述图像I在其竖直方向上包括H个像素点，X表示竖直方向上的一个像素 点；所述图像I在其水平方向上包括W个像素点，y表示水平方向上的一个像素点；
[0065] 步骤7. 2在所述图像I中的每个局部区域缩小到包括该局部区域的的最小矩形 中，在所述矩形中计算每个局部区域的显著性均值T1，其计算公式为：
[0066]
[0067] 其中，所述最小矩形中在X轴方向上包括h个像素点，所述最小矩形中在y轴方向 上包括w个像素点；sal_map si(x，y)表示每个所述子特征区域Si显著性值。；
[0068] 步骤7. 3利用显著性权重对所述显著性均值T进行加权，并记作nT，比较显著性均 值!\与nT，提取所述T i值大于所述nT的局部区域，作为所述图像I中具有显著性的局部 区域。
[0069] 本发明在经典的"词袋"模型基础上，通过对SIFT特征和颜色特征进行融合，并引 入视觉显著性对图像区域进行约束，降低了图像表达的噪声，使图像在计算机中的表达更 符合人类对图像语义的理解，具有良好的检索效果。
[0070] 本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本 发明的研究和实践而为本领域的技术人员所理解。
【附图说明】
[0071] 图1为本发明所述的多特征融合的图像检索方法的流程图；
[0072] 图2为本发明所述的多特征融合的图像检索方法中获得基于颜色特性和SIFT特 性的相似度的流程图。
【具体实施方式】
[0073] 下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文 字能够据以实施。
[0074] 应当理解，本文所使用的诸如"具有"、"包含"以及"包括"术语并不配出一个或多 个其它元件或其组合的存在或添加。
[0075] 如图1所示，本发明提供一种多特征融合的图像检索方法，包括：
[0076] 步骤一、输入待检索图像I ;
[0077] 步骤二、将所述图像I分割成多个局部区域，构建表示每个所述局部区域颜色特 征的颜色特征向量和尺度空间不变特性的SIFT特征向量；
[0078] 步骤三，对查询图库中的每幅图像执行步骤二，并加以聚类获得颜色特征词典和 SIFT特征词典，用颜色特征词典中的颜色词汇和SIFT特征词典中的SIFT词汇组合构成视 觉单词，用所述视觉单词表示图库中的图像；
[0079] 步骤四、利用所述视觉单词表示所述图像I的颜色特征向量和与其对应的SIFT特 征向量；从所述查询图库中调取与所述图像I具有相同视觉单词的图像作为所述图像I的 候选图像集Q，计算每个所述候选图像集Q与所述图像I的的基于颜色和SIFT特性的相似 度值，记作8〇<^6(9，1) ;
[0080] 步骤五、计算所述图像I的视觉显著性均值T和每个所述局部区域的视觉显著性 均值Ti，提取Ti值大于T值的局部区域作为具有视觉显著性的局部区域Si ;对所述局部区 域Si重复步骤三和步骤四获得候选图像集K，计算候选图像集K中图像与所述图像I的基 于视觉显著性的相似度值，记作Score sal (K, I);
[0081] 步骤六、所述候选融合集K和所述候选图像Q的重叠图像集为D，融合基于显著性 相似度值Score sal (D, I)和基于颜色和SIFT特征相似度值score (D, I)，计算所述图像集D 中每幅图像与所述图像I的的最终相似性值score*(D，I);
[0082] 步骤七、将所述图像集D中最终相似性值最高的图像作为所述待图像I的检索结 果。
[0083] 上述方案中，多特征融合的图像检索方法的具体过程为：
[0084] 步骤一、输入待检索图像I ;
[0085] 步骤二、将所述图像I分割成多个局部区域，每个局部区域内具有相同的颜色且 相邻所述局部区域间的颜色不同；
[0086] 步骤三、构建表示每个所述局部区域颜色特征的颜色特征向量和尺度空间不变特 性的SIFT特征向量；
[0087] 步骤四，对查询图库中的每幅图像执行步骤二和步骤三，获得图库中每幅图像的 颜色特征向量和与SIFT特征向量并加以聚类获得颜色特征词典和SIFT特征词典，用颜色 特征词典中的一颜色词汇和SIFT特征词典中的一 SIFT词汇组合构成视觉单词，根据颜色 词汇和SIFT词汇与所述颜色特征向量和与SIFT特征向量的对应关系，用所述视觉单词表 示图库中的图像；每个所述视觉单词表示图像中一局部区域的颜色特征和与其对应SIFT 特征；因此，每个所述候选图像至少包括一个匹配区域q，该匹配区域与所述图像I的一局 部区域P的颜色特性和SIFT特性用同一个视觉单词表示；
[0088] 步骤五、利用所述视觉单词表示将所述图像I的所述颜色特征向量和与其对应的 所述SIFT特征向量；从所述查询图库中调取与所述图像I具有相同视觉单词的图像作为所