述图像I的候选图像集Q ;
[0089] 步骤六、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score (Q, I)，其具体过程为：
[0090] 6. 1、计算所述匹配区域q与其对应的所述局部区域P的匹配得分：
[0091] 预先设置一汉明距离阈值κ ;
[0092] 计算所述匹配区域q与其对应的所述局部特征区域p的汉明距离d计算；
[0093] 当d多κ，则所述匹配区域与其对应的所述局部特征区域的匹配得分为零；
[0094] 当d < κ，贝IJ所述匹配区域与其对应的所述局部特征区域的匹配得分的计算公式 为：
[0095]
[0096] 其中QJP Q。表示所述SIFT特征和颜色特征的量化公式；δ表示克罗内克函数； cxp(-__2)表示利用汉明距离对所述匹配区域与其对应的所述局部特征区域进行匹配性加 O- 权，σ为权重参数；
[0097] 6. 2、利用12范式对所述图像I进行归一化处理，范式化处理公式为：
[0098]
[0099] 其中，tfslie]表示所述图像I中与所述视觉单词对应的局部特征区域的个数；m表 示所述SIFT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；
[0100] 6. 3计算所述视觉单词的加权系数值idf，其公式为：
[0101]
[0102] 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。
[0103] 6. 4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：
[0104]
[0105] 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。如权利要求4所述的多特征融合的图像检索方法，其特征在于，
[0106] 步骤七、计算图像I的视觉显著性均值T和所述图像I的局部区域的视觉显著性 均值Ti，提取视觉显著性均值Ti大于T的局部区域作为具有视觉显著性的局部区域Si，其 具体过程为：
[0107] 7. 1构建所述图像I所述视觉特征显著图：
[0108] 步骤7. I. 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：
[0109] U =K1 X2-XJt
[0110] 步骤7. 1.2,计算每个图像块P1的视觉显著性程度：
[0111] 视觉显著性程度为：
[0112]
[0113] Mi= max j { ω d，j = 1，2, · · ·，L
[0114] D = max {ff, H}
[0115]
[0116]
[0117] 其中，咚表示图像块？1和P j之间的不相似度，ω 表示图像块p ^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；
[0118] 步骤7. 1. 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：
[0119] SalMap (i, j) = Sal (i 1} .N+j i = I, . . , J, j = I, . . . , N
[0120] 步骤7. 2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： CN 105138672 A 兄明书 8/8 页
[0121]
[0122] 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；
[0123] 步骤7. 3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：
[0124]
[0125] 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。；
[0126] 步骤7. 4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ηΤ，提取所述T i值大于所述ηΤ的局部区域，作为所述图像I中具有显著性的局部 区域。
[0127] 步骤八、将所述步骤七获得的区域51重复步骤三和步骤五获得所述候选图 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 score531 (K, I)；
[0128] 步骤九、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);所述最终相似性值score* (D, I) 的计算公式为：
[0129] score* (D, I) = α. · score (D, I) + β · Scoresal (D, I)
[0130] 其中，α +β = 1，α、β表示最终相似性得分的加权系数。
[0131] 步骤十、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。
[0132] 尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列 运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地 实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限 于特定的细节和这里示出与描述的图例。
【主权项】
1. 一种多特征融合的图像检索方法，其特征在于，包括以下步骤： 步骤一、输入待检索图像I; 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； 步骤三，对查询图库中的每幅图像执行步骤二，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； 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 score (Q, I); 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); 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Scoresal (D, I)和基于颜色和SIFT