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); 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。2. 如权利要求1所述的多特征融合的图像检索方法，其特征在于， 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，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； 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； 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； 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述图 像I的候选图像集Q ; 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); 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 ; 步骤八、将所述步骤七获得的区域S1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Scoresal (K，I); 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Scoresal (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); 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。3. 如权利要求2所述的多特征融合的图像检索方法，其特征在于，所述步骤九中最终 相似性值score* (D, I)的计算公式为： score* (D, I) = a. ? score (D, I) + 0 ^scoresal(D1I) 其中，a+0 = 1，a、表示最终相似性得分的加权系数。4. 如权利要求3所述的多特征融合的图像检索方法，其特征在于，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SIFT特征； 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。5. 如权利要求2所述的多特征融合的图像检索方法，其特征在于，所述步骤六包括以 下步骤： 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： 预先设置一汉明距离阈值K ; 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； 当d多K，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； 当d < K，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的计算公式为：其中QjP Q。表示所述SIFT特征和颜色特征的量化公式；S表示克罗内克函数；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 性加权，〇为权重参数； 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：其中，tfslm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；n表示所述颜色词典中包括颜色词汇的个数； 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：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。6.如权利要求5所述的多特征融合的图像检索方法，其特征在于，所述视觉单词的加 权系数值idf的计算公式为：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，nslm表示所述图像I对应的图 库中的图像数量值。7. 如权利要求2所述的多特征融合的图像检索方法，其特征在于，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： 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P1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dXL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： U = [X1 X2...XJt 步骤7. 2,计算每个图像块P1的视觉显著性程度： 视觉显著性程度为：其中，吟表示图像块pJPP]之间的不相似度，《u表示图像块pJPp,之间的距离，Unin 表示矩阵U第m行第n列的元素，（xpi,ypi)、（xw,yw)分别代表图块pJPp.j在原查询图像 I上的中心点坐标； 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： SalMapQ, j) = Sal (i 1} .N+j i = 1，? ?，J，j = 1，? ? ?，N8. 如权利要求7所述的多特征融合的图像检索方法，其特征在于，所述步骤七中提取 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的具体过程为： 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：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； 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：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_mapsi(x，y)表示每个所述子特征区域Si显著性值。； 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T1 与nT，提取所述T1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。
【专利摘要】本发明公开了一种多特征融合的图像检索方法，其包括，步骤一、输入待检索图像I；步骤二、构建图像I的颜色特征向量和SIFT特征向量；步骤三，训练查询图库中的图像获得颜色特征词典和SIFT特征词典，用所述视觉单词表示图库中的图像；步骤四、用所述视觉单词表示所述图像I，根据所述视觉单词从所述查询图库中调取候选图像集Q，计算相似度值score(Q,I)；步骤五、选取所述图像I中具有视觉显著性的局部区域Si并重复步骤三和步骤四获得候选图像集K，计算相似度值scoresal(K,I)；步骤六、两个候选融合集的重叠图像集为D，融合scoresal(D,I)和score(D,I)计算最终相似性值score*(D,I)；步骤七、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。本发明具有降低了图像噪声，提高检索准确性的优点。
【IPC分类】G06F17/30
【公开号】CN105138672
【申请号】CN201510564819
【发明人】段立娟, 董帅, 赵则明, 崔嵩, 马伟, 杨震
【申请人】北京工业大学
【公开日】2015年12月9日
【申请日】2015年9月7日