一种基于直觉模糊相似度的图像检索方法及其系统的制作方法
【技术领域】
[0001] 本发明涉及图像内容检索技术，特别是涉及一种基于直觉模糊相似度的图像检索 方法及其系统。
【背景技术】
[0002] 当今世界科技高速发展，随着多媒体设备的普及，图像也得到了越来越广泛的应 用，大量图像被存放到图像数据库中，图像数据库也越来越大，图像较之于普通的文本，包 含有更加丰富的信息，如颜色、形状、纹理、位置、环境等。同时，图像的信息组织具有无序 性，如何实现对图像进行有效的、统一的管理和查询一直是图像处理领域的一项研究热点。 图像检索技术就是为实现在大量图片数据中快速有效地检索出所需要的信息。
[0003]图像检索通常分为两种方法：基于文本的图像检索（Text-based Image Retrieval，TBIR)和基于内容的图像检索（Content-based Image Retrieval，CBIR) qTBIR 是基于比对关键字和图片标签的匹配度大小来检索的，该方法易于理解，实现简单，但它过 于依赖人对图片的主观感知并且注解工作量大，该方法的基本流程为首先对图像库中的图 像进行人工标注，得到图像文本数据，用户使用图像关键字对图像文本数据进行文本检索， 得到结果输出。
[0004] CBIR不同于TBIR的精确匹配，采用相似匹配，并融合了计算机视觉、图像处理、图 像理解和数据库等多个领域的技术成果，以避免人工描述的主观性，它允许用户输入一张 图片，以查找相似内容的图片。CBIR主要利用图像包含的颜色、纹理、形状、空间位置以及它 们的组合特征建立特征索引库，并通过图像特征向量特征之间的近似度量进行相似性索 弓丨。常用的CBIR通常分为基于全局特征和基于图像局部信息的检索方法，基于图像局部信 息的检索方法对图像进行区域分割，选择感兴趣的区域进行特征提取。区域分割试图通过 物体层次来表示图像的内容，理想的图像分割可以把图像分割成为语义区域，从而提取高 水平的语义特征，但是，现有的分割技术并不能实现对图像中对象的精确分割，只能实现大 概的分割，很难达到理想的分割状态。
[0005] 图像底层如纹理、颜色、形状、语义等特征是CBIR所检索的主要内容，如何有效地 提取和利用这些特征是CBIR的一项研究难点，基于模糊集理论，这些底层信息通常都携带 一定的模糊性，因此，利用模糊集理论进行图像检索十分合理，直觉模糊集理论是人工智能 科学的新领域，是模糊集的一种优化，目前，基于直觉模糊集理论的图像检索算法研究较 少，且多数集中在使用直觉模糊集理论对图像间距离进行度量，算法较为冗杂。
[0006] 目前，基于直觉模糊集理论的图像检索算法面临如下问题：
[0007] (1)研究成果较少，直觉模糊集的优良性能在图像检索领域未得到充分利用。
[0008] (2)多数算法更倾向于使用图像间的距离度量，较为冗杂。
【发明内容】
[0009] 本发明的目的在于提供一种基于直觉模糊相似度的图像检索方法及其系统，用于 实现有效、简便快捷地检索出待检索图像。
[0010]为了实现上述目的，本发明提供一种基于直觉模糊相似度的图像检索方法，包括： [0011]步骤一，对图像库中的图像进行直觉模糊化，得到图像的直觉模糊集矩阵模型；
[0012] 步骤二，根据直觉模糊集矩阵模型求取图像库中每一张图像与被检索图像的直觉 模糊相似度；
[0013] 步骤三，将检索图像按照直觉模糊相似度从大到小依序输出，得到最终检索结果。
[0014] 所述的图像检索方法，其中，所述步骤一中，包括:在进行直觉模糊化之前，对图像 库中的图像进行预处理的步骤。
[0015] 所述的图像检索方法，其中，所述步骤一中，包括：
[0016] 步骤1.1:将图像库中每张灰度图像矩阵中的像素值做归一化，并以如下方式计算 图像的隶属度矩阵：
[0019] 其中，1 = 1，2，"1」=1，2，"，收」(切)为像素点相的隶属度，匕狀和^"分别为归 一化后的图像矩阵中的最大值和最小值，M、N分别为图像矩阵的行值和列值；
[0020] 步骤1.2:在得到图像的隶属度矩阵后，以如下方式计算图像的非隶属度矩阵：
[0022] 其中，叫(切)为像素点Xlj的非隶属度，λ>〇。
[0023] 所述的图像检索方法，其中，所述步骤二中，包括：
[0024] 以如下方式求图像库中每张图像与被检索图像的直觉模糊相似度：
[0026]其中，ω j = (l/n，l/n，· · ·，1/η)τ为权值，η为被检索图像的像素点总数，Αι和Α2分 别表示被检索图像的直觉模糊集矩阵模型和检索图像库中任意一张图像的直觉模糊集矩 阵模型，4⑶⑷，心^办~⑶为直觉模糊集矩阵模型~的第计坐标点的值，9' A2)表示心和知分别对应的原图像的直觉模糊相似度。
[0027]所述的图像检索方法，其中，所述步骤三中，包括：
[0028]选取与检索图像直觉模糊相似度最大的图像作为所求的被检索图像。
[0029] 为了实现上述目的，本发明提供一种基于直觉模糊相似度的图像检索系统，包括：
[0030] 模糊化处理模块，用于对图像库中的图像进行直觉模糊化，得到图像的直觉模糊 集矩阵模型；
[0031] 相似度获取模块，用于根据直觉模糊集矩阵模型求取图像库中每一张图像与被检 索图像的直觉模糊相似度；
[0032] 检索结果获取模块，用于将检索图像按照直觉模糊相似度从大到小依序输出，得 到最终检索结果。
[0033]所述的图像检索系统，其中，还包括:预处理模块，用于在进行直觉模糊化之前，对 图像库中的图像进行预处理。
[0034]所述的图像检索系统，其中，所述模糊化处理模块进一步包括：
[0035]隶属度矩阵模块，用于将图像库中每张灰度图像矩阵中的像素值做归一化，并以 如下方式计算图像的隶属度矩阵；
[0038]其中，1 = 1，2，"1」=1，2，"，收」(相)为像素点相的隶属度4繼和^"分别为归 一化后的图像矩阵中的最大值和最小值，M、N分别为图像矩阵的行值和列值；
[0039]非隶属度矩阵模块，用于在得到图像的隶属度矩阵后，以如下方式计算图像的非 隶属度矩阵：
[0041]其中，％(χω为像素点切的非隶属度，λ>〇。
[0042]所述的图像检索系统，其中，所述相似度获取模块以如下方式求图像库中每张图 像与被检索图像的直觉模糊相似度：
[0044]其中，ω产（1/η，1/η，，1/η)τ为权值， η为被检索图像的像素点总数，AdPA2分别表 示被检索图像的直觉模糊集矩阵模型和检索图像库中任意一张图像的直觉模糊集矩阵模 型，4 (il二b),，Ai (j)为直觉模糊集矩阵模型Ai的第j个坐标点的值，θ (Αι，A2) 表示AdPA2分别对应的原图像的直觉模糊相似度。
[0045] 所述的图像检索系统，其中，所述检索结果获取模块选取与检索图像直觉模糊相 似度最大的图像作为所求的被检索图像。
[0046] 与现有技术相比，本发明的有益技术效果是：
[0047] 本发明为了解决现有技术所存在的上述技术问题，提供了一种可有效提高检索精 度及效率的基于直觉模糊理论的图像检索方法，该方法通过Gamma函数和Sugeno模糊补集 来构造图像的直觉模糊集矩阵模型，测量图像的直觉模糊相似度，并用其进行图像检索。实 验表明：本发明提出的算法可以有效地检索出待检索图像，且简便快捷，对于背景简单的图 像检索效果更好。
【附图说明】
[0048] 图1为本发明基于直觉模糊相似度的图像检索方法流程图。
[0049]图2为本发明的花实例检索效果图。
[0050]图3为本发明的公交车实例检索效果图。
[0051]图4为本发明的大象实例检索效果图。
[0052]图5为本发明基于直觉模糊相似度的图像检索系统结构图。
【具体实施方式】
[0053]以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
[0054] 如图1所示，为本发明基于直觉模糊相似度的图像检索方法流程图。该流程图描述 了一种基于直觉模糊理论的图像检索方法，按照如下步骤进行：
[0055] 步骤1:对图像库中的图像进行预处理。
[0056] 步骤2:对预处理后的图像进行直觉模糊化，得到每张图像的直觉模糊集矩阵模 型。
[0057] 步骤3:求图像库中每一张图像与被检索图像的直觉模糊相似度。
[0058] 步骤4:将所得的检索图像按照直觉模糊相似度从大到小依序输出，得到最终检索 结果。
[0059] 所述步骤1如下：
[0060] 步骤1.1:对图像库中的图像使用均值滤波器滤波。
[0061] 步骤1.2:对滤波后的图像进行灰度化处理，得到灰度图像矩阵。
[0062] 所述步骤2如下：
[0063]步骤2.1:求图像的隶属度矩阵。
[0064]将每张灰度图像矩阵中的像素值做归一化，然后使用Gamma函数来求取图像的模 糊隶属度，6&_8函数的定义如下：
[0066] 其中，γ为形状参数，m为位置参数，β为尺度参数，Γ (1) = 1。
[0067] 当m关0且γ =1时，Gamma函数可以简化为：
[0069]将图像做归一化，然后，在此基础上，求出图像的隶属度矩阵：
[0071] 其中，i = l，2，-_M，j = l，2,…N，fmax和别为归一化后的图像矩阵f(x)中的最 大值和最小值。M、N分别为图像矩阵的行值和列值，M、N随图像矩阵的行数和列数变化而变 化，无特定的取值范围。
[0072] 进而，可以得到像素点Xlj的隶属度矩阵为：
[0074] 其中，yij(Xlj)为像素点Xlj的隶属度，是基于6&_ &函数代换、化简、变换而得到的。
[0075] 步骤2.2:求图像的非隶属度矩阵。
[0076]得到图像的隶属度矩阵后，使用Sugeno模糊补集来求取图像的非隶属度矩阵， Sugeno补集定义如下：
[0078] 其中，N(l)=〇 且 N(0) = 1。
[0079] 计算图像的非隶属度矩阵如下：
[0081] 其中，％(Xlj)为像素点Xlj的非隶属度，yij(Xlj)为像素点 Xlj的隶属度，λ>〇,本发 明取λ = 〇.5。
[0082] 上述得到的隶属度矩阵、非隶属度矩阵为直觉模糊集矩阵模型。所述步骤3如下： [0083]