专利名称：一种基于显著点和svm相关反馈的图像检索方法
技术领域：
本发明属于基于内容的图像检索研究领域，涉及到显著点提取技术以及和SVM相关反馈相结合的图像检索技术。
二.
背景技术：
随着多媒体技术的快速发展和数字图像采集量的迅猛增加，基于内容的图像检索(CBIR, Content-based Image Retrieval)已经成为最受关注的研究领域之一。但是如何从大型数据库中高效地检索相关图像，仍然是短时间内解决不了的难题。传统的CBIR方法主要把一幅图像表示成特征集合(主要包括图像的颜色、纹理、形状等)，可用高维特征空间中一个点表示，然后计算查询图像和数据库中存储的图像之间的距离，利用距离大小判断图像之间的相似性，得出检索结果。但是仅仅利用这些低层视觉特征很难获得满意的检索结果，不同用户对同一幅图像的查询目的和关注的内容也不尽相同，这种低层特征描述和高层语义信息之间的不一致就称为“语义鸿沟”。为了减小“语义鸿沟”带来的影响，研究者提出许多改进方法，其中被证明有效并在CBIR中广泛使用的有图像的局部特征表示和相关反馈技术等。局部特征相比于全局特征更接近用户对图像的理解，但是从图像每一个像素计算局部特征太耗时，于是提出兴趣点，它们被认为包含最重要的图像信息。兴趣点作为一种重要的图像视觉特征点，已经在三维解释、运动估计以及图像匹配等方面得到了广泛使用。1997年，Schmid等在图像检索中引入了兴趣点概念，他们利用Harrs’角点检测器提取兴趣点，但是这种方法是基于角点的数学模型，在提取自然图像时有一定缺点1)视觉重要点不仅仅是角点，2)角点可能集中在一个很小的区域内。2001年，Etienne等提出了基于小波变换的显著点，这些点不仅仅是角点，还有在不同分辨率下发生变换的点。2004年，D. Lowe完善了尺度不变特征转换(SIFT)算法，它是根据不同尺度下高斯差中的极值计算得出，SIFT特征是基于图像局部区域的兴趣点，与图像的大小和旋转无关，对光照、噪声、小角度的视觉改变都有一定的容忍度。相关反馈是根据用户意图，有目的调整检索结果，提高检索准确率。目前的反馈主要有三种I、基于距离度量的方法，如查询点移动等；2、基于概率的反馈，如贝叶斯网络反馈；3、基于机器学习的方法，如SVM、决策树、多示例学习等。但是由于应用的特殊性，CBIR中的相关反馈有一些特点I、训练样本少。用户不愿意标记大量样本和进行多次交互，对高维图像特征而言，训练样本太少，成为相关反馈面临的主要问题。2、实时性要求。相关反馈是一个人机交互的过程，对实时性要求较高，这就限制了耗时算法的应用。
3、训练样本不对称性。许多分类方法要求正样本和负样本同分布并得到同等对待。但是一般用户标记的只是图像库中的一小部分，大部分图像是不相关的，而且不相关图像又有好多类。4、存在大量的未标记样本。在相关反馈中，用户标记的样本很少，图像库中还存在着大量的未标记样本，如何利用这些未标记样本提高算法效率是值得研究的问题。SVM分类器被认为是一种最有效的分类技术之一。它在处理小样本时的优势和良好的泛化能力，使得它在图像检索中得到广泛使用。基于上述分析，我们结合图像显著点和SVM相关反馈，提出一种新的检索方法。此方法利用较少的特征向量和反馈样本进行学习，较好地体现了图像语义信息，而且与传统的基于显著点的图像检索方法相比，检索准确率也得到显著提高。
三.
发明内容
本发明的目的是减小图像检索过程中语义鸿沟带来的影响，提高检索准确率。本 发明将更接近用户意图的局部特征和直接反应用户意图的相关反馈结合，提出一种检索速度快、准确率高的方法。本发明提出的基于内容的图像检索算法提取小波显著点，这些点是小波域图像中小波系数发生显著变化的特征点，不仅分布在角点上，也分布在平滑的边缘上。提取方法是对图像进行小波分解，选择粗分辨率下绝对值较大的小波系数，它们对应原图像中变化较大的区域，然后在细分辨率下跟踪这些小波系数，提取原图像中的能代表这些变化的显著点；然后利用显著点的空间分布信息，按照显著点分布划分成一系列同心圆，提取每个环形内颜色和形状特征，并结合图像的全局纹理特征，按照欧氏距离给出初步检索结果。根据用户的意图，人工标注相关样本和不相关样本，计算得到最佳SVM分类器，再用该分类器对图像库中图像重新分类，给出反馈后的检索结果，该算法可根据用户满意程度进行多次检索。
四.
图I是本发明的系统流程图；图2是本发明中小波显著点提取过程中金字塔小波分解；图3是高分辨率下递归跟踪小波系数示意图；图4是基于显著点的环形区域划分；图5是SVM的推广最优分类面；
五.具体实现方式为使本发明的技术方案及优点更加清楚，下面参照附图，具体说明本发明的实现过程。图I所示为系统流程图，具体步骤如下I、先提取原图像的小波显著点，实现过程如下(I)先对原图像进行三级小波分解，如图2所示，对于2j尺度上小波系数，在2j+1尺度上有2pX2p个小波系数与之对应，给定小波系数的子集为C (Wli df{x, γ)) = {W2J+I d f{k,l),2x<k<2x + 2p-\,2y<l<2y + 2p-\}0 ^ X < 2J M, 0 ^ y < 2J N, I ^ d ^ 3
(2)在高分辨率下递归跟踪小波系数，如图3 ;(3)当分辨率是1/2时，计算跟踪到像素点的显著值不同尺度下跟踪小波系数之和。计算公式saliency = \C{k) (W2l f(n))\- log IN < j <-\
k=\(4)设置门限，提取最显著的点。2、对提取的显著点进行特征选取结合显著点的空间分布特征，按照显著点分布划分成一系列同心圆环，如图4所示，分别计算每个圆环内H、S、V三个分量的一、二、三阶矩和形状特征的七个不变矩，如此在每个圆环内提取16维特征向量。纹理特征采用的是将小波系数(HL，LH，HH)分别提取三次距。这种方法特征维数较少，一定程度上克服了 SVM相关 反馈过程中由于特征维数远大于用户每次提供的反馈样本而出现的过度拟合问题。3、对检索结果进行SVM相关反馈，构造出适合表示用户查询意图的分类器，分类面的构造如图5，然后用该模型对图像重新分类，再次排序返回结果，学习和检索算法如下(I)用显著点方法初步检索与查询图像相关的图像；(2)对返同的前N幅结果图像标记相关图像集I+和非相关图像集Γ，组成SVM训练集(Xi，Yi)，Xi为第i幅训练图像的特征向量，Yi为第i幅图像所属类别
+1, χ, e I+y；=\
卜 I, A e I(3)选取合适的核函数K(x，x,)和惩罚参数C，构造并求解如下最优化问题
ηγ n ηα,α^. Κ(χ,, xJ)
/=] L /=1 ./=1约束条件
η[ y^i = 0,0 < < C ,i = 1,2，..·，η
/ = 1得最优解α * = ( α Λ α 2% . . . . α /)τ ;(4)选取α *的一个正分量O < α / < C，按下式计算阈值b* = yj - Yj ylai * K(XnXj)
=1(5)计算判别函数的值/(X) = ^al* ytK(x, Xi) +b*
/=1用|f(X) I表示图像到判别面的距离，此值越大，判别结果越可靠。对图像库中各图像的f(x)值从大到小进行排序可得到新的检索结果。如果此结果仍不能满足要求，可继续反馈直到满意为止。
权利要求
1.一种基于显著点和SVM相关反馈相结合的图像检索方法，其主要包括以下处理步骤对图像进行小波分解，选择粗分辨率下绝对值较大的小波系数，它们对应原图像中变化较大的区域，然后在细分辨率下跟踪这些小波系数，提取原图像中的能代表这些变化的点，即显著点；然后利用显著点的空间分布信息，提取显著点周围局部区域的特征进行检索，并对检索结果人工标注进行SVM相关反馈，构造出适合表示用户查询意图的分类器，然后用该模型对图像重新分类，再次排序返回結果。
2.利用显著点空间分布信息提取局部特征方法，按照显著点空间分布划分成一系列同心圆环，分别计算每个圆环内H、S、V三个分量的一、ニ、三阶矩和形状特征的七个不变矩。
3.局部特征和全局特征结合的方法，局部的顔色和形状特征与全局的纹理特征相结合，纹理特征是对小波系数(HL，LH, HH)分别提取三次距。
全文摘要
本发明属于基于内容的图像检索研究领域，针对传统基于全局特征的图像检索方法存在的特征维数高、计算量大等问题以及“语义鸿沟”带来的负面影响，提出一种基于显著点特征和SVM(support vectormachine)相关反馈相结合的图像检索方法。显著点提取方法是对图像进行小波分解，选择粗分辨率下绝对值较大的小波系数，然后在细分辨率下跟踪这些小波系数，提取原图像中的能代表这些变化的点，即显著点；然后利用显著点的空间分布信息，提取显著点周围局部区域的特征进行检索，并对检索结果进行SVM相关反馈，重新给出检索结果。本发明在图像检索中可有效地检索更多的相关图像，明显提高了检索的准确性。
文档编号G06K9/62GK102682008SQ20111005975
公开日2012年9月19日 申请日期2011年3月14日 优先权日2011年3月14日
发明者高如如 申请人:高如如