图像检索方法和图像检索设备与流程
本公开涉及图像处理领域，更具体地，涉及一种基于超图像进行索引和检索的图像检索方法和图像检索设备。
背景技术：
图像检索包含三个主要步骤：特征提取、离线索引以及在线检索。其中，离线索引把相关图像组织在一起以方便在线检索。因此，索引策略很大程度上影响了检索正确率、时耗、以及存储代价。然而，大部分已有的索引策略都是只针对考虑到部分相关(例如，视觉或者语义相关性)的单幅图像。
为了设计更好的索引策略，需要减少参加索引的图像数目，这样会节省检索时间和存储代价；同时还需要考虑基于局部特征和全局特征的图像相似性，这样检索结果不仅能找到具有局部相似性的候选图像，而且还能保持它们在语义相似性上的一致性。
技术实现要素：
在下文中给出了关于本公开的简要概述，以便提供关于本公开的某些方面的基本理解。但是，应当理解，这个概述并不是关于本公开的穷举性概述。它并不是意图用来确定本公开的关键性部分或重要部分，也不是意图用来限定本公开的范围。其目的仅仅是以简化的形式给出关于本公开的某些概念，以此作为稍后给出的更详细描述的前序。
鉴于以上问题，本公开的目的是提供一种图像检索方法和图像检索设备，其基于超图像来进行索引和检索，从而节省检索时间和存储代价，并且还考虑基于局部特征和全局特征的图像相似性，这样检索结果不仅能找到具有局部相似性的候选图像，而且还能保持它们在语义相似性上的一致性。
根据本公开的一方面，提供了一种图像检索方法，包括：提取查询图 像特征步骤，用于从查询图像中提取图像特征；以及特征比较和匹配步骤，用于通过对从查询图像中所提取的图像特征和由其中每两个图像均互为k近邻的多个图像构成的超图像的相应图像特征进行比较，输出具有与从查询图像中所提取的图像特征相匹配的图像特征的超图像。
根据本公开的另一方面，还提供了一种图像检索设备，包括：提取查询图像特征单元，被配置成从查询图像中提取图像特征；以及特征比较和匹配单元，被配置成通过对从查询图像中所提取的图像特征和由其中每两个图像均互为k近邻的多个图像构成的超图像的相应图像特征进行比较，输出具有与从查询图像中所提取的图像特征相匹配的图像特征的超图像。
根据本公开的其它方面，还提供了用于实现上述根据本公开的方法的计算机程序代码和计算机程序产品以及其上记录有该用于实现上述根据本公开的方法的计算机程序代码的计算机可读存储介质。
在下面的说明书部分中给出本公开实施例的其它方面，其中，详细说明用于充分地公开本公开实施例的优选实施例，而不对其施加限定。
附图说明
本公开可以通过参考下文中结合附图所给出的详细描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并形成说明书的一部分，用来进一步举例说明本公开的优选实施例和解释本公开的原理和优点。其中：
图1是示出根据本公开的实施例的图像检索方法的流程示例的流程图；
图2是示出超图像候选生成的示例的图；
图3是示出根据本公开的实施例的超图像索引结构的示例的图；
图4是示出根据本公开的实施例的图像检索设备的功能配置示例的框图；以及
图5是示出作为本公开的实施例中可采用的信息处理设备的个人计算机的示例结构的框图。
具体实施方式
在下文中将结合附图对本公开的示范性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本公开内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。
在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本公开，在附图中仅仅示出了与根据本公开的方案密切相关的设备结构和/或处理步骤，而省略了与本公开关系不大的其它细节。
下面结合附图详细说明根据本公开的实施例。
首先，将参照图1描述根据本公开的实施例的图像检索方法的流程示例。图1是示出根据本公开的实施例的图像检索方法的流程示例的流程图。
如图1所示，根据本公开的实施例的图像检索方法可包括提取查询图像特征步骤S102以及特征比较和匹配步骤S104。以下将分别详细描述各个步骤中的处理。
首先，在提取查询图像特征步骤S102中，可以从查询图像中提取图像特征。在该步骤中，可以利用本领域公知技术，从查询图像中提取图像特征。
在特征比较和匹配步骤S104中，可以通过对从查询图像中所提取的图像特征和由其中每两个图像均互为k近邻的多个图像构成的超图像的相应图像特征进行比较，输出具有与从查询图像中所提取的图像特征相匹配的图像特征的超图像。
为了设计更好的索引策略，我们提出了把相关图像打包成一个新的单元，将其定义为由其中每两个图像均互为k近邻的多个图像构成的“超图像”。
具体地，在根据本公开的实施例中，在离线索引过程中，从数据库中寻找超图像，并且对超图像构建索引。超图像指语义和图像特征都很相似的图像集合。对于超图像中图像数目没有限制，所以对于图像数目为一的超图像，实际上等同于单个图像。而对于图像数目超过一的超图像，则把 这些超图像看成表示统一语义的基本单元进行索引。也就是说，不同于传统索引方法，在根据本公开的实施例中，对超图像而不是单个图像建立索引。在在线检索过程中，对于待查询图像，检索结果根据相关性大小返回一个超图像列表。
优选地，在特征比较和匹配步骤S104中，可以通过以下子步骤来获得超图像：提取特征子步骤，可以从数据库中的每个图像中提取一个或多个特征；确定互为k近邻关系子步骤，可以基于所述一个或多个特征，确定数据库中的每两个图像之间的互为k近邻关系；以及选择超图像子步骤，可以基于所述一个或多个特征以及互为k近邻关系，选择超图像。
在根据本公开的实施例中，在超图像生成阶段会利用多个搜索尺度，比如基于局部特征和全局特征的图像相似性，因此检索结果不仅找到具有局部相似性的候选图像，而且还能保持它们在语义相似性上的一致性。
优选地，在提取特征子步骤中，为了得到超图像的不同线索，可以提取多个图像属性作为图像特征。例如，基于SIFT特征描述以及BoW表示的倒查表图像检索体系，由于对SIFT特征的过分信赖而忽略其它图像特征(比如颜色等)。同时，特征量化带来的信息丢失都会引起错误的图像匹配。为了提高SIFT视觉单词的分辨力，本公开结合针对每个图像像素的11维颜色描述向量。具体地，在每个检测的特征点，考虑与特征点尺度成比例的局部子区域，在该子区域内计算每个像素的颜色向量并且采用中值颜色向量作为颜色特征描述。
在属性提取结束之后，可以计算图像之间的相似度。利用欧式距离计算BoW描述子的图像相似度。具有较小欧式距离的图像认为具有高相关性。而对于颜色特征，因为颜色特征的每个维度具有明显的语义意义，因此引入二值化方案来产生二值化特征，并且使用汉明距离来测量图像相似度。
优选地，在确定互为k近邻关系子步骤中，如果在一个或多个特征中的一个特征的测度下，一个图像为另一图像的k近邻并且所述另一图像也为所述一个图像的k近邻，则可以确定这两个图像互为k近邻。
优选地，在提取特征子步骤中提取了多个特征的情况下，在确定互为k近邻关系子步骤中，如果在多个特征中的一个特征的测度下一个图像为另一图像的k近邻，而在另一特征的测度下所述另一图像为所述一个图像的k近邻，则也可以确定这两个图像互为k近邻。
具体地，为了通过选取一组种子图像并且寻找它们的k近邻来产生超图像候选集合，我们提出一种搜寻互k近邻图像来生成超图像的方法。
采用Ii和Ij分别表示两幅图像，用kNN(.)表示图像的k近邻，则如果图像Ii和图像Ij满足Ii∈kNN(Ij),Ij∈kNN(Ii)，即图像Ii是图像Ij的k近邻并且图像Ij是也图像Ii的k近邻，则可以确定图像Ii和图像Ij互为k近邻。
在根据本公开的实施例中，在提取特征子步骤中提取了多个特征的情况下，根据上面的多个图像相似度测度，可以得到多个对应的相似性结果。对于某个图像，用kNN1(.)表示在第一特征的测度下计算得到的k近邻图像集合，用kNN2(.)表示在第二特征的测度下得到的k近邻图像集合。
在根据本公开的实施例中，我们定义互为k近邻关系为Ii∈kNNm(Ij),Ij∈kNNn(Ii),m,n＝1,2，该互近邻关系是一种补充关系。
具体地，如果满足Ii∈kNN1(Ij),Ij∈kNN1(Ii)，即在第一特征的测度下，图像Ii为图像Ij的k近邻并且图像Ij也为图像Ii的k近邻，则可以确定图像Ii和图像Ij互为k近邻。类似地，如果满足Ii∈kNN2(Ij),Ij∈kNN2(Ii)，即在第二特征的测度下，图像Ii为图像Ij的k近邻并且图像Ij也为图像Ii的k近邻，则也可以确定图像Ii和图像Ij互为k近邻。
此外，尽管图像Ii和图像Ij在同一特征的测度下不是互为k近邻，但是如果在一个特征的测度下图像Ii为图像Ij的k近邻，而在另一特征的测度下图像Ij为图像Ii的k近邻，那么我们也确定图像Ii和图像Ij互为k近邻。例如，若图像Ii是图像Ij的kNN1，而图像Ij不是图像Ii的kNN1，但是图像Ij是图像Ii的kNN2，那么我们仍然认为图像Ij和图像Ii具有高度相似性，则也可以确定图像Ii和图像Ij互为k近邻。类似地，若图像Ii是图像Ij的kNN2，而图像Ij不是图像Ii的kNN2，但是图像Ij是图像Ii的kNN1，我们仍然认为图像Ij和图像Ii具有高度相似性，则也可以确定图像Ii和图像Ij互为k近邻。
图2是示出超图像候选生成的示例的图。如图2所示，双向箭头表示互k近邻关系，该互k近邻关系是一种比较可信的语义相关关系。基于互近邻关系，可以构建一个图Gr＝(V,E)，其中V是顶点集合，表示数据集合中的图像，E存储连接顶点的边，比如两幅图像互为k近邻，那么它们之间是连接的。如图2所示，在示例图中，因为F和G是互为k近邻，因此这两者是连接的；而因为F和I不是互为k近邻，因此这两者是不连 接的。
在构建完图Gr后，寻找候选超图像也就在图中找最大环。最大环定义为环中不能再扩展加入一条边的环，其中环定义为一个无向子图，任意两个子图节点之间都是连接的。最大环包含最多节点数。图中单个独立的节点自己本身构成一个最大环，例如，图2中E、I、H和L为单个独立的节点。在图2中，节点B和C可以分别与A和D形成具有三个节点的两个最大环，因此，一个节点可能同时属于几个最大环。为了减少超图像数目而节约存储空间，本公开提出一种重叠最小化的超图像选择方法。
为了选择超图像，我们首先计算视觉紧致度，该视觉紧致度能够度量局部和全局描述子的一致性；然后对候选超图像进行排序来选择最终的超图像。
优选地，在选择超图像子步骤中，对于数据库中的其中每两个图像均互为k近邻的每一组图像，可以基于所述每两个图像在一个或多个特征中的至少一个特征之间的距离的加权平均，计算每一组图像的视觉紧致度。
优选地，所述每两个图像在至少一个特征之间的距离的加权系数可以取决于所述每两个图像在该特征的测度下的互为k近邻关系。
优选地，若所述每两个图像在该特征的测度下互为k近邻，则加权系数最大，若所述每两个图像在该特征的测度下彼此均不是k近邻，则加权系数最小。
具体地，假设从图像中提取了两个特征并且第一特征为BoW而第二特征为颜色CN，则一个超图像候选集合的视觉紧致度VC可以通过基于第一特征BoW和第二特征CN的距离加权得到:
在公式(1)中，VC表示视觉紧致度；和是图像VC中任意两幅图像Ii和Ij的BoW向量；和是图像Ii和Ij的颜色二值化向量；dist()表示距离函数；是图像Ii和Ij在第一特征BoW之间的距离；是图像Ii和Ij在第二特征CN之间的距离。
w1是图像Ii和Ij在第一特征BoW之间的距离的加权系数，该加权系数w1取决于图像Ii和Ij在第一特征BoW的测度下的互为k近邻关系。具体地，在第一特征BoW的测度下，如果图像Ii和Ij是互为k近邻，那么w1＝1；如果图像Ii和Ij只是单方向的k近邻关系(即，图像Ii是图像Ij的kNN1，而图像Ij是图像Ii的kNN2；或者图像Ii是图像Ij的kNN2，而图像Ij是图像Ii的kNN1)，那么w1＝0.5；如果图像Ii和Ij都不是对方的k近邻，那么w1＝0。
w2是图像Ii和Ij在第二特征CN之间的距离的加权系数，该加权系数w2取决于图像Ii和Ij在第二特征CN的测度下的互为k近邻关系。具体地，在第二特征CN的测度下，如果图像Ii和Ij是互为k近邻，那么w2＝1；如果图像Ii和Ij只是单方向的k近邻关系(即，图像Ii是图像Ij的kNN1，而图像Ij是图像Ii的kNN2；或者图像Ii是图像Ij的kNN2，而图像Ij是图像Ii的kNN1)，那么w2＝0.5；如果图像Ii和Ij都不是对方的k近邻，那么w2＝0。
优选地，可以选择视觉紧致度最大的一组图像作为一个超图像，并且可以基于贪婪搜索算法，依次对于数据库中的除了被选择作为超图像之外的每组图像，按视觉紧致度的降序选择超图像，直到将数据库中的所有图像均选择为超图像为止。
具体地，基于公式(1)计算的视觉紧致度，使用贪婪搜索算法来对候选超图像进行排序和选择。首先依据视觉紧致度下降的顺序进行排序，选出视觉紧致度最大的一组图像作为一个超图像，同时将图Gr中的与所选择的超图像对应的最大环删除，然后更新图Gr，重复上述操作(即再按视觉紧致度的降序依次选择超图像并将图Gr中的与所选择的超图像对应的环删除)，直到图Gr为空为止(即，直到将数据库中的所有图像均选择为超图像为止)。
以上描述了基于视觉紧致度来选择超图像的方法，然而选择超图像的方法并不限于此。
优选地，还可以基于图Gr中环的大小来选择超图像。
优选地，还可以随机选择超图像。
优选地，超图像的图像特征包括多个特征分量，对于每个特征分量，选择超图像所包括的多个图像中的每个图像的该特征分量的最大值作为超图像的特征分量。
在如上所述获得了超图像之后，可以对超图像进行索引。
对超图像进行索引的策略类似于传统的BoW索引机制，不同的是，使用超图像而不是单个图像作为索引单元。对于只包含一幅图像的超图像，提取特征和特征编码与传统步骤相同，例如，可以利用聚类方法产生视觉词典，提取图像SIFT描述，把特征描述映射到最近的视觉单词，最终得到视觉直方图向量。对于包含多个图像的超图像，可以使用最大化方法来计算它们的Bow向量。假设超图像为SI，那么超图像SI的向量计算公式为：VectSI(v)＝max(Vecti(v))，i∈SI (2)
在公式(2)中，VectSI(v)表示超图像SI中视觉单词v的出现频率，Vecti(v)表示图像i中视觉单词v的出现频率。
得到所有超图像的BoW表示后，对它们进行索引。图3是示出根据本公开的实施例的超图像索引结构的示例的图。如图3所示，倒查表中每个单元记录了一个视觉单词和它对应的超图像ID。在根据本公开的实施例中，与传统倒查表索引不同，需要另外一个表来记录超图像包含的单个图像ID。
对超图像的在线检索过程基本等同于BoW检索过程。例如，提取查询图像的例如SIFT特征的特征，对视觉单词进行量化，根据视觉单词扫描倒查表，然后，根据相似程度得到与查询图像具有相似特征的超图像列表。
需要注意的是，为了方便，以上描述中使用BoW特征来对超图像进行索引和检索，然而，本领域技术人员将明白的是，还可以采用其他特征来对超图像进行索引和检索。此外，用于对超图像进行索引和检索的特征可以独立于在选择超图像中所使用的特征。
根据以上描述可知，根据本公开的实施例的图像检索方法基于超图像来进行索引和检索，从而节省检索时间和存储代价，并且还考虑了基于局部特征和全局特征的图像相似性，这样检索结果不仅能找到具有局部相似性的候选图像，而且还能保持它们在语义相似性上的一致性。
与上述方法实施例相对应地，本公开还提供了以下设备实施例。
图4是示出根据本公开的实施例的图像检索设备400的功能配置示例的框图。
如图4所示，根据本公开的实施例的图像检索设备400可包括提取查询图像特征单元402以及特征比较和匹配单元404。接下来将描述各个单元的功能配置示例。
提取查询图像特征单元402可以被配置成从查询图像中提取图像特征。在该单元中，可以利用本领域公知技术，从查询图像中提取图像特征。
特征比较和匹配单元404可以被配置成通过对从查询图像中所提取的图像特征和由其中每两个图像均互为k近邻的多个图像构成的超图像的相应图像特征进行比较，输出具有与从查询图像中所提取的图像特征相匹配的图像特征的超图像。
优选地，在特征比较和匹配单元404中，可以通过以下子单元来获得超图像：提取特征子单元，可以被配置成从数据库中的每个图像中提取一个或多个特征；确定互为k近邻关系子单元，可以被配置成基于所述一个或多个特征，确定数据库中的每两个图像之间的互为k近邻关系；以及选择超图像子单元，可以被配置成基于所述一个或多个特征以及互为k近邻关系，选择超图像。
在根据本公开的实施例中，在超图像生成阶段会利用多个搜索尺度，比如基于局部特征和全局特征的图像相似性，因此检索结果不仅找到具有局部相似性的候选图像，而且还能保持它们在语义相似性上的一致性。
优选地，在提取特征子单元中，为了得到超图像的不同线索，可以提取多个图像属性作为图像特征。具体的提取图像特征的方法可参见以上方法实施例中相应位置的描述，在此不再重复。
优选地，在确定互为k近邻关系子单元中，如果在一个或多个特征中的一个特征的测度下，一个图像为另一图像的k近邻并且所述另一图像也为所述一个图像的k近邻，则可以确定这两个图像互为k近邻。
优选地，在提取特征子单元中提取了多个特征的情况下，在确定互为k近邻关系子单元中，如果在多个特征中的一个特征的测度下一个图像为另一图像的k近邻，而在另一特征的测度下所述另一图像为所述一个图像的k近邻，则也可以确定这两个图像互为k近邻。
具体的确定互为k近邻的方法可参见以上方法实施例中相应位置的描述，在此不再重复。
为了选择超图像，我们首先计算视觉紧致度，该视觉紧致度能够度量局部和全局描述子的一致性；然后对候选超图像进行排序来选择最终的超图像。
优选地，在选择超图像子单元中，对于数据库中的其中每两个图像均互为k近邻的每一组图像，可以基于所述每两个图像在一个或多个特征中的至少一个特征之间的距离的加权平均，计算每一组图像的视觉紧致度。
优选地，所述每两个图像在至少一个特征之间的距离的加权系数可以取决于所述每两个图像在该特征的测度下的互为k近邻关系。
优选地，若所述每两个图像在该特征的测度下互为k近邻，则加权系数最大，若所述每两个图像在该特征的测度下彼此均不是k近邻，则加权系数最小。
具体的计算视觉紧致度的方法可参见以上方法实施例中相应位置的描述，在此不再重复。
优选地，可以选择视觉紧致度最大的一组图像作为一个超图像，并且可以基于贪婪搜索算法，依次对于数据库中的除了被选择作为超图像之外的每组图像，按视觉紧致度的降序选择超图像，直到将数据库中的所有图像均选择为超图像为止。
具体的基于视觉紧致度来选择超图像的方法可参见以上方法实施例中相应位置的描述，在此不再重复。
以上描述了基于视觉紧致度来选择超图像的方法，然而选择超图像的方法并不限于此。
优选地，还可以基于环的大小来选择超图像。
优选地，还可以随机选择超图像。
优选地，超图像的图像特征包括多个特征分量，对于每个特征分量，选择超图像所包括的多个图像中的每个图像的该特征分量的最大值作为超图像的特征分量。
在如上所述获得了超图像之后，可以对超图像进行索引和检索。
具体的对超图像进行索引和检索的方法可参见以上方法实施例中相应位置的描述，在此不再重复。
根据以上描述可知，根据本公开的实施例的图像检索设备基于超图像 来进行索引和检索，从而节省检索时间和存储代价，并且还考虑了基于局部特征和全局特征的图像相似性，这样检索结果不仅能找到具有局部相似性的候选图像，而且还能保持它们在语义相似性上的一致性。
应指出，尽管以上描述了根据本公开的实施例的图像检索设备的功能配置，但是这仅是示例而非限制，并且本领域技术人员可根据本公开的原理对以上实施例进行修改，例如可对各个实施例中的功能模块进行添加、删除或者组合等，并且这样的修改均落入本公开的范围内。
此外，还应指出，这里的装置实施例是与上述方法实施例相对应的，因此在装置实施例中未详细描述的内容可参见方法实施例中相应位置的描述，在此不再重复描述。
应理解，根据本公开的实施例的存储介质和程序产品中的机器可执行的指令还可以被配置成执行上述图像检索方法，因此在此未详细描述的内容可参考先前相应位置的描述，在此不再重复进行描述。
相应地，用于承载上述包括机器可执行的指令的程序产品的存储介质也包括在本发明的公开中。该存储介质包括但不限于软盘、光盘、磁光盘、存储卡、存储棒等等。
另外，还应该指出的是，上述系列处理和装置也可以通过软件和/或固件实现。在通过软件和/或固件实现的情况下，从存储介质或网络向具有专用硬件结构的计算机，例如图5所示的通用个人计算机500安装构成该软件的程序，该计算机在安装有各种程序时，能够执行各种功能等等。
在图5中，中央处理单元(CPU)501根据只读存储器(ROM)502中存储的程序或从存储部分508加载到随机存取存储器(RAM)503的程序执行各种处理。在RAM 503中，也根据需要存储当CPU 501执行各种处理等时所需的数据。
CPU 501、ROM 502和RAM 503经由总线504彼此连接。输入/输出接口505也连接到总线504。
下述部件连接到输入/输出接口505：输入部分506，包括键盘、鼠标等；输出部分507，包括显示器，比如阴极射线管(CRT)、液晶显示器(LCD)等，和扬声器等；存储部分508，包括硬盘等；和通信部分509，包括网络接口卡比如LAN卡、调制解调器等。通信部分509经由网络比如因特网执行通信处理。
根据需要，驱动器510也连接到输入/输出接口505。可拆卸介质511 比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器510上，使得从中读出的计算机程序根据需要被安装到存储部分508中。
在通过软件实现上述系列处理的情况下，从网络比如因特网或存储介质比如可拆卸介质511安装构成软件的程序。
本领域的技术人员应当理解，这种存储介质不局限于图5所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质511。可拆卸介质511的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者，存储介质可以是ROM 502、存储部分508中包含的硬盘等等，其中存有程序，并且与包含它们的设备一起被分发给用户。
以上参照附图描述了本公开的优选实施例，但是本公开当然不限于以上示例。本领域技术人员可在所附权利要求的范围内得到各种变更和修改，并且应理解这些变更和修改自然将落入本公开的技术范围内。
例如，在以上实施例中包括在一个单元中的多个功能可以由分开的装置来实现。替选地，在以上实施例中由多个单元实现的多个功能可分别由分开的装置来实现。另外，以上功能之一可由多个单元来实现。无需说，这样的配置包括在本公开的技术范围内。
在该说明书中，流程图中所描述的步骤不仅包括以所述顺序按时间序列执行的处理，而且包括并行地或单独地而不是必须按时间序列执行的处理。此外，甚至在按时间序列处理的步骤中，无需说，也可以适当地改变该顺序。
另外，根据本公开的技术还可以如下进行配置。
附记1.一种图像检索方法，包括：
提取查询图像特征步骤，用于从查询图像中提取图像特征；以及
特征比较和匹配步骤，用于通过对从所述查询图像中所提取的图像特征和由其中每两个图像均互为k近邻的多个图像构成的超图像的相应图像特征进行比较，输出具有与从所述查询图像中所提取的图像特征相匹配的图像特征的超图像。
附记2.根据附记1所述的图像检索方法，其中，在所述特征比较和匹配步骤中，通过以下子步骤来获得所述超图像：
提取特征子步骤，用于从数据库中的每个图像中提取一个或多个特征；
确定互为k近邻关系子步骤，用于基于所述一个或多个特征，确定所述数据库中的每两个图像之间的互为k近邻关系；以及
选择超图像子步骤，用于基于所述一个或多个特征以及所述互为k近邻关系，选择所述超图像。
附记3.根据附记2所述的图像检索方法，其中，在所述确定互为k近邻关系子步骤中，如果在所述一个或多个特征中的一个特征的测度下，一个图像为另一图像的k近邻并且所述另一图像也为所述一个图像的k近邻，则确定这两个图像互为k近邻。
附记4.根据附记3所述的图像检索方法，其中，在所述提取特征子步骤中提取了多个特征的情况下，在所述确定互为k近邻关系子步骤中，如果在所述多个特征中的一个特征的测度下一个图像为另一图像的k近邻，而在另一特征的测度下所述另一图像为所述一个图像的k近邻，则也确定这两个图像互为k近邻。
附记5.根据附记2所述的图像检索方法，其中，在所述选择超图像子步骤中，对于所述数据库中的其中每两个图像均互为k近邻的每一组图像，基于所述每两个图像在所述一个或多个特征中的至少一个特征之间的距离的加权平均，计算所述每一组图像的视觉紧致度。
附记6.根据附记5所述的图像检索方法，其中，所述每两个图像在所述至少一个特征之间的距离的加权系数取决于所述每两个图像在该特征的测度下的互为k近邻关系。
附记7.根据附记6所述的图像检索方法，其中，若所述每两个图像在该特征的测度下互为k近邻，则所述加权系数最大，若所述每两个图像在该特征的测度下彼此均不是k近邻，则所述加权系数最小。
附记8.根据附记5所述的图像检索方法，其中，选择所述视觉紧致度最大的一组图像作为一个超图像，并且基于贪婪搜索算法，依次对于所述数据库中的除了被选择作为超图像之外的每组图像，按所述视觉紧致度的降序选择超图像，直到将所述数据库中的所有图像均选择为超图像为止。
附记9.根据附记1所述的图像检索方法，其中，超图像的图像特征包括多个特征分量，对于每个特征分量，选择所述超图像所包括的多个图 像中的每个图像的该特征分量的最大值作为所述超图像的特征分量。
附记10.一种图像检索设备，包括：
提取查询图像特征单元，被配置成从查询图像中提取图像特征；以及
特征比较和匹配单元，被配置成通过对从所述查询图像中所提取的图像特征和由其中每两个图像均互为k近邻的多个图像构成的超图像的相应图像特征进行比较，输出具有与从所述查询图像中所提取的图像特征相匹配的图像特征的超图像。
附记11.根据附记10所述的图像检索设备，其中，在所述特征比较和匹配单元中，通过以下子单元来获得所述超图像：
提取特征子单元，被配置成从数据库中的每个图像中提取一个或多个特征；
确定互为k近邻关系子单元，被配置成基于所述一个或多个特征，确定所述数据库中的每两个图像之间的互为k近邻关系；以及
选择超图像子单元，被配置成基于所述一个或多个特征以及所述互为k近邻关系，选择所述超图像。
附记12.根据附记11所述的图像检索设备，其中，在所述确定互为k近邻关系子单元中，如果在所述一个或多个特征中的一个特征的测度下，一个图像为另一图像的k近邻并且所述另一图像也为所述一个图像的k近邻，则确定这两个图像互为k近邻。
附记13.根据附记12所述的图像检索设备，其中，在所述提取特征子单元中提取了多个特征的情况下，在所述确定互为k近邻关系子单元中，如果在所述多个特征中的一个特征的测度下一个图像为另一图像的k近邻，而在另一特征的测度下所述另一图像为所述一个图像的k近邻，则也确定这两个图像互为k近邻。
附记14.根据附记11所述的图像检索设备，其中，在所述选择超图像子单元中，对于所述数据库中的其中每两个图像均互为k近邻的每一组图像，基于所述每两个图像在所述一个或多个特征中的至少一个特征之间的距离的加权平均，计算所述每一组图像的视觉紧致度。
附记15.根据附记14所述的图像检索设备，其中，所述每两个图像在所述至少一个特征之间的距离的加权系数取决于所述每两个图像在该特征的测度下的互为k近邻关系。
附记16.根据附记15所述的图像检索设备，其中，若所述每两个图像在该特征的测度下互为k近邻，则所述加权系数最大，若所述每两个图像在该特征的测度下彼此均不是k近邻，则所述加权系数最小。
附记17.根据附记14所述的图像检索设备，其中，选择所述视觉紧致度最大的一组图像作为一个超图像，并且基于贪婪搜索算法，依次对于所述数据库中的除了被选择作为超图像之外的每组图像，按所述视觉紧致度的降序选择超图像，直到将所述数据库中的所有图像均选择为超图像为止。
附记18.根据附记10所述的图像检索设备，其中，超图像的图像特征包括多个特征分量，对于每个特征分量，选择所述超图像所包括的多个图像中的每个图像的该特征分量的最大值作为所述超图像的特征分量。
- 还没有人留言评论。精彩留言会获得点赞！