一种基于认知特征和流形排序的图像检索方法与流程

本发明涉及计算机视觉中图像检索技术领域，特别涉及一种基于认知特征和流形排序的图像检索方法。

背景技术：

随着视觉图像在互联网和移动终端的急速增长，以及其潜在的巨大商业价值，使得图像检索一直是计算机视觉领域的研究热点。而图像数据的海量性、复杂性和多样性也给视觉图像的实时处理带来了挑战，高效且精确的图像检索系统是目前急需解决的问题。目前基于内容的图像检索系统旨在以图像自身的视觉属性为特征进行图像之间的相似性学习，其中图像特征提取和相似性度量方法是影响检索系统性能的主要因素。然而，目前这些检索系统中特征提取和相似性度量学习都是独立进行的，即通过图像内容学习视觉特征，然后再根据该特征进行度量学习，以此构建图像检索模型。而且在图像检索中，图像特征的区分性和可解释性仍存在不足。通过人脑视觉认知机制的启发，可以模拟分析图像内容的认知过程，图像特征和相似性排序能够融合成整体。

本领域中存在对图像检索框架中特征提取和相似性排序的兼容性分析的需要。

技术实现要素：

本发明的目的是：为解决上述现有技术中存在的问题，提供一种基于认知特征和流形排序的图像检索框架。

为达到上述目的，本发明采用的技术方案是：提供了一种基于认知特征和流形排序的图像检索框架，具体包括以下步骤：

步骤100：数据模块收集数据库中的图像样本，查询图像是用户输入的已知图像样本；

步骤200：图像特征提取模块分别提取查询图像和数据库中所有图像的视觉特征向量；

步骤300：流形排序模块利用流形排序算法计算数据库图像样本特征向量与查询样本的相似性得分；

步骤400：将流形排序模块得到的相似性得分进行由大到小排序；

步骤500：输出模块将排序模块得到的前n幅图像输出，n为用户设定的检索返回数目。

所述步骤200中图像特征提取方法包括以下子步骤：

步骤210：将原图像的rgb颜色空间转化到hsv颜色空间；

步骤220：分别计算图像中每个像素点位置的量化颜色值和梯度方向值，其中每一像素点的量化颜色值取值范围是0～71，梯度方向值取值范围是0～11；

步骤230：利用3*3d大小的模块检测图像，依次滑动模块，检测图像中除边界区域外的所有像素点，比较中心像素点与周围8个邻居之间视觉属性是否相同；

步骤240：选择中心像素点与邻居存在相似量化颜色值或量化梯度方向值的区域，分别得到原始图像的颜色和梯度感知一致区域；

步骤250：对检测的图像区域进行特征统计，分别计算颜色和梯度区域图中的颜色差分特征，将hsv颜色空间转化成笛卡尔坐标系统h's'v'，h'＝s*cos(h)，s'＝s*sin(h)和v'＝v。其计算公式为：

其中

在公式(1)中，表示颜色差分特征向量，tk(k＝1,2)表示像素点的基础属性，其中t1表示颜色值，t2表示梯度方向值。gc表示中心像素点，gi表示该点的邻居像素点，在计算过程中需要对图像感知一致区域中所有有效像素点进行遍历。公式(2)中δi(gc,gi)表示邻居点gi与gc是否具有相同的基础属性tk。公式(3)中di表示邻居点gi与gc的颜色差分。表示图像中基础属性为tk的中心像素点gc。

步骤260：对检测的图像区域进行特征统计，分别计算颜色和梯度区域图中的基元频率特征。其计算公式为：

公式(4)中的表示图像的基元频率特征。其中n表示图像感知一致区域中的所有有效像素点的个数。

步骤270：联合步骤250和步骤260中得到的颜色差分特征和基元频率特征，得到描述一致性区域的特征向量为：

公式(5)中h¹和h²分别表示颜色和梯度方向感知一致性特征。

步骤280：通过设定权值拼接，联合颜色和梯度方向感知一致性特征，计算公式为：

h＝[β1·h¹β2·h²](6)

公式(6)中β1和β2分别表示颜色和梯度方向特征所占的权重系数。

所述步骤300中流形排序模块，包括以下步骤：

步骤310：将查询样本q和数据库中所有图像h作为节点构建近邻图矩阵，利用l1距离查找每个样本的k最近邻，以高斯核函数作为近邻样本的权重，计算近邻图矩阵w。

步骤320：将矩阵w进行对称标准化，计算公式为：

s＝d^-1/2wd^-1/2(7)公式(7)中矩阵d是对角矩阵，d＝∑jwij。

步骤330：假设数据库样本的初始相似性得分为y0，选择l1距离度量下的前p个图像作为种子节点其对应的相似性得分和近邻矩阵分别为和

步骤340：将样本的初始得分进行迭代传播直到收敛；或者利用公式(8)直接求其收敛解f^*：

其中i表示单位矩阵，参数α∈(0,1)。

步骤350：将种子节点得分f^*嵌入到整体数据库样本中得到ft；

步骤360：将上步中的得分ft在数据库中进行一次传播ft+1＝αsft+(1-α)y0；

步骤370：对ft+1进行由大到小排序，选择前p个样本作为新的种子节点，重复步骤340-370，直到种子节点不再变化；

所述步骤400中排序模块，包括以下步骤：

步骤410：将流形排序输出的相似性得分进行由大到小排序；

步骤420：输出前n个得分最高的样本节点对应的图像；

所述数据模块包括：图像数据库和用户给定的单个图像。

本发明的有益效果是：本发明提供了一种新的图像特征提取方法，可以提取出图像内容的全局特征，提高了图像内容的区分度，而且能够有效保持图像潜在的流形结构。利用流形排序算法计算数据库样本与查询图像之间的相似性得分，能够有效地利用数据库样本之间的流形结构，而且选择少量种子节点进行优化排序也得降低算法时间复杂度。最终形成的图像检索框架可以有效地提高图像检索任务的精度。

附图说明

图1是本发明的基于认知特征和流形排序的图像检索方法流程图。

图2是本发明实施基于认知特征和流行排序图像检索方法流程图样例。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图2所示，本实施例方法，包括：

步骤201：给定图像检索系统所需的图像数据库样本集，让用户指定输入所需检索的单幅查询图像样本；

步骤202：对于查询图像和数据库图像集，分别检测每幅图像的感知一致性区域；

步骤203：针对每幅图像检测出的感知一致性区域，分别提取颜色差分特征和基元频率特征，并利用权值拼接联合这两种特征得到最终的图像特征向量；

步骤204：利用图像数据库中图像特征向量计算近邻矩阵w，并将矩阵w进行对称标准化，s＝d^-1/2wd^-1/2，其中矩阵d是对角矩阵，d＝∑jwij；

步骤205：利用流行排序算法计算数据库样本与查询图像之间的相似性得分值；

步骤206：对计算得到的相似性得分值进行由大到小排序，得分越高表示该样本与查询图像的相似性程度越高；

步骤207：用户设定好所需输出的检索图像数目n，然后按照排序好的数据库样本输出前n幅图像作为用户所需的检索结果。

本实施例，通过提取图像的视觉认知特征，并且将该特征与流形排序算法结合，以此计算数据库样本与查询图像之间的相似性程度，明显提高了图像检索的准确率。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。