基于自适应矩形窗口的图像检索方法技术

本发明专利技术公开了一种基于自适应矩形窗口的图像检索方法，具体包括如下步骤：步骤A、对数据库图像提取局部不变特征，并对每幅数据库图像中的特征描述子的空间坐标采用G‑means方法进行聚类；步骤B、在每幅数据库图像中根据G‑means聚类的类别创建自适应矩形窗口，并移除稀疏的矩形窗口、合并矩形窗口以及移除小矩形窗口；步骤C、将数据库图像中的自适应矩形窗口分别矢量化，创建自适应窗口矢量，并基于窗口矢量创建倒排索引；步骤D、将待检索目标区域矢量化，并在倒排索引中进行相似性搜索，给出最终的检索结果。与现有技术相比，本发明专利技术在保证检索效率的同时，提高了检索准确率。

Image retrieval method based on adaptive rectangular window

The invention discloses an image retrieval method based on adaptive rectangular window, and includes the following steps: step A, the database image local invariant feature extraction, and space coordinates of each feature descriptor in the image database using G means clustering method; step B, in each image in the database based on G means clustering categories create adaptive rectangle window, rectangular window, and remove the sparse with rectangular window and remove small rectangular windows; step C, the adaptive rectangular window in the image database vector, creating adaptive window vector, and window based vector to create inverted index; step D, the retrieval target vector area, and similarity search in an inverted index, gives the final retrieval results. Compared with the prior art, the invention improves the retrieval accuracy while ensuring the retrieval efficiency.

【技术实现步骤摘要】
基于自适应矩形窗口的图像检索方法
本专利技术属于信息处理
，具体涉及一种基于自适应矩形窗口的图像检索方法。
技术介绍
随着互联网技术的快速发展和数码产品的大规模普及，图像的获取更加简捷方便，图像的数量呈现爆炸性的增长，从而对图像的存储、搜索和组织提出了巨大的挑战和考验。在现实生活中，如何在大规模图像库中快速准确地获取最有用的信息，成为人们关注和研究的焦点之一。图像检索技术是指根据查询图像内容信息或者指定查询标准，在图像库中进行搜索并查找出符合条件的相关图像。传统的图像检索技术大多采用基于文本的检索方法，它沿用了传统的文本检索技术，从图像名称、尺寸、压缩类型、作者、年代等方面描述图像，通过关键词的形式查询图像。基于文本的图像检索技术，不能对图像底层特征进行客观分析和描述，逐渐被基于内容的图像检索技术所取代。基于内容的图像检索技术，早期大多采用颜色、纹理、形状等全局特征进行相似性搜索，但是这些特征对于光照、遮挡以及几何形变等不具有稳健性，因此逐渐被SIFT、SURF等局部不变性特征描述子所取代。与传统的全局特征相比，图像的局部不变性特征具有更好的唯一性、不变性和鲁棒性，能够适应图像背景混杂、局部遮挡、光线变化等各种情况，因此广泛应用在基于内容的图像检索技术中。基于目标的图像检索是基于内容的图像检索重要的组成部分。在待检索图像中选取感兴趣的目标区域后，基于目标的图像检索系统从图像库中查询到包含相同目标区域的数据库图像并将其作为检索结果，即使这些数据库图像在全局内容上不同于待检索图像。经对现有技术的文献检索发现，AndrewZisserman等在专利“ObjectRetrieval”(美国专利号为US2005/0225678A1，公开日期为2005年12月13日)中提供了用户在图像中自定义选取感兴趣的目标区域进行检索的方法。在该方法中，首先采用SIFT描述子描述局部不变特征，然后采用K-means方法对所有的SIFT描述子进行聚类，创建视觉词典，接着进行数据库图像矢量化，并根据图像矢量的稀疏性创建倒排索引，进行相似性搜索。在对数据库图像进行矢量化的过程中，每幅图像仅仅通过一个图像矢量进行表示，矢量中包含与待检索目标区域无关的内容信息，从而降低了待检索目标区域和数据库图像之间的相似性，同时在单一的图像矢量中没有描述出SIFT描述子之间的空间信息。进一步检索发现，DavidNister等在专利“ScalableObjectRecognitionUsingHierarchicalQuantizationwithaVocabularyTree”(美国专利号为US7725484B2，公开日期为2010年5月25日)中提供了一种图像检索方法。该方法在K-Means聚类的基础上引入了分层的概念，虽然降低了传统K-Means聚类的时间，但是仍然将每幅数据库图像表示为单一图像矢量，同样降低了待检索目标区域和数据库图像之间的相似性，进而降低了检索准确率。
技术实现思路
本专利技术的目的是提供一种基于自适应矩形窗口的图像检索方法，通过在数据库图像中根据局部不变特征的空间分布自动生成大小不一的矩形窗口，从而恰当地描述数据库图像中的局部区域信息，以提高待检索目标区域和数据库图像的内容相似度，避免数据库图像中内容无关区域的影响，最终在保证检索效率的同时提高检索准确率。实现本专利技术目的的技术方案是：一种基于自适应矩形窗口的图像检索方法，具体包括如下步骤：步骤A、对数据库图像提取局部不变特征，并对每幅数据库图像中的特征描述子的空间坐标采用G-means方法进行聚类；步骤B、在每幅数据库图像中根据G-means聚类的类别创建自适应矩形窗口，并移除稀疏的矩形窗口、合并矩形窗口以及移除小矩形窗口；步骤C、将数据库图像中的自适应矩形窗口分别矢量化，创建自适应窗口矢量，并基于窗口矢量创建倒排索引；步骤D、将待检索目标区域矢量化，并在倒排索引中进行相似性搜索，给出最终的检索结果。在步骤A中，对数据库图像提取局部不变特征包括如下步骤：A－1、在每幅数据库图像中采用快速海森检测子进行特征点检测；A－2、通过SURF描述子对各个特征点进行描述，具体为在数据库图像Ii中，提取到的SURF描述子表示为其中：是图像Ii中第r个描述子，维数为128维，ni是图像Ii中SIFT描述子的个数。在步骤A中，对每幅数据库图像中的局部特征空间坐标采用G-means方法进行聚类包括如下步骤：A――1、在聚类类别总数未知的情况下，先假设图像中的特征点满足高斯分布，并对每幅图像中的特征点坐标进行聚类；A――2、在数据库图像Ii中随机选择k个SURF描述子的二维空间坐标作为聚类中心C＝(c1,c2,…,ck)；A――3、根据聚类中心C创建随机kd树，采用随机kd树对SURF描述子的空间坐标进行近似最近邻搜索，将每个SURF描述子根据空间近邻关系划分到对应的类别中；A――4、采用Anderson-Darling统计检验每个聚类类别中的空间坐标是否满足高斯分布，如果满足高斯分布，就保留该聚类类别；如果不满足高斯分布，就将该聚类类别划分为两类并确定对应的聚类中心；A――5、基于新的聚类中心，重复步骤A――3至A――4，直到所有类别中的空间坐标都满足高斯分布为止，在聚类类别不再发生变化后，确定类别总数k。在步骤B中，创建自适应矩形窗口的具体包括如下步骤：步骤B－1、在类别Cj中，计算特征点pi,j与其聚类中心cj的距离di,j＝||pi,j-cj||，进而计算类别Cj中所有的特征点和聚类中心cj之间的平均距离其中：mj为类别Cj中特征点的数量；步骤B－2、对于类别Cj中的特征点pi,j，如果其中λ为设定的阈值，就将特征点pi,j从类别Cj中滤除；步骤B－3、在剩余特征点集合中，基于剩余特征点的空间坐标创建矩形窗口Rj，其宽度wj和长度hj分别计算为：其中m′j为类别Cj中剩余特征点的数量。在步骤B中，移除稀疏的矩形窗口包括以下步骤：B――1、对于数据库图像Ii第j个矩形窗口Rj，计算内部特征点密度其中：aj为矩形窗口Rj的面积；B――2、对于矩形窗口Rj中的特征点密度如果其中：Tm为设定的特征点密度阈值，矩形窗口Rj就看作稀疏的矩形窗口，并从数据库图像中滤除。在步骤B中，合并矩形窗口包括以下步骤：B―――1、在垂直方向上，依次将空间近邻的两个矩形窗口Rs和Rt进行合并，合并后新的矩形窗口为Vl，其宽度wl和长度hl分别计算为：B―――2、如果合并后的矩形窗口Vl的长度hl满足条件：hl≥0.5×hI，其中hI为数据库图像Ii的长度，则停止垂直方向矩形窗口的合并，以保证合并后的矩形窗口Vl在垂直方向具有空间局部性；B―――3、在垂直方向合并后，在水平方向上，依次将空间近邻的两个矩形窗口Vs和Vt合并为新的矩形窗口Wl，其宽度wl和长度hl分别计算为：B―――4、如果合并后的矩形窗口Wl的宽度wl满足条件：wl≥0.5×wI，其中wI为数据库图像Ii的宽度，则停止水平方向矩形窗口的合并，以保证合并后的矩形窗口Wl在水平方向具有空间局部性。在步骤B中，移除矩形窗口包括以下步骤：B――――1、在数据库图像Ii中，计算矩形窗口Wl的面积al＝wl×hl，其中：al为矩形窗口Wl的面积；B――――本文档来自技高网...

【技术保护点】
一种基于自适应矩形窗口的图像检索方法，其特征在于：具体包括如下步骤：步骤A、对数据库图像提取局部不变特征，并对每幅数据库图像中的特征描述子的空间坐标采用G‑means方法进行聚类；步骤B、在每幅数据库图像中根据G‑means聚类的类别创建自适应矩形窗口，并移除稀疏的矩形窗口、合并矩形窗口以及移除小矩形窗口；步骤C、将数据库图像中的自适应矩形窗口分别矢量化，创建自适应窗口矢量，并基于窗口矢量创建倒排索引；步骤D、将待检索目标区域矢量化，并在倒排索引中进行相似性搜索，给出最终的检索结果。

【技术特征摘要】
1.一种基于自适应矩形窗口的图像检索方法，其特征在于：具体包括如下步骤：步骤A、对数据库图像提取局部不变特征，并对每幅数据库图像中的特征描述子的空间坐标采用G-means方法进行聚类；步骤B、在每幅数据库图像中根据G-means聚类的类别创建自适应矩形窗口，并移除稀疏的矩形窗口、合并矩形窗口以及移除小矩形窗口；步骤C、将数据库图像中的自适应矩形窗口分别矢量化，创建自适应窗口矢量，并基于窗口矢量创建倒排索引；步骤D、将待检索目标区域矢量化，并在倒排索引中进行相似性搜索，给出最终的检索结果。2.根据权利要求1所述的基于自适应矩形窗口的图像检索方法，其特征在于：在步骤A中，对数据库图像提取局部不变特征包括如下步骤：A－1、在每幅数据库图像中采用快速海森检测子进行特征点检测；A－2、通过SURF描述子对各个特征点进行描述，具体为在数据库图像Ii中，提取到的SURF描述子表示为其中：是图像Ii中第r个描述子，维数为128维，ni是图像Ii中SIFT描述子的个数。3.根据权利要求2所述的基于自适应矩形窗口的图像检索方法，其特征在于：在步骤A中，对每幅数据库图像中的局部特征空间坐标采用G-means方法进行聚类包括如下步骤：A――1、在聚类类别总数未知的情况下，先假设图像中的特征点满足高斯分布，并对每幅图像中的特征点坐标进行聚类；A――2、在数据库图像Ii中随机选择k个SURF描述子的二维空间坐标作为聚类中心C＝(c1,c2,…,ck)；A――3、根据聚类中心C创建随机kd树，采用随机kd树对SURF描述子的空间坐标进行近似最近邻搜索，将每个SURF描述子根据空间近邻关系划分到对应的类别中；A――4、采用Anderson-Darling统计检验每个聚类类别中的空间坐标是否满足高斯分布，如果满足高斯分布，就保留该聚类类别；如果不满足高斯分布，就将该聚类类别划分为两类并确定对应的聚类中心；A――5、基于新的聚类中心，重复步骤A――3至A――4，直到所有类别中的空间坐标都满足高斯分布为止，在聚类类别不再发生变化后，确定类别总数k。4.根据权利要求3所述的基于自适应矩形窗口的图像检索方法，其特征在于：在步骤B中，创建自适应矩形窗口包括如下步骤：步骤B－1、在类别Cj中，计算特征点pi,j与其聚类中心cj的距离di,j＝||pi,j-cj||，进而计算类别Cj中所有的特征点和聚类中心cj之间的平均距离其中：mj为类别Cj中特征点的数量；步骤B－2、对于类别Cj中的特征点pi,j，如果其中λ为设定的阈值，就将特征点pi,j从类别Cj中滤除；步骤B－3、在剩余特征点集合中，基于剩余特征点的空间坐标创建矩形窗口Rj，其宽度wj和长度hj分别计算为：其中mj′为类别Cj中剩余特征点的数量。5.根据权利要求4所述的基于自适应矩形窗口的图像检索方法，其特征在于：在步骤B中，移除稀疏的矩形窗口包括以下步骤：B――1、对于数据库图像Ii第j个矩形窗口Rj，计算内部特征点密度其中：aj为矩形窗口Rj的面积；B――2、对于矩形窗口Rj中的特征点密度如果其中：Tm为设定的特征点密度阈值，矩形窗口Rj就看作稀疏的矩形窗口，并从数据库图像中滤除。6.根据权利要求4所述的基于自适应矩形窗口的图像...

【专利技术属性】
技术研发人员：冯德瀛，赵颖，刘从新，孙哲，
申请(专利权)人：聊城大学，
类型：发明
国别省市：山东,37