一种基于特征富集区域集合的图像检索方法技术

本发明专利技术公开了一种基于特征富集区域的图像检索方法，首先通过计算Hessian矩阵及非极大值抑制获得候选特征点集合，利用三维线性插值法得到亚像素级的特征点集合。根据得到图像特征点的坐标位置，计算特征点的分布矩阵和适应矩阵，利用最大子矩阵和算法求出适应矩阵的子矩阵，即特征点分布最密集的区域，作为图像的特征富集区域。对特征富集区域选择形状、纹理和颜色三个底层特征，最后根据高斯非线性距离函数进行相似性度量，按照相似度升序排列，实现图像的快速检索。本发明专利技术能有效降低图像检索计算复杂度，提高图像检索的运算效率和准确率。

【技术实现步骤摘要】

本专利技术属于图像检索
，主要涉及一种基于特征富集区域的图像检索方 法。
技术介绍
图像检索的研究最早可以追溯到二十世纪七十年代。早期的图像检索技术是基 于图像的文本标注，即基于文本的图像检索（Text-based Image Retrieval, TBIR)。到了 上个世纪90年代，大型图像数据库逐步成为主流，如果仍然沿用传统的方法，就会给图像 检索工作带来巨大的工作量。为了对大量的图像做出高效的处理，基于内容的图像检索技 术（Content Based Image Retrieval,CBIR)被研究者关注。区别于原有系统中TBIR对图 像进行人工标注的做法，基于内容的检索技术自动提取每幅图像的视觉内容特征作为其索 弓丨，如色彩、纹理、形状等。这样，除了文本标注外，用户还可以利用图像的视觉特征来实现 查询。由于利用图像本身的物理内容描述对象，而且特征的提取和索引的建立都可以使用 计算机自动实现，避免了人工标注的主观性，大大减少了工作量，很好地解决了基于文本检 索中存在的问题。 传统的图像检索系统一般是对整幅图像进行特征提取，与图像内容无关，通常人 们在判别图像的相似性时并非建立在图像低层视觉特征的相似上，而是建立在对图像所描 述的对象或事件的语义理解的基础上，正是由于人对图像相似性的判别依据与计算机对相 似性的判别依据之间的不同，所以会导致由于计算机获取图像的视觉信息与用户对图像理 解的语义信息的不一致性而产生的低层和高层检索需求间的鸿沟。 此外，图像中的不同区域的重要程度不同，而除图像主题内容之外的背景信息往 往占据图像的很大一部分，在提取特征的过程中对主要对象的特征造成影响，不仅会使得 图像检索算法计算复杂度高，运算效率低下，而且会导致检索结果准确性差等问题。
技术实现思路
本专利技术是为避免现技术所存在的不足之处，提出一种基于特征富集区域集合的图 像检索方法，以期能有效降低图像检索计算复杂度，提高图像检索的运算效率和准确率。 本专利技术为解决技术问题采用如下技术方案： 本专利技术，是利用检索图像E对存储在 数据库中的候选图像集IT tIt= 1，2，···，M}进行相似性匹配，并返回与所述检索图像E最 相似的J个候选图像作为图像检索结果；M表示所述候选图像的总数；其特点是：所述方法 按如下步骤进行： 步骤1、以所述检索图像E的任一顶点作为原点0,以与所述原点0相邻的两条边 分别作为X轴和Y轴，建立坐标系XOY ;在所述坐标系XOY中，将所述检索图像E转换为灰 度图像G，并利用式（1)获得所述灰度图像G的积分图像I :本文档来自技高网...

【技术保护点】
一种基于特征富集区域集合的图像检索方法，是利用检索图像E对存储在数据库中的候选图像集{Tt|t＝1,2,…,M}进行相似性匹配，并返回与所述检索图像E最相似的J个候选图像作为图像检索结果；M表示所述候选图像的总数；其特征是：所述方法按如下步骤进行：步骤1、以所述检索图像E的任一顶点作为原点O，以与所述原点O相邻的两条边分别作为X轴和Y轴，建立坐标系XOY；在所述坐标系XOY中，将所述检索图像E转换为灰度图像G，并利用式(1)获得所述灰度图像G的积分图像I：I(x,y)=Σ0≤i′≤x,0≤j′≤yG(i′,j′)---(1)]]>式(1)中，I(x,y)表示所述积分图像I中任一像素点p(x,y)的值，G(i',j')表示所述灰度图像G中位于坐标(i',j')上的像素值；式(1)表示所述积分图像I中像素点p(x,y)的值是从所述灰度图像G的原点O到像素点p(x,y)所构成的矩形区域内所有像素点的灰度值之和：步骤2、计算所述积分图像I的Hessian矩阵，获取所述积分图像I的特征点集合Fp；步骤2.1、利用高斯滤波器获得所述灰度图像G在不同尺度下的图像集合1≤τ≤n；στ表示第τ层的尺度值，从而构建n层图像金字塔；表示所述图像金字塔中尺度值为στ的第τ层图像；步骤2.2、利用式(2)计算所述第τ层图像中像素点p(x,y)的Hessian矩阵H(p,στ)：H(p,στ)=Lxx(p,στ)Lxy(p,στ)Lxy(p,στ)Lyy(p,στ)---(2)]]>式(2)中，Lxx(p,στ)、Lxy(p,στ)和Lyy(p,στ)分别表示所述第τ层图像与高斯二阶滤波器和的卷积；并有：g(x,y,στ)=12πστe-(x2+y2)2στ;]]>步骤2.3、并利用式(3)所示的Hessian矩阵H(p,στ)的判别式Det(H(p,στ))判断所述第τ层图像的像素点p(x,y)是否为极值点，将Det(H(p,στ))＞0时的像素点作为候选特征点Ak：Det(H(p,στ))＝Lxx(p,στ)Lyy(p,στ)‑Lxy(p,στ)2    (3)步骤2.4、遍历所述图像金字塔中的每一层图像中的每个像素点，并利用式(3)进行判断，从而获得候选特征点集合A＝{A1,A2,…,Ak,…,AK}；1≤k≤K，K表示所述候选特征点的个数；步骤2.5、定义所述第σ层图像中像素点p(x,y)的三维N阶邻域集合为U(p,τ)＝{Uτ‑1,Uτ,Uτ+1}；Uτ‑1表示在第τ‑1层图像中，与像素点p(x,y)对应的像素点p'(x,y)及其相邻的N2‑1个像素点的集合；Uτ+1表示在第τ+1层图像中，与像素点p(x,y)对应的像素点p″(x,y)及其相邻的N2‑1个像素点的集合；Uτ表示在第τ层图像中与像素点p(x,y)相邻的N2‑1个像素点的集合；步骤2.6、遍历所述候选特征点集合A中每个候选特征点，若任一候选特征点Ak的灰度值大于其三维N阶邻域集合中所有的3N2‑1像素点的灰度值或是小于其三维N阶邻域集合中所有的3N2‑1像素点的灰度值，则将候选特征点Ak作为特征点，从而获得特征点集合；步骤3、依据所述特征点集合，计算特征点分布矩阵C和适应矩阵B，从而获得所述检索图像E的特征富集区域集合1≤z≤Z，Z表示所述检索图像E的特征富集区域个数；步骤3.1、对所述检索图像E进行分块，获得W×H个子块构成的子块集合SUB＝{s11,s12,…,swh,…,sWH}；1≤w≤W；1≤h≤H；步骤3.2、定义特征点分布矩阵为C；所述特征点分布矩阵C中的元素C[w][h]为任一子块swh内包含的特征点的数量；步骤3.3、定义所述特征点分布矩阵C的适应因子d为所述特征点分布矩阵C中所有元素的平均值；将所述特征点分布矩阵C中的每一个元素减去所述适应因子d，从而获得适应矩阵B；步骤3.4、利用最大子矩阵和算法计算所述适应矩阵B的最大子矩阵，从而获得所述检索图像E的特征富集区域步骤3.5、判断所述特征富集区域中所包含的特征点的数量是否大于所述特征点分布矩阵C中所有特征点数量的50％；若大于，则获得所述检索图像E的特征富集区域集合否则，将所述特征富集区域加入所述特征富集区域集合FSRE，并将所述特征富集区域包含的特征点的数量置为0，并重复步骤3.4执行；步骤4、构建所述特征富集区域集合FSRE的特征向量集合F，所述特征向量集合F为所述特征富集区域集合FSRE的形状特征集合、纹理特征集合和颜色特征集合；步骤4.1、通过二阶和三阶归一...

【技术特征摘要】
1. 一种基于特征富集区域集合的图像检索方法，是利用检索图像E对存储在数据库中 的候选图像集{Tt|t = 1，2,…，M}进行相似性匹配，并返回与所述检索图像E最相似的J个 候选图像作为图像检索结果；M表示所述候选图像的总数；其特征是：所述方法按如下步骤 进行： 步骤1、以所述检索图像E的任一顶点作为原点0,以与所述原点O相邻的两条边分别 作为X轴和Y轴，建立坐标系XOY ;在所述坐标系XOY中，将所述检索图像E转换为灰度图 像G，并利用式（1)获得所述灰度图像G的积分图像I :式⑴中，I(x，y)表示所述积分图像I中任一像素点P(x，y)的值，G(i'，j'）表示所述 灰度图像G中位于坐标（i'，j'）上的像素值；式（1)表示所述积分图像I中像素点p (x，y) 的值是从所述灰度图像G的原点0到像素点p (x，y)所构成的矩形区域内所有像素点的灰 度值之和： 步骤2、计算所述积分图像I的Hessian矩阵，获取所述积分图像I的特征点集合Fp ; 步骤2. 1、利用高斯滤波器获得所述灰度图像G在不同尺度下的图像集合 0 =丨各，I，…，，{?,」+，1彡T彡n;0 T表示第T层的尺度值，从而构建n层图像 金字塔；G...表示所述图像金字塔中尺度值为〇 T的第T层图像； 步骤2. 2、利用式⑵计算所述第T层图像)?中像素点p(x，y)的Hessian矩阵 H(p, 〇 T)：式⑵中，Lxx (p, 〇 T)、Lxy (p, 〇 T)和Lyy (p, 〇 T)分别表示所述第T层图像步骤2. 3、并利用式⑶所示的Hessian矩阵H(p，〇 T)的判别式Det(H(p，〇 T))判断 所述第T层图像弘.的像素点p(x，y)是否为极值点，将Det(H(p，〇 T)) >0时的像素点作 为候选特征点Ak : Det (H(p, 〇 T)) = Lxx(p, 〇 T)Lyy(p, 〇 T)-Lxy(p, 〇 T)2 (3) 步骤2. 4、遍历所述图像金字塔中的每一层图像中的每个像素点，并利用式（3)进行判 断，从而获得候选特征点集合A= U11A2，…，Ak，…，AJ ;l<k<K，K表示所述候选特征点 的个数； 步骤2. 5、定义所述第。层图像Cl/中像素点p(x，y)的三维N阶邻域集合为U(p，T) ={U T U T，U T +1} ;U T 表示在第T -1层图像Cl.中，与像素点P (X，y)对应的像素点 P'（x，y)及其相邻的N2-I个像素点的集合；UT+1表示在第t+1层图像錢*^中，与像素点 P(x，y)对应的像素点P (x，y)及其相邻的N2-I个像素点的集合；Ut表示在第T层图像 Clf中与像素点P (X，y)相邻的N2-I个像素点的集合； 步骤2. 6、遍历所述候选特征点集合A中每个候选特征点，若任一候选特征点Ak的灰度 值大于其三维N阶邻域集合中所有的3N2-1像素点的灰度值或是小于其三维N阶邻域集合 中所有的3N2-1像素点的灰度值，则将候选特征点Ak作为特征点，从而获得特征点集合； 步骤3、依据所述特征点集合，计算特征点分布矩阵C和适应矩阵B，从而获得所述检索 图像E的特征富集区域集合= …; 1彡z彡Z，Z表示所述检索图 像E的特征富集区域个数； 步骤3. 1、对所述检索图像E进行分块，获得WXH个子块构成的子块集合SUB = {sn，S12，…，swh，…，SmJ ; I < w < W ; I < h < H ; 步骤3. 2、定义特征点分布矩阵为C ;所述特征点分布矩阵C中的元素 C[w] [h]为任一 子块swh内包含的特征点的数量； 步骤3. 3、定义所述特征点分布矩阵C的适应因子d为所述特征点分布矩阵C中所有元 素的平均值；将所述特征点分布矩阵C中的每一个元素减去所述适应因子d，从而获得适应 矩阵B ; 步骤3. 4、利用最大子矩阵和算法计算所述适应矩阵B的最大子矩阵，从而获得所述检 索图像E的特征富集区域If! 步骤3. 5、判断所述特征富集区域一 = l,2^s^中所包含的特征点的数量是否大 于所述特征点分布矩阵C中所有特征点数量的50 %;若大于，则获得所述检索图像E的特征 富集区域集合烈心=丨…否则,将所述特征富集区域< 加入所述特征富集区 域集合FSRe，并将所述特征富集区域^包含的特征点的数量置为0,并...

【专利技术属性】
技术研发人员：薛峰，顾靖，董浩，贾伟，罗月童，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34