基于共生SURF特征的图像检索方法技术

本发明专利技术公开一种计算机图像处理和模式识别技术领域的基于共生SURF特征的图像检索方法，首先对数据库图像和待检索图像分别检测局部特征，在每幅图像中提取共生SURF特征，然后分别对数据库图像和待检索图像中提取到的共生SURF特征进行量化，生成共生视觉词组，接着根据数据库图像中的共生视觉词组创建多维倒排索引，并在倒排索引中利用待检索图像的共生视觉词组进行相似性搜索，查找出候选数据库图像，最后在待检索图像和候选数据库图像之间判断主方向一致性，给出最终的图像检索结果。本发明专利技术在保证检索效率的情况下，提高了检索准确率。

【技术实现步骤摘要】
基于共生SURF特征的图像检索方法
本专利技术主要涉及计算机图像处理和模式识别
，具体是一种基于共生SURF特征的图像检索方法。
技术介绍
在当前信息时代，图像的采集、获取和传输更加快捷方便，图像的内容更加丰富多样，图像的数量也呈现爆炸式地增长，从而引发了人们越来越关注海量图像的存储、组织和搜索问题。在现实生活中，如何在海量的图像中快速准确地查询到最有用的信息，成为人们研究的热点之一。图像检索技术是指根据文本信息或图像内容信息，在大规模图像库中进行搜索并查找出符合要求的相关图像。图像检索技术分为基于文本的检索方法和基于内容的检索方法。传统的图像检索技术通常是基于文本的检索方法，它采用文字的形式，从图像名称、尺寸、作者等方面描述图像，通过关键词的形式查询图像。与基于文本的检索方法相比，基于内容的检索方法对图像的内容进行客观分析和描述，在早期大多采用颜色、纹理、形状等全局特征进行相似性搜索，如今逐渐被SIFT、SURF等局部特征所取代，并在视觉词袋模型的框架下进行相似性搜索。由于SIFT、SURF等局部特征具有更好的唯一性、不变性和鲁棒性，因此基于局部特征的检索方法更能适应图像背景混杂、局部遮挡、光线变化等各种情况，并在基于内容的图像检索技术中得到广泛应用。经对现有技术的文献检索发现，Bay等在文献“SURF:Speededuprobustfeatures”中首次提出如何在图像中提取SURF特征，并且SURF特征具有平移、旋转和尺度不变性。Sivic等在文献“VideoGoogle:Atextretrievalapproachtoobjectmatchinginvideos”中将SIFT、SURF等局部特征引入图像检索，并提出基于视觉词袋模型的检索框架，但是视觉词袋模型在特征提取时没有考虑局部特征在图像中的空间关系。张一萌等在文献“Imageretrievalwithgeometry-preservingvisualphrases”中研究了局部特征在图像中的空间关系，并将空间关系应用于图像检索，但是该空间关系只能保证平移不变性，并且在提取到局部特征后才组织空间关系，增加了检索过程中的计算量。进一步检索发现，钟桦等在专利“一种基于角点描述子的图像检索方法”(申请号：CN201710388212.5，公开日：2017年10月13日)中通过提取图像中角点的局部邻域特征和空间位置实现角点匹配，但是该检索方法没有研究角点描述子在图像中的空间关系。汪友生等在专利“基于改进SURF特征的视觉词袋模型构建方法”(申请号：CN201510927757.X，公开日：2016年5月4日)中通过使用渐变信息的盒子滤波对SURF特征进行改进，并将其应用于图像检索。但是该方法以单个SURF特征为主，没有研究多个SURF特征在图像中的空间关系。
技术实现思路
本专利技术针对现有技术存在的上述不足，提供一种基于共生SURF特征的图像检索方法，通过在特征检测过程中创建共生SURF特征的方式，在图像中组织局部特征的空间关系，使共生SURF特征包含的空间关系具有平移、旋转和尺度不变性，进而可以利用此空间关系判断待检索图像和数据库图像之间的空间相似度，将图像之间矢量度量的方式转变为空间关系度量的方式，最终在保证检索效率的同时，提高了检索准确率。本专利技术是通过以下技术方案来实现的，本专利技术具体为：首先对数据库图像和待检索图像分别检测局部特征，在每幅图像中提取共生SURF特征；然后分别对数据库图像和待检索图像中提取到的共生SURF特征进行量化，生成共生视觉词组；接着根据数据库图像中的共生视觉词组创建多维倒排索引，并在倒排索引中利用待检索图像的共生视觉词组进行相似性搜索，查找出候选数据库图像；最后在待检索图像和候选数据库图像之间判断主方向一致性，给出最终的图像检索结果。所述的对数据库图像和待检索图像分别检测局部特征是指：在离线处理过程，对图像库中的数据库图像提取共生SURF特征，在在线处理过程，对待检索图像提取共生SURF特征。进一步的，所述的对数据库图像和待检索图像分别检测局部特征的步骤包括：1)在离线处理过程，对于图像库I＝(I1,I2,…Ii…,IN)中的数据库图像Ii，提取到的共生SURF特征为其中是图像Ii中第l组共生SURF特征，mi是图像Ii中共生SURF特征的数量，进而图像库I中提取到的所有共生特征表示为P＝(P1,P2,…Pi…,PN)，其中N为数据库图像的数量；2)在在线处理过程，对于待检索图像，提取到的共生SURF特征为其中Dr是待检索图像中第r组共生SURF特征，nq是待检索图像中共生SURF特征的数量。所述的对每幅图像提取共生SURF特征是指：在对每幅图像进行局部特征检测时，提取到的共生SURF特征由主要特征和附属特征两部分组成，主要特征由快速海森检测子(FastHessiandetector)在图像中检测得到，而附属特征基于主要特征的空间坐标和主方向进行创建。进一步的，对每幅图像提取共生SURF特征，包括提取主要特征和附属特征两个步骤，其中：i.主要特征p由快速海森检测子在图像中检测得到，并表示为p(x,y,σ,θ)，其中(x,y)为特征p在图像中的空间坐标，σ为特征尺度，θ为特征主方向；ii.在主要特征p的基础上，依次生成多个附属特征。对于第一附属特征p1，从特征p的空间坐标(x,y)出发，沿着主方向θ平移距离nσ，就可以确定特征p1的空间坐标(x1,y1)，其中x1和y1分别计算为：x1＝x+nσcosθ，y1＝y+nσsinθ，为了生成特征p1的描述向量，使特征p1的尺度和主方向与特征p的相同，进而特征p1表示为p1(x1,y1,σ,θ)，与特征p1的创建过程类似，剩余的附属特征通过旋转特征p的主方向θ进行创建，设主方向θ旋转的角度为则可以创建的附属特征的总数na为：在生成na个附属特征后，一组共生SURF特征表示为所述的分别对数据库图像和待检索图像中提取到的共生SURF特征进行量化，生成共生视觉词组是指：对数据库图像中提取到的SURF特征进行聚类，基于聚类中心创建视觉词典，分别对数据库图像和待检索图像中的共生SURF特征统一量化，将共生SURF特征转换为共生视觉词组。进一步的，所述的分别对数据库图像和待检索图像中提取到的共生SURF特征进行量化，生成共生视觉词组的步骤包括：I.在离线处理过程，基于图像库中的共生SURF特征P＝(P1,P2,…Pi…,PN)，抽取其中全部主要特征，采用近似k-means算法进行聚类，并根据聚类中心创建视觉词典；II.基于视觉词典将数据库图像Ii中的共生SURF特征依次量化，表示为共生视觉词组其中vj为图像Ii中的共生视觉词组，为主要特征量化后的视觉单词，为第z个附属特征量化后的视觉单词，na为附属特征的数量，K为视觉词典中视觉单词的总数；III.在在线处理过程，基于视觉词典将待检索图像D中的共生SURF特征依次量化，表示为共生视觉词组其中vt为待检索图像D中的共生视觉词组，为主要特征量化后的视觉单词，为第z个附属特征量化后的视觉单词。所述的根据数据库图像中的共生视觉词组创建多维倒排索引，并在倒排索引中利用待检索图像的共生视觉词组进行相似性搜索，查找出候选数据库图像是指：在共生视觉本文档来自技高网...

【技术保护点】
1.基于共生SURF特征的图像检索方法，其特征在于，包括如下步骤：步骤一、对数据库图像和待检索图像分别检测局部特征，在每幅图像中提取共生SURF特征；步骤二、分别对数据库图像和待检索图像中提取到的共生SURF特征进行量化，生成共生视觉词组；步骤三、接着根据数据库图像中的共生视觉词组创建多维倒排索引，并在倒排索引中利用待检索图像的共生视觉词组进行相似性搜索，查找出候选数据库图像；步骤四、在待检索图像和候选数据库图像之间判断主方向一致性，给出最终的图像检索结果。

【技术特征摘要】
1.基于共生SURF特征的图像检索方法，其特征在于，包括如下步骤：步骤一、对数据库图像和待检索图像分别检测局部特征，在每幅图像中提取共生SURF特征；步骤二、分别对数据库图像和待检索图像中提取到的共生SURF特征进行量化，生成共生视觉词组；步骤三、接着根据数据库图像中的共生视觉词组创建多维倒排索引，并在倒排索引中利用待检索图像的共生视觉词组进行相似性搜索，查找出候选数据库图像；步骤四、在待检索图像和候选数据库图像之间判断主方向一致性，给出最终的图像检索结果。2.如权利要求1所述的基于共生SURF特征的图像检索方法，其特征在于，步骤一中，在离线处理过程，对图像库中的数据库图像提取共生SURF特征，在在线处理过程，对待检索图像提取共生SURF特征，具体步骤包括：1)在离线处理过程，对于图像库I＝(I1,I2,…Ii…,IN)中的数据库图像Ii，提取到的共生SURF特征为其中Pil是图像Ii中第l组共生SURF特征，mi是图像Ii中共生SURF特征的数量，进而图像库I中提取到的所有共生特征表示为P＝(P1,P2,…Pi…,PN)，其中N为数据库图像的数量；2)在在线处理过程，对于待检索图像，提取到的共生SURF特征为其中Dr是待检索图像中第r组共生SURF特征，nq是待检索图像中共生SURF特征的数量。3.如权利要求1或2所述的基于共生SURF特征的图像检索方法，其特征在于，步骤一中，在对每幅图像进行局部特征检测时，提取到的共生SURF特征由主要特征和附属特征两部分组成，主要特征由快速海森检测子(FastHessiandetector)在图像中检测得到，而附属特征基于主要特征的空间坐标和主方向进行创建，具体步骤如下：1)主要特征p由快速海森检测子在图像中检测得到，并表示为p(x,y,σ,θ)，其中(x,y)为特征p在图像中的空间坐标，σ为特征尺度，θ为特征主方向；2)在主要特征p的基础上，依次生成多个附属特征，对于第一附属特征p1，从特征p的空间坐标(x,y)出发，沿着主方向θ平移距离nσ，就可以确定特征p1的空间坐标(x1,y1)，其中x1和y1分别计算为：x1＝x+nσcosθ，y1＝y+nσsinθ，为了生成特征p1的描述向量，使特征p1的尺度和主方向与特征p的相同，进而特征p1表示为p1(x1,y1,σ,θ)，与特征p1的创建过程类似，剩余的附属特征通过旋转特征p的主方向θ进行创建，设主方向θ旋转的角度为则可以创建的附属特征的总数na为：在生成na个附属特征后，一组共生SURF特征表示为4.如权利要求1所述的基于共生SURF特征的图像检索方法，其特征在于，步骤二中，对数据库图像中提取到的SURF特征进行聚类，基于聚类中心创建视觉词典，分别对数据库图像和待检索图像中的共生SURF特征统一量化，将共生SURF特征转换为共生视觉词组，具体步骤包括：1)在离线处理过程，基于图像库中的共生SURF特征P＝(P1,P2,…Pi…,PN)，抽取其中全部主要特征，采用近似k-means算法进行聚类，并根据聚类中心创建视觉词典；2)基于视觉词典将数据库图像Ii中的共生SURF特征依次量化，表示为共生视觉词组其中vj为图像Ii中的共生视觉词组，为主要特征量化后的视觉单词，为第z个附属特征量化后的视觉单词，na为附属特征的数量，K为视觉词典中视觉单词的总数；3)在在线处理过程，基于视觉词典将待检索图像D中的共生SURF特征依次量化，表示为共生视觉词组其中vt为待检索图像D中的共生视觉词组，为主要特征量化后的视觉单词，为第z个附属特征量化后的视觉单词。5.如权利要求1所述的基于共生SURF特征的图像检索方法，其特征在于，步骤三中，在共生视觉词组的基础上，待检索图像和数据库图像分别表示为共生视觉词组袋的形式，如果图像之间的共生SURF特征通过...

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