一种图像局部特征对整体特征贡献度的评估方法及系统技术方案

本发明专利技术涉及机器学习技术领域，公开了一种图像局部特征对整体特征贡献度的评估方法，所述方法包括：构建一具有整体特征的第一图像样本集，并构建不具有一局部特征的第二图像样本集；分别获取所述第一图像样本集对应的第一特征向量组，以及所述第二图像样本集对应的第二特征向量组；计算所述第一特征向量组和第二特征向量组的相关性；分别获取对应的第一聚类中心和第二聚中心，并计算所述第一聚类中心和第二聚中心之间的余弦距离；获取所述局部特征对整体特征贡献度。相应的，本发明专利技术还公开了一种图像局部特征对整体特征贡献度的评估系统。本发明专利技术通过综合评价局部特征对整体特征贡献度，可以定量地衡量局部特征的重要性。

【技术实现步骤摘要】
一种图像局部特征对整体特征贡献度的评估方法及系统
本专利技术涉及机器学习
，尤其涉及一种图像局部特征对整体特征贡献度的评估方法及系统。
技术介绍
在图像检测和图像识别的
中，图像的特征至关重要。图像的整体特征是指图像的整体属性，包括颜色特征、纹理特征、形状特征、直方图等。图像局部特征反映图像局部的特殊性，局部特征数量丰富，特征间相关度小，不容易受到部分遮挡、光照等噪声的干扰，因此不会因为部分特征的消失而影响其他特征的检测和匹配。公布号为CN109447173A的专利申请，公布了一种基于图像全局特征和局部特征的图像匹配方法，该方法基于图像尺度空间对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征，并利用深度学习的图像分类方法，创造性的设计了局部特征压缩法和索引算法，成功的将局部特征集成到框架中，形成了基于图像和视频内容识别的指纹技术。因此，如何评估图像的局部特征对整体特征的贡献度，以及从众多局部特征中找到重要的特征，成为有必要解决的技术问题。
技术实现思路
本专利技术的目的在于提供一种图像的局部特征对整体特征的贡献度的评估方法及系统，获取了各个局部特征对整体特征的贡献度，进而找到各个局部特征中的重要特征。为实现上述目的，本专利技术提供了一种图像局部特征对整体特征贡献度的评估方法，所述方法包括：构建一具有整体特征的第一图像样本集，并构建不具有一局部特征的第二图像样本集；分别对所述第一图像样本集和第二图像样本集中的每一个图像进行特征提取，获取所述第一图像样本集对应的第一特征向量组，以及所述第二图像样本集对应的第二特征向量组；计算所述第一特征向量组和第二特征向量组的相关性；分别对所述第一特征向量组和第二特征向量组进行聚类，分别获取对应的第一聚类中心和第二聚中心，并计算所述第一聚类中心和第二聚中心之间的余弦距离；根据所述第一特征向量组和第二特征向量组的相关性以及第一聚类中心和第二聚中心之间的余弦距离，获取所述局部特征对整体特征贡献度。基于该技术方案，通过计算局部特征对整体特征贡献度，综合评价局部特征对整体特征贡献度，定量地衡量局部特征的重要性。优选的，所述步骤S1中的构建不具有一局部特征的第二图像样本集的步骤包括：根据所述第一图像样本集中的图像，标注该图像中的一局部特征；将所述第一图像样本集中的每一个图像中对应所述局部特征的像素值清零，生成新的图像，并将所有的新的图像构建为不具有所述局部特征的第二图像样本集。优选的，所述步骤S2包括：根据卷积神经网络模型，对所述第一图像样本集中的每一个图像进行卷积和特征提取，获取每一个图像对应的特征向量，并生成所述第一图像样本集对应的第一特征向量组；根据卷积神经网络模型，对所述第二图像样本集中的每一个图像进行卷积和特征提取，获取每一个图像对应的特征向量，并生成所述第二图像样本集对应的第二特征向量组。优选的，所述步骤S3包括：S301、计算所述第一特征向量组和第二特征向量组的相关系数，所述相关系数的计算公式为式1：其中，var(vecX)为第一组特征向量vecX的方差，var(vecY)为第二组特征向量vecY的方差，cov(vecX，vecY)为第一组特征向量vecX与第二组特征向量vecY的协方差；S302、所述第一特征向量组和第二特征向量组的相关性通过算式2得到，式2为：其中，ri为所述相关系数r在第i维上的相关系数，m为512维，是所述相关系数的维数，Relevance为所述第一特征向量组和第二特征向量组的相关性。优选的，所述步骤S301包括：S3011、所述第一组特征向量vecX的方差var(vecX)通过式3计算得到：其中，n表示第一图像样本集中的图像数量，vecxi表示第一图像样本集中第i个样本的特征向量；S3012、所述第二组特征向量vecY的方差var(vecY)通过式4计算得到：其中，n表示第二图像样本集中的图像数量，vecyi表示第二图像样本集中第i个样本的特征向量；S3013、所述第一组特征向量与第二组特征向量的协方差cov(vecX，vecY)通过式5计算得到：其中，n表示第一图像样本集中的图像数量，以及第二图像样本集中的图像数量，vecxi表示第一图像样本集中第i个样本的特征向量，vecyi表示第二图像样本集中第i个样本的特征向量。通过该技术方案，综合局部特征与整体特征的相关性以及缺少局部特征引起的特征中心位置的偏移量，全面地评价了局部特征对整体特征贡献度，准确性比较高。优选的，所述步骤S4包括：对所述第一特征向量组进行K均值聚类，得到对应的第一聚类中心；对所述第二特征向量组进行K均值聚类，得到对应的第二聚类中心；计算所述第一聚类中心与第二聚类中心之间的余弦距离。优选的，所述步骤S5包括：通过算式5计算得到所述局部特征对整体特征贡献度：Contribution＝a*Relevance+(1-a)*dist式6，其中，a为平价系数，取值范围为[0，1]，Relevance为所述第一特征向量组和第二特征向量组的相关性，dist为所述第一聚类中心和第二聚中心之间的余弦距离；Contribution为所述局部特征对整体特征贡献度。所述a的取值为0.5。优选的，所述方法还包括：获取图像中的每一个局部特征；重复执行步骤S1-S5，获取每一个局部特征对整体特征贡献度；将每一个贡献度依次从大到小依次排列，获取所述多个局部特征中的重要特征。根据贡献度的大小，找到局部特征中的重要特征，对图像的特征选用具有指导意义。为实现上述目的，本专利技术提供了一种图像局部特征对整体特征贡献度的评估系统，所述系统包括：样本模块，用于构建一具有整体特征的第一图像样本集，并构建不具有一局部特征的第二图像样本集；向量模块，用于分别对所述第一图像样本集和第二图像样本集中的每一个图像进行特征提取，获取所述第一图像样本集对应的第一特征向量组，以及所述第二图像样本集对应的第二特征向量组；相关模块，用于计算所述第一特征向量组和第二特征向量组的相关性；聚类模块，用于分别对所述第一特征向量组和第二特征向量组进行聚类，分别获取对应的第一聚类中心和第二聚中心，并计算所述第一聚类中心和第二聚中心之间的余弦距离；贡献度模块，用于根据所述第一特征向量组和第二特征向量组的相关性以及第一聚类中心和第二聚中心之间的余弦距离，获取所述局部特征对整体特征贡献度。通过该技术方案，综合评价局部特征对整体特征贡献度，定量地衡量局部特征的重要性。与现有技术相比，本专利技术一种图像局部特征对整体特征贡献度的评估方法及系统所带来的有益效果为：通过计算局部特征对整体特征贡献度，综合评价局部特征对整体特征贡献度，定量地衡量局部特征的重要性。综合局部特征与整体特征的相关性以及缺少局部特征引起的特征中心位置的偏移量，全面地评价了局部特征对整体特征贡献度，准确性比较高。根据贡献度的大小，找到局部特征本文档来自技高网...

【技术保护点】
1.一种图像局部特征对整体特征贡献度的评估方法，其特征在于，所述方法包括：/nS1、构建一具有整体特征的第一图像样本集，并构建不具有一局部特征的第二图像样本集；/nS2、分别对所述第一图像样本集和第二图像样本集中的每一个图像进行特征提取，获取所述第一图像样本集对应的第一特征向量组，以及所述第二图像样本集对应的第二特征向量组；/nS3、计算所述第一特征向量组和第二特征向量组的相关性；/nS4、分别对所述第一特征向量组和第二特征向量组进行聚类，分别获取对应的第一聚类中心和第二聚中心，并计算所述第一聚类中心和第二聚中心之间的余弦距离；/nS5、根据所述第一特征向量组和第二特征向量组的相关性以及第一聚类中心和第二聚中心之间的余弦距离，获取所述局部特征对整体特征贡献度。/n

【技术特征摘要】
1.一种图像局部特征对整体特征贡献度的评估方法，其特征在于，所述方法包括：
S1、构建一具有整体特征的第一图像样本集，并构建不具有一局部特征的第二图像样本集；
S2、分别对所述第一图像样本集和第二图像样本集中的每一个图像进行特征提取，获取所述第一图像样本集对应的第一特征向量组，以及所述第二图像样本集对应的第二特征向量组；
S3、计算所述第一特征向量组和第二特征向量组的相关性；
S4、分别对所述第一特征向量组和第二特征向量组进行聚类，分别获取对应的第一聚类中心和第二聚中心，并计算所述第一聚类中心和第二聚中心之间的余弦距离；
S5、根据所述第一特征向量组和第二特征向量组的相关性以及第一聚类中心和第二聚中心之间的余弦距离，获取所述局部特征对整体特征贡献度。


2.如权利要求1所述的图像局部特征对整体特征贡献度的评估方法，其特征在于，所述步骤S1中的构建不具有一局部特征的第二图像样本集的步骤包括：
根据所述第一图像样本集中的图像，标注该图像中的一局部特征；
将所述第一图像样本集中的每一个图像中对应所述局部特征的像素值清零，生成新的图像，并将所有的新的图像构建为不具有所述局部特征的第二图像样本集。


3.如权利要求1所述的图像局部特征对整体特征贡献度的评估方法，其特征在于，所述步骤S2包括：
根据卷积神经网络模型，对所述第一图像样本集中的每一个图像进行卷积和特征提取，获取每一个图像对应的特征向量，并生成所述第一图像样本集对应的第一特征向量组；
根据卷积神经网络模型，对所述第二图像样本集中的每一个图像进行卷积和特征提取，获取每一个图像对应的特征向量，并生成所述第二图像样本集对应的第二特征向量组。


4.如权利要求1所述的图像局部特征对整体特征贡献度的评估方法，其特征在于，所述步骤S3包括：
S301、计算所述第一特征向量组和第二特征向量组的相关系数，所述相关系数的计算公式为式1：



其中，var(vecX)为第一组特征向量vecX的方差，
var(vecY)为第二组特征向量vecY的方差，
cov(vecX，vecY)为第一组特征向量vecX与第二组特征向量vecY的协方差；
S302、所述第一特征向量组和第二特征向量组的相关性通过算式2得到，式2为：



其中，ri为所述相关系数r在第i维上的相关系数，
m为512维，是所述相关系数的维数，
Relevance为所述第一特征向量组和第二特征向量组的相关性。


5.如权利要求4所述的图像局部特征对整体特征贡献度的评估方法，其特征在于，所述步骤S301包括：
S3011、所述第一组特征向量vecX的方差var(vecX)通过式3计算得到：



其中，n表示第一图像样本集中的图像数量，
vecxi表示第一图像样本...

【专利技术属性】
技术研发人员：薛圆圆，
申请(专利权)人：上海铼锶信息技术有限公司，
类型：发明
国别省市：上海;31