基于自適應矩形窗口的圖像檢索方法技術

本發明專利技術公開了一種基于自適應矩形窗口的圖像檢索方法，具體包括如下步驟：步驟A、對數據庫圖像提取局部不變特征，并對每幅數據庫圖像中的特征描述子的空間坐標采用G?means方法進行聚類；步驟B、在每幅數據庫圖像中根據G?means聚類的類別創建自適應矩形窗口，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；步驟C、將數據庫圖像中的自適應矩形窗口分別矢量化，創建自適應窗口矢量，并基于窗口矢量創建倒排索引；步驟D、將待檢索目標區域矢量化，并在倒排索引中進行相似性搜索，給出最終的檢索結果。與現有技術相比，本發明專利技術在保證檢索效率的同時，提高了檢索準確率。

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.

【技術實現步驟摘要】
基于自適應矩形窗口的圖像檢索方法
本專利技術屬于信息處理
，具體涉及一種基于自適應矩形窗口的圖像檢索方法。
技術介紹
隨著互聯網技術的快速發展和數碼產品的大規模普及，圖像的獲取更加簡捷方便，圖像的數量呈現爆炸性的增長，從而對圖像的存儲、搜索和組織提出了巨大的挑戰和考驗。在現實生活中，如何在大規模圖像庫中快速準確地獲取最有用的信息，成為人們關注和研究的焦點之一。圖像檢索技術是指根據查詢圖像內容信息或者指定查詢標準，在圖像庫中進行搜索并查找出符合條件的相關圖像。傳統的圖像檢索技術大多采用基于文本的檢索方法，它沿用了傳統的文本檢索技術，從圖像名稱、尺寸、壓縮類型、作者、年代等方面描述圖像，通過關鍵詞的形式查詢圖像。基于文本的圖像檢索技術，不能對圖像底層特征進行客觀分析和描述，逐漸被基于內容的圖像檢索技術所取代。基于內容的圖像檢索技術，早期大多采用顏色、紋理、形狀等全局特征進行相似性搜索，但是這些特征對于光照、遮擋以及幾何形變等不具有穩健性，因此逐漸被SIFT、SURF等局部不變性特征描述子所取代。與傳統的全局特征相比，圖像的局部不變性特征具有更好的唯一性、不變性和魯棒性，能夠適應圖像背景混雜、局部遮擋、光線變化等各種情況，因此廣泛應用在基于內容的圖像檢索技術中。基于目標的圖像檢索是基于內容的圖像檢索重要的組成部分。在待檢索圖像中選取感興趣的目標區域后，基于目標的圖像檢索系統從圖像庫中查詢到包含相同目標區域的數據庫圖像并將其作為檢索結果，即使這些數據庫圖像在全局內容上不同于待檢索圖像。經對現有技術的文獻檢索發現，AndrewZisserman等在專利“ObjectRetrieval”(美國專利號為US2005/0225678A1，公開日期為2005年12月13日)中提供了用戶在圖像中自定義選取感興趣的目標區域進行檢索的方法。在該方法中，首先采用SIFT描述子描述局部不變特征，然后采用K-means方法對所有的SIFT描述子進行聚類，創建視覺詞典，接著進行數據庫圖像矢量化，并根據圖像矢量的稀疏性創建倒排索引，進行相似性搜索。在對數據庫圖像進行矢量化的過程中，每幅圖像僅僅通過一個圖像矢量進行表示，矢量中包含與待檢索目標區域無關的內容信息，從而降低了待檢索目標區域和數據庫圖像之間的相似性，同時在單一的圖像矢量中沒有描述出SIFT描述子之間的空間信息。進一步檢索發現，DavidNister等在專利“ScalableObjectRecognitionUsingHierarchicalQuantizationwithaVocabularyTree”(美國專利號為US7725484B2，公開日期為2010年5月25日)中提供了一種圖像檢索方法。該方法在K-Means聚類的基礎上引入了分層的概念，雖然降低了傳統K-Means聚類的時間，但是仍然將每幅數據庫圖像表示為單一圖像矢量，同樣降低了待檢索目標區域和數據庫圖像之間的相似性，進而降低了檢索準確率。
技術實現思路
本專利技術的目的是提供一種基于自適應矩形窗口的圖像檢索方法，通過在數據庫圖像中根據局部不變特征的空間分布自動生成大小不一的矩形窗口，從而恰當地描述數據庫圖像中的局部區域信息，以提高待檢索目標區域和數據庫圖像的內容相似度，避免數據庫圖像中內容無關區域的影響，最終在保證檢索效率的同時提高檢索準確率。實現本專利技術目的的技術方案是：一種基于自適應矩形窗口的圖像檢索方法，具體包括如下步驟：步驟A、對數據庫圖像提取局部不變特征，并對每幅數據庫圖像中的特征描述子的空間坐標采用G-means方法進行聚類；步驟B、在每幅數據庫圖像中根據G-means聚類的類別創建自適應矩形窗口，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；步驟C、將數據庫圖像中的自適應矩形窗口分別矢量化，創建自適應窗口矢量，并基于窗口矢量創建倒排索引；步驟D、將待檢索目標區域矢量化，并在倒排索引中進行相似性搜索，給出最終的檢索結果。在步驟A中，對數據庫圖像提取局部不變特征包括如下步驟：A－1、在每幅數據庫圖像中采用快速海森檢測子進行特征點檢測；A－2、通過SURF描述子對各個特征點進行描述，具體為在數據庫圖像Ii中，提取到的SURF描述子表示為其中：是圖像Ii中第r個描述子，維數為128維，ni是圖像Ii中SIFT描述子的個數。在步驟A中，對每幅數據庫圖像中的局部特征空間坐標采用G-means方法進行聚類包括如下步驟：A――1、在聚類類別總數未知的情況下，先假設圖像中的特征點滿足高斯分布，并對每幅圖像中的特征點坐標進行聚類；A――2、在數據庫圖像Ii中隨機選擇k個SURF描述子的二維空間坐標作為聚類中心C＝(c1,c2,…,ck)；A――3、根據聚類中心C創建隨機kd樹，采用隨機kd樹對SURF描述子的空間坐標進行近似最近鄰搜索，將每個SURF描述子根據空間近鄰關系劃分到對應的類別中；A――4、采用Anderson-Darling統計檢驗每個聚類類別中的空間坐標是否滿足高斯分布，如果滿足高斯分布，就保留該聚類類別；如果不滿足高斯分布，就將該聚類類別劃分為兩類并確定對應的聚類中心；A――5、基于新的聚類中心，重復步驟A――3至A――4，直到所有類別中的空間坐標都滿足高斯分布為止，在聚類類別不再發生變化后，確定類別總數k。在步驟B中，創建自適應矩形窗口的具體包括如下步驟：步驟B－1、在類別Cj中，計算特征點pi,j與其聚類中心cj的距離di,j＝||pi,j-cj||，進而計算類別Cj中所有的特征點和聚類中心cj之間的平均距離其中：mj為類別Cj中特征點的數量；步驟B－2、對于類別Cj中的特征點pi,j，如果其中λ為設定的閾值，就將特征點pi,j從類別Cj中濾除；步驟B－3、在剩余特征點集合中，基于剩余特征點的空間坐標創建矩形窗口Rj，其寬度wj和長度hj分別計算為：其中m′j為類別Cj中剩余特征點的數量。在步驟B中，移除稀疏的矩形窗口包括以下步驟：B――1、對于數據庫圖像Ii第j個矩形窗口Rj，計算內部特征點密度其中：aj為矩形窗口Rj的面積；B――2、對于矩形窗口Rj中的特征點密度如果其中：Tm為設定的特征點密度閾值，矩形窗口Rj就看作稀疏的矩形窗口，并從數據庫圖像中濾除。在步驟B中，合并矩形窗口包括以下步驟：B―――1、在垂直方向上，依次將空間近鄰的兩個矩形窗口Rs和Rt進行合并，合并后新的矩形窗口為Vl，其寬度wl和長度hl分別計算為：B―――2、如果合并后的矩形窗口Vl的長度hl滿足條件：hl≥0.5×hI，其中hI為數據庫圖像Ii的長度，則停止垂直方向矩形窗口的合并，以保證合并后的矩形窗口Vl在垂直方向具有空間局部性；B―――3、在垂直方向合并后，在水平方向上，依次將空間近鄰的兩個矩形窗口Vs和Vt合并為新的矩形窗口Wl，其寬度wl和長度hl分別計算為：B―――4、如果合并后的矩形窗口Wl的寬度wl滿足條件：wl≥0.5×wI，其中wI為數據庫圖像Ii的寬度，則停止水平方向矩形窗口的合并，以保證合并后的矩形窗口Wl在水平方向具有空間局部性。在步驟B中，移除矩形窗口包括以下步驟：B――――1、在數據庫圖像Ii中，計算矩形窗口Wl的面積al＝wl×hl，其中：al為矩形窗口Wl的面積；B――――本文檔來自技高網...

【技術保護點】
一種基于自適應矩形窗口的圖像檢索方法，其特征在于：具體包括如下步驟：步驟A、對數據庫圖像提取局部不變特征，并對每幅數據庫圖像中的特征描述子的空間坐標采用G?means方法進行聚類；步驟B、在每幅數據庫圖像中根據G?means聚類的類別創建自適應矩形窗口，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；步驟C、將數據庫圖像中的自適應矩形窗口分別矢量化，創建自適應窗口矢量，并基于窗口矢量創建倒排索引；步驟D、將待檢索目標區域矢量化，并在倒排索引中進行相似性搜索，給出最終的檢索結果。

【技術特征摘要】
1.一種基于自適應矩形窗口的圖像檢索方法，其特征在于：具體包括如下步驟：步驟A、對數據庫圖像提取局部不變特征，并對每幅數據庫圖像中的特征描述子的空間坐標采用G-means方法進行聚類；步驟B、在每幅數據庫圖像中根據G-means聚類的類別創建自適應矩形窗口，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；步驟C、將數據庫圖像中的自適應矩形窗口分別矢量化，創建自適應窗口矢量，并基于窗口矢量創建倒排索引；步驟D、將待檢索目標區域矢量化，并在倒排索引中進行相似性搜索，給出最終的檢索結果。2.根據權利要求1所述的基于自適應矩形窗口的圖像檢索方法，其特征在于：在步驟A中，對數據庫圖像提取局部不變特征包括如下步驟：A－1、在每幅數據庫圖像中采用快速海森檢測子進行特征點檢測；A－2、通過SURF描述子對各個特征點進行描述，具體為在數據庫圖像Ii中，提取到的SURF描述子表示為其中：是圖像Ii中第r個描述子，維數為128維，ni是圖像Ii中SIFT描述子的個數。3.根據權利要求2所述的基于自適應矩形窗口的圖像檢索方法，其特征在于：在步驟A中，對每幅數據庫圖像中的局部特征空間坐標采用G-means方法進行聚類包括如下步驟：A――1、在聚類類別總數未知的情況下，先假設圖像中的特征點滿足高斯分布，并對每幅圖像中的特征點坐標進行聚類；A――2、在數據庫圖像Ii中隨機選擇k個SURF描述子的二維空間坐標作為聚類中心C＝(c1,c2,…,ck)；A――3、根據聚類中心C創建隨機kd樹，采用隨機kd樹對SURF描述子的空間坐標進行近似最近鄰搜索，將每個SURF描述子根據空間近鄰關系劃分到對應的類別中；A――4、采用Anderson-Darling統計檢驗每個聚類類別中的空間坐標是否滿足高斯分布，如果滿足高斯分布，就保留該聚類類別；如果不滿足高斯分布，就將該聚類類別劃分為兩類并確定對應的聚類中心；A――5、基于新的聚類中心，重復步驟A――3至A――4，直到所有類別中的空間坐標都滿足高斯分布為止，在聚類類別不再發生變化后，確定類別總數k。4.根據權利要求3所述的基于自適應矩形窗口的圖像檢索方法，其特征在于：在步驟B中，創建自適應矩形窗口包括如下步驟：步驟B－1、在類別Cj中，計算特征點pi,j與其聚類中心cj的距離di,j＝||pi,j-cj||，進而計算類別Cj中所有的特征點和聚類中心cj之間的平均距離其中：mj為類別Cj中特征點的數量；步驟B－2、對于類別Cj中的特征點pi,j，如果其中λ為設定的閾值，就將特征點pi,j從類別Cj中濾除；步驟B－3、在剩余特征點集合中，基于剩余特征點的空間坐標創建矩形窗口Rj，其寬度wj和長度hj分別計算為：其中mj′為類別Cj中剩余特征點的數量。5.根據權利要求4所述的基于自適應矩形窗口的圖像檢索方法，其特征在于：在步驟B中，移除稀疏的矩形窗口包括以下步驟：B――1、對于數據庫圖像Ii第j個矩形窗口Rj，計算內部特征點密度其中：aj為矩形窗口Rj的面積；B――2、對于矩形窗口Rj中的特征點密度如果其中：Tm為設定的特征點密度閾值，矩形窗口Rj就看作稀疏的矩形窗口，并從數據庫圖像中濾除。6.根據權利要求4所述的基于自適應矩形窗口的圖像...

【專利技術屬性】
技術研發人員：馮德瀛，趙穎，劉從新，孫哲，
申請(專利權)人：聊城大學，
類型：發明
國別省市：山東,37