[发明专利]一种智能图形检索方法

说明书

技术领域：

本发明涉及一种图形的检索方法，特别是一种智能图形检索方法。

背景技术：

图形检索在计算机辅助设计、分子生物学、医学、化学、汽车制造和工业制造等多个领域有广泛的应用前景。基于图形本身所包含的内容进行相似性匹配是一种有效的检索方式，既要用特征抽象方法提取图形的特征向量，将图形的相似性匹配转化为特征向量之间的最近邻搜索。图形的相似性检索需考虑两个重要的因素：速度和精度。

传统的相似性检索方法是检索模型的特征向量和特征库中的所有特征向量进行相似性距离计算，找出最近的k个，传统的相似性检索过程可见图1，因为相似图形之间的差别和特征抽象方法的使用，图形之间的最近邻不一定就是特征向量之间的最近邻，所以按照特征向量之间距离找出的k个最近邻不一定是图形之间的k个最近邻，因此传统的相似性检索方法存在着速度慢，精度低等缺点。

为了提高图形检索系统的检索性能，现在的大多数的图形检索方法都是从图形的特征抽象描述方法和检索方法这两方面进行改进，在特征抽象方法确定的基础上，图形检索精度的提高主要集中在检索方法的改进上。

例如，目前在国内专利中，在专利CN200610114097.4的“基于二维草图的三维模型检索方法”中检索性能的提高侧重于特征抽取和特征自适应组合来提高检索性能。在国外公开的文献中，Wold，E.Blum，T.Keislar，D.Wheaten，J.“Content-based classification，search，and retrieval ofaudio”中应用了分类方法对检索对象进行分类，然后自适应应用分类特征进行检索，但是，上述的这些检索方法主要专注于从改进特征抽象方法或多个特征自适应组合来提高检索性能，没有把分类检索过程和用户相关反馈相结合来提高检索精度和检索速度。

发明内容：

本发明要解决的技术问题是为了提高图形库的管理有效性及检索高效性，提供一种分类模型对图形库进行训练进而对图形库进行类别索引，它考虑了检索时一一比较费时的问题，用同类别图形集的检索代替了整个图形库内的检索，保证了检索的快速性；且通过相关反馈的方法进一步修正分类模型，避免了检索对象被错误分类而导致的检索结果不满意的问题。

为解决上述技术问题，本发明的基本构思是：在同一个图形数据库上，分类性能通常要优于检索性能。这是因为检索时只是通过简单的向量之间的距离比较，然后返回距离最近的几个图形。而分类则运用了复杂的学习过程，分类器在学习过程中给不同类别的图形打上了不同的类标识，使得检索只在同类图形集上进行。在分类器性能很好的前提下，用分类的机制进行检索，同类图形更容易被选中。并且由于径向基函数RBF(Radial Basis Function)神经网络分类模型有一定的自学习能力，它可以对图形库进行分类索引，并且对错误分类的图形自动修正，使得检索时仅需要比较同类别的图形集。神经网络分类器在学习过程中就将不相似的图形分到其他类别中，进而在检索过程中不受这些图形的影响，而把重点放在同类图形之间的比较上，这样同类图形更容易被选中。对用户不满意的检索结果，用相关反馈的方法修正分类模型。

本发明基于上述基本构思的技术解决方案其特征在于：先用傅立叶变化的方法提取图形的特征生成特征集，然后以特征集的一部分为训练集训练径向基函数RBF神经网络分类模型，用分类模型给定的分类结果给图形索引；检索系统的客户端提取检索图形的特征，用训练好的分类模型给定一个类别，然后计算检索图形与其同类别的特征集中每个图形的相似距离；将相似距离排序，根据系统制定的个数返回图形，为了解决以分类机制进行检索可能出现的检索对象错误分类问题，用相关反馈的方法进一步修正径向基函数RBF神经网络分类模型。在训练径向基函数RBF神经网络分类模型时，用有监督的减聚类算法快速确定径向基函数RBF的相关参数。

本发明的具体步骤如下：

1.对图形库中的每个图形用傅立叶变换的方法进行特征提取，生成特征数据库；

2.选用一部分特征库训练径向基函数RBF神经网络分类模型，径向基函数

RBF神经网络

的相关参数用有监督的减聚类算法确定；

3.用训练好的径向基函数RBF神经网络分类模型给图形库中的每个图形

打定

一个类别标识；

4.对客户端的检索图形用傅立叶变换的方法进行特征提取，与1中所用提取方法一样，用径向基函数RBF神经网络分类模型给检索图形打定一个类别标识；