[发明专利]基于智能计算的多粒度图像检索方法

权利要求书

1.基于智能计算的多粒度图像检索方法，包括如下步骤：

步骤1：对图像进行多粒度划分

步骤2：图像多粒度特征的选取

步骤3：设计多粒度属性合成中的最优准则函数

步骤4：采用多目标优化算法对多粒度进行参数优化

步骤5：利用模糊神经网络对多粒度特征进行描述进行最优化整合

2.根据权利要求1所述的基于智能计算的多粒度图像检索方法，其特征在于：将粒计算应用于图像检索领域，全面有效地更大程度上的利用图像自身所提供的信息，实现有效的图像检索需要更高层次、全面的、不同角度的内容特征，完成图像内容的全面表达，进而达到理想的图像检索效果。

3.根据权利要求1所述的不同粒度下的特征提取算法，其特征如下：针对图像的局部颜色粒度，提出在子块分割和区域划分的基础上，利用快速离散余弦变换(DCT)和特殊奇异值分解(SVD)对图像进行特征提取的算法，从而构造该粒度下的等价关系；

针对图像自相似粒度表现，提出图像的自相似特征提取算法，并构造该粒度下的等价关系，其具体做法是：

步骤一：值域块和定义域块的划分，以大小为M×N×3的RGB彩色图像P为例.首先对彩色图像P进行值域块的划分，将其分割成n个互不相交的值域块n＝(M×N)/(L×L)，每个值域块的大小为L×L×3，则图像且R_i∩R_j＝φ，i≠j.再将图像P划分为大小相同的可以相互交错的定义域块m＝(M-L+1)(N-L+1)，其大小也为L×L×3；

步骤二：自相似特征编码：对于任意值域块R_i，在所有的定义域块中寻找除自身以外与其最相似的定义域块D_j.这种映射关系用一个三元组(Δx_i，Δy_i，n_i)标记，其中(Δx_i，Δy_i)为D_j相对于R_i的左上角相对坐标，n_i为旋转、反射变换的编号.

设值域块R_i中各像素点的RGB分量分别为r_r＝(r_r1，r_r2，…r_rk)^T，r_g＝(r_g1，r_g2，…r_gk)^T，r_b＝(r_b1，r_b2，…r_bk)^T，定义域块D_j中各像素点的RGB分量分别为d_r＝(d_r1，d_r2，…d_rk)^T，d_g＝(d_g1，d_g2，…d_gk)^T，d_b＝(d_b1，d_b2，…d_bk)^T，定义评测指标E为

E(R_i，D_j)＝‖d_r-r_r‖₁+‖d_g-r_g‖₁+‖d_b-r_b‖₁

其中‖·‖₁为向量的1-范数.这里对D_i和D_j的操作都是三维的，即对于子块的RGB分量看作一个整体同时进行操作。对于每个R_i根据评测指标E搜索具有最小E值的定义域块D_j，这样就得到了彩色图像P的自相似特征编码，记为ω_i＝(Δx_i，Δy_i，n_i)，这将作为对彩色图像P进行自相似特征提取的依据；

步骤三：中心扩散算法：块匹配的计算量是惊人的，对于每一个值域块R_i，其要进行的定义域块的匹配次数为m，则n个值域块的匹配次数为m×n次.对于一幅256×256的图像来说，若取L＝4，则要完成的匹配次数为262180864.对于传统的灰度图像分形编码来说，图像中的许多子块具有“近距自相似性”，据此，对于彩色图像和本文提出的自相似特征编码方法，提出中心扩散算法来减少计算量。中心扩散算法能够在保证一定匹配误差的基础上使匹配速度得到显著提高。与局部搜索不同的是，当全图中没有满足误差条件的匹配块时，算法返回的是具有最小误差的匹配块，即最优匹配块，而对于满足误差条件的D块，则在宽泛的误差下完成匹配，这对检索效果几乎没有影响；

步骤四：基于自相似特征编码的特征提取：本发明提出对自相似特征编码进行奇异值分解(SVD)来提取特征向量的方法，对图像P按照如下算法进行特征向量的提取：

(a)将图像P的自相似特征编码n＝(M×N)/(L×L)，ω_i＝(Δx_i，Δy_i，n_i)中的Δx_i，Δy_i分量按照R块的划分方法分别组成矩阵X，Y；

(b)对X，Y分别进行奇异值分解得到奇异值向量C_X，C_Y，并将C_X，C_Y首尾相接组成特征向量其中为奇异值向量C_X的第k个分量，同理。使用这些特征向量作为图像的自相似特征，得到图像的自相似特征粒度。