[发明专利]基于多特征自适应融合的图像检索方法

说明书

技术领域

本发明涉及一种图像检索方法，具体是一种基于多特征自适应融合的图像检索方法。

背景技术

在现有的所采用的图像检索方法中，基于内容的图像检索技术通过提取图像中用户感兴趣的特征，包括颜色、形状、纹理等一些视觉特征，对用广输入的图像在大图像集中进行检索，实现了真正的图像视觉内容特征的检索。这种检索方式是对“以关键字找图”的重大突破。随着基于内容的图像检索技术的发展，已经有了很多图像检索系统。虽然图像检索系统的领域或功能多种多样，但基本的检索方法都包括以下几个步骤：提取图像特征写入对应的图像库；将用户输入的图像提取特征并与图像库中的特征进行比对，计算相似度；将相似度逆序返回给用户；其中，特征的提取主要包括颜色特征、形状特征和纹理特征。颜色特征提取中的常用算法有颜色直方图、颜色矩方法；形状特征中的常用算法包括链码表示法、边界矩、傅立叶描述子等经典算法；纹理特征算法主要有Tamura纹理特征(粗糙度、方向度、对比度)、灰度共生矩阵、0abor滤波算法等。

对于大数量的图像检索，图像内容的差异很大，一种特征很难对所有图像类型都有很好的描述。最近几年一些优秀的基于点的稀疏特征(SURF)以及基于区域的密集特征(HOG)被相继提出来，试验结果证明对于一些图像有较好的效果，但是这些特征也只是对某一类图像内容有较好的表征效果，稀疏特征(SURF)对一些纹理比较简单的图像可能只提取到很少的特征点，接下来的检索部分不可能有好的效果，而密集特征(HOG)一般是基于区域的，对图像的细节匹配又无能为力，而且图像旋转等问题不能很好的解决。

近年来，有人提出了对于大数据量，多类别的分类，采用多种特征以及不同的特征融合方法是必须的。在特征融合方面也做了大量工作，但这些工作大多是基于特征的线性加权，对于所有检索图像，各特征的权值是固定，不能够自动分析各特征的检索效果，从而进行动态融合。

发明内容

本发明的目的是提供一种检索精度高的基于多特征自适应融合的图像检索方法。

为实现上述目的，本发明所采用的技术方案是：

基于多特征自适应融合的图像检索方法，包括有以下步骤：

A、图像特征的选取：提取图像库中的每个图像的两个以上的图像特征；

B、对图像库中的图片提取所选取的特征，然后利用分层kmeans算法构建出各个特征对应的语义树；

C、对用户输入的检索图像提取特征，然后在各语义树中进行检索，并返回检索结果，检索结果是按照与检索图像的相似度由高到底排列的数据库中的各个图像，数据库中的图像与检索图像越相似得分越高；

D、根据各语义树检索结果的分数分布规律，自动评价该特征对应语义树检索结果的好坏，从而确定该语义树的权值；

E、各个语义树返回图像的得分进行归一化处理，使得归一化后的分数可以线性相加；

F、将所有的图像特征的检索结果的分数进行融合：数据库中每个图像的最终总得分由该图像在各语义树中的得分乘以该语义树的权值，然后相加得到，然后将图像以最终的检索结果的分数由大到小的顺序输出；其中每个语义树对应的权值是步骤E动态确定的。

所述步骤A中，所提取的图像特征有两个，分别是基于点的稀疏特征(SURF)和基于区域的密集特征(HOG)。

所述步骤E中，所述稀疏特征(SURF)归一化的计算公式为：

SURFNormScore_i是归一化后的图像特征分数，SURFScoreMax，SURFScoreMin分别是稀疏特征对应语义树返回的N个图片中分数的最大值与最小值，SURFScore_i是稀疏特征(SURF)对应语义树返回的第i个图片的得分；密集特征(HOG)与稀疏特征(SURF)归一化的计算公式相同。

所述不固定的权值的计算方法包括以下步骤：

(一)计算检索结果的相邻平均距离：