[发明专利]基于群稀疏特征选择的图像检索方法

说明书

技术领域

本发明涉及图像信息处理技术领域，尤其涉及一种基于群稀疏特征选择的图像检索方法。 

背景技术

随着数据库技术、多媒体技术、网络技术的飞速发展，人们越来越多地接触到拥有大量数字图像的数据库，为了对图像库进行有效管理，人们急切的需要高效的图像检索系统。由于技术原因，目前许多流行的商用Web图像搜索引擎，如Google、百度、360搜索等等都是传统的基于文本的图像检索。基于文本的图像检索采用Web网页中与图像关联的文字信息来完成搜索任务，但是它有如下的缺点：1.描述能力有限，例如对纹理，不规则形状等无法精确描述。2.描述具有主观性，不同人对同一副图像的描述可能不同。3.在现代社会海量的图像面前，每一幅图像皆有详细的文本描述显然这是不现实的。为了克服传统检索方法的局限性，基于内容的图像检索技术应运而生。基于内容的图像检索采用的做法是预先采用某些特征提取算法抽取图像的低层特征(如颜色、纹理和形状等)并形成一个特征库。然后提取查询图像的特征并与特征库进行匹配以寻找相似的图像。由于这些特征都是客观独立地存在于图像中的，因此这种图像检索方法的主要特点是利用图像本身包含的客观视觉特性,不需要人为干预和解释,能够通过计算机自动实现对图像特征的提取和存储。因此基于内容的图像检索技术已迅速成为图像数据库技术中的研究热点之一，并得到了国内外信息领域科技人员的广泛重视和研究。基于内容的图像检索,这个概念是于1992年最先由T.Kato提出的，经过这20年的研究，国内外的许多高校和研究机构投入了大量的资金、人力和物力进行研究,并取得了一定的成果。如IBM公司开发的QBIC系统，Virage公司开发的Virage系统，MIT的多媒体实验室开发的Photobook系统，哥伦比亚大学开发的VisualSEEK和WebSEEK系统，中国科学院计算机技术研究所智能信息处理重点实验室研发的Mires系统等等。 

图像特征的提取是基于内容的图像检索的第一步也是最为关键的一步。图像的特征包括低层视觉特征（包括颜色、纹理、形状等）和高层语义特征（主体对 象、行为特征、情感特征等）。由于目前图像理解、计算机视觉等领域的研究水平还很有限，使得现有的对基于内容的图像检索技术的研究和应用均是基于图像的低层视觉特征来进行的，还无法在真正意义上做到基于高层语义的图像检索。不同的图像低层视觉特征都具有其独特的性质和适合的应用场合，例如颜色特征适用于颜色信息较为丰富，且图像之间颜色分布差异较大的图像数据库；对于富含纹理信息的图像（医学图像、植物图像、岩石图像等）通常采用的方法是基于纹理特征的检索方式；而针对具有明确主体对象且目标边缘清晰的图像使用形状特征进行检索则能取得较好的检索效果。在系统的复杂度和检索时间允许的情况下，将多种低层视觉特征组合起来进行图像检索可以获得更好的检索结果。 

随着计算机视觉的发展，图像的特征越来越丰富，而图像特征的性质千差万别，各不相同。如颜色特征就可以有RGB，HSV，LAB等等，纹理特征有Tamura，SIFT（尺度不变的几何变化），Gabor等等，形状特征有不变矩，边缘方向直方图，霍夫变换直线检测等等。当使用多种特征组合进行图像检索，如果不加选择的使用大量特征进行图像检索，由于多种特征的存在，必然产生数据冗余，计算复杂度上升，检索的效率与性能下降等问题。对于这个问题，目前有两种解决方案，一种是对维数大的特征的进行降维处理，另外一种是对特征进行择优选择。对于降维方法，存在两个问题:1.缩减的维数不是盲目的，因为如果维数被缩减到必要的维数以下，图像特征的信息就有可能丢失。2.而且由于底层属于同类特征的不同特征有强烈的相关性，降维并不能够彻底解决数据冗余的问题。所以特征选择是一个比较好的方法，对于不同图像库，最优的特征一般也不一样，因此选择最优特征非常重要。对于一个图像库来说，所选取的特征好坏直接影响检索性能，如何建立一个可以选择对于特定图像库最为有效的特征组合的通用的模型成为一个非常重要的问题。 

发明内容

本发明所要解决的技术问题在于提出了一种基于群稀疏特征选择解决方案，将其用于基于内容的图像检索上，在提高检索的准确率的同时，有效地提升了检索的效率。 

一种基于群稀疏特征选择的图像检索方法，其特征在于，包括特征选择和图像检索两部分： 

一、特征选择具体包括： 

步骤11、针对图像库中的每一幅图像，比较其图像关键字形成相似与不相似序列，接着比较相似与不相似序列的图像显著区域的欧式距离，获取图像库中每一幅图像的相似对与不相似对，得到该图像的相似性度量向量；