[发明专利]多特征基于内容的图像检索方法和系统

说明书

技术领域

本申请涉及检索领域，尤其涉及多特征基于内容的图像检索方法和系统。

背景技术

随着互联网搜索引擎和检索技术的发展，基于内容的图像检索(Content-based image retrieval，CBIR)被提出并逐渐成熟。常见的如Google、百度等搜索引擎也相继推出了相应的大众商业化搜索技术，CBIR逐渐步入人们日常网络生活中。而一幅图像包含的信息往往远远超出依据文本，搜索过程中，如何处理图像、分析图像、抽取图像特征、尤其是如何匹配两幅图像，则对CBIR非常重要。

现有的CBIR技术，主要以图像处理、模式识别、计算机视觉、图像理解等领域的知识为基础，从认知科学、人工智能、数据库管理系统及人机交互、信息检索等领域，引入新的媒体数据表示和数据模型，以便设计出可靠、有效的检索算法、系统结构以及友好的人机界面。现有的CBIR技术中，图像低层特征的提取属于早期的较成熟的CBIR技术，其主要是快速、有效地获得图像的低层特征，比如：颜色特征、纹理特征、轮廓特征、形状特征、对象特征、空间特征、字符特征等，目前已经有成熟的算法支持图像的低层特征提取，通常使用最多的低层特征是颜色、形状、纹理。由于一般的低层特征提取是对图像全局信息的描述，事实上，用户查询一副图像的时候并不一定会关注图像的背景，而是更关注图像中的事物或对象，因此，产生了区域图像检索的方式，即将图像分成若干有意义的区域，然后再对区域进行特征提取并进行检索，这一检索方法缩小了语义鸿沟。这里，语义鸿沟主要是由于计算机获取的图像的视觉信息与用户对图像理解的语义信息的不一致性而导致的低层和高层检索需求间的距离。另外，由于CBIR的低层特征与高层语义特征存在语义鸿沟，并且当前的语义特征的提取手段尚不成熟，因而，在现有技术中，还会通过人机交互和相关反馈技术，在检索系统中，根据用户的需求实时地调整检索参数来推测用户更加预期的结果，相关反馈技术例如：文本检索中的相关反馈技术、机器学习方法等其他算法和理论(如Bayesian理论、支持向量机、Active Learning、高斯混合模型等)构建的相关反馈技术，能在一定程度上缓解语义鸿沟带来的检索覆盖范围狭窄的缺陷。但现有的CBIR，对于低层视觉特征即图像低层特征来说，用户的需求可能来自不同特征即多方位的需求：颜色、形状、纹理、等等。从而单一的低层特征实际不能满足所有图像检索需求，比如：实际检索时颜色是图像最显著的特征，但单纯用颜色来检索不能得到理想的结果(例：用红苹果检索得不到青苹果)，即便结合相关反馈技术，也仍然不能完全满足用户的实际图像检索的多方位要求，覆盖面狭窄。

因此，需要提供优化的CBIR方案，以扩大图像检索的覆盖面，满足用户图像检索的实际多方位需求，提升用户基于内容的图像检索的体验。

发明内容

本申请的主要目的在于提供一种多特征基于内容的图像检索方法和系统，以解决在基于内容的图像检索中，通过统一各个低层特征的相似度度量的线性加权方式优化多低层特征结合的问题，使得检索时可以将不同特征上相似的图像同时都被检索出来，从而提升检出率和检准率；进而解决利用低层特征的特性之间存在的互补和抑制特点，进一步有效提高基于内容的图像检索的多方面满足用户图像检索的实际需求，提升用户基于内容的图像检索的体验。

本申请一方面提供一种多特征基于内容的图像检索方法，包括：根据单低层特征的提取，获取图像的各种单低层特征；根据作为检索词的图像所提取的多低层特征执行图像检索，基于归一化的相似性度量，分别匹配已经存储的图像所提取的相应的多低层特征；基于检索到的图像结果的总相似度量大小，对检索到的图像结果进行统一方式排序并输出。

其中，根据单低层特征的提取，获取图像的各种单低层特征，还包括：基于颜色直方图和颜色矢量直方图进行图像特征提取，以获取颜色特征；基于灰度熵矩阵和形状轮廓点分布直方图进行特征提取，以获取形状特征；基于纹理基元空间分布进行特征提取，以获取纹理特征。

其中，根据作为检索词的图像所提取的多低层特征执行图像检索，基于归一化的相似性度量，分别匹配已经存储的图像所提取的相应的多低层特征，还包括：所述多低层特征包括图像的颜色特征、形状特征和纹理特征；所述基于归一化相似性度量，分别匹配已经存储的图像所提取的相应的多低层特征包括：将所述特征中一个或几个特征进行匹配时的相似性度量规则与其余所述特征进行匹配时的相似性度量规则不同的，转换成与其余所述特征进行匹配时的相似性度量规则。其中，所述归一化还包括：归一化相似性度量的值域相关性和值域的区间长度。