[发明专利]一种社群图像检索方法及系统

说明书

技术领域

本发明涉及互联网社群图像检索技术领域，尤其涉及一种社群图像检索方法及系统。

背景技术

随着互联网技术的不断发展，尤其是web2.0的快速发展，各种类型的多媒体信息资源急剧增长，要从这个茫茫的信息海洋中快速、有效的找到自己所需要的资源，变得越来越困难。近几年来，社交媒体网站Facebook，Yahoo的社交图像分享网站Flicker等等，每天都会产生容量相当大的图像数据，如何有效的处理与利用这些海量的图像信息，成为当前计算机视觉领域的一个研究热点，而从海量图像数据信息当中，快速准确地检索到满足用户检索意图的图像信息，更是信息检索领域一项重要的研究课题。

丰富的多媒体信息出现，极大的推动了大规模信息检索系统的发展。目前比较常用的图像检索系统大致分为两类：一、基于关键字的图像检索(Text-based image retrieval,TBIR)，比如天津大学硕士毕业论文，基于双关键字的图像检索模型及系统。二、基于内容的图像检索(Content-based image retrieval,CBIR)。其中基于关键字的图像检索仅仅利用网络用户标注的信息进行检索，由于大部分网络用户没有受过专门的图像信息标注训练，同时也受到其个人的文化背景、个人因素等影响，故图像存在标注信息与图像本身相关度不大等问题，并且标注的信息相关性、重要性等方面，不能够由现有的标注信息次序所反映。而基于内容的图像检索主要是利用图像的局部信息或者图像的全局信息进行描述，图像的全局信息描述的图像的局部特征分布，并不能反映图像的整体信息。

发明内容

本发明需要解决的技术问题是：针对上述技术缺陷，本发明提出了一种社群图像检索方法，包括如下步骤：

步骤一、图像局部特征提取，

步骤二、图像全局上下文特征提取，

步骤三、通过视觉单词训练，获得局部特征视觉字典与全局上下文特征视觉字典，

步骤四、图像特征量化，

步骤五、生成倒排序索引文件，

步骤六、图像检索。

优选的是，所述步骤一中采用SIFT特征提取方法提取图像局部特征。

上述任一实施方式中优选的是，所述步骤二中图像全局上下文特征提取包括：

(1)图像边缘检测；

(2)全局上下文区域选取；

(3)全局上下文形状特征描述。

上述任一实施方式中优选的是，所述步骤(1)中图像边缘检测是采用canny边缘检测算法检测图像的边缘信息。

上述任一实施方式中优选的是，所述步骤(2)中全局上下文区域选取具体方法如下：

以步骤(1)中检测到的特征点X＝(x,y)^T为基准，则降采样后的坐标点为以圆心，画一个半径为r＝k*σ的圆，以所述圆作为特征点X＝(x,y)^T的上下文区域，其中σ为特征点的尺度信息,k控制半径的大小，同时以特征点的方向为基准，将k*σ的圆划分成60个区域，角度方向划分成12等份，则每个角的大小为半径方向分成5个区间，以特征点为圆心，半径以进行增长。

上述任一实施方式中优选的是，所述步骤(3)中全局上下文形状特征描述是在步骤(2)划分的每个区域中，统计每个区域边缘点的个数。

上述任一实施方式中优选的是，所述步骤四中图像特征量化中局部特征量化过程为：

s.t.Wl_i∈Wl

其中，Local_j是图像的第j个局部特征。

上述任一实施方式中优选的是，所述步骤四中图像特征量化中全局特征量化过程为：

s.t.Wg_i∈Wg

其中，Global_j是图像的第j个全局特征。

上述任一实施方式中优选的是，所述步骤五中生成倒排序索引文件过程中描述视觉单词重要程度如下：

其中N表示图像的数量，||LWordList_i||₀表示局部特征索引列表，LWordList_i包含实体的数量，||GWordList_i||₀表示全局特征索引列表，GWordList_i包含实体的数量。

上述任一实施方式中优选的是，所述步骤六中图像检索是计算查询图像与图像库中图像之间的相似度。