[发明专利]一种基于显著性分割的基于内容的图像检索方法

说明书

技术领域

本发明涉及一种图像检索方法，特别涉及一种基于视觉显著性分割的图像检索方法，属于基于内容的图像检索领域。

背景技术

随着多媒体技术的发展，数字图像的数量呈现了几何级的增长。如何在浩繁的图像资源中快速准确的查找出用户请求的资源也摆在了人们面前。

基于内容的图像检索技术允许用户输入一张图片以查找具有相同或是相似内容的其他图片，它代表了图像检索技术的主流发展趋势。

Josef Sivic等人于2006年提出了词袋模型。其核心思想是在整幅图像中检测一些关键点，然后提取这些关键点的局部特征，之后这些局部特征被量化为“视觉词”。这样每幅图像都可以表示成关于“视觉词”的特征向量。之后就可以借鉴文本检索的成熟技术，应用可扩展的索引及快速搜索技术完成检索。

词袋模型具有简单及可以利用文本检索成熟技术等特点，但是同时具有一定的缺陷。因为一幅图像中可能包含了前景目标和背景两部分，如果在整幅图像中进行特征提取容易造成主体目标不够明确，次要目标特征显著于前景目标等结果，这样会大大影响图像检索的结果。

发明内容

为了克服已有图像检索方法的存在语义鸿沟、准确性较差的不足,本发明提供了一种有效减少语义鸿沟、准确性较高的基于显著性分割的基于内容的图像检索方法。

本发明解决其技术问题所采用的技术方案是：

一种基于显著性分割的基于内容的图像检索方法，所述图像检索方法包括训练过程和测试过程；

所述训练过程包括以下步骤：

步骤一、建立视觉词汇字典：依次对训练图像集中的每张图像进行分析处理，为后续检索建立一个视觉词汇字典；

步骤二、利用图像的视觉显著性特征，分割得到图像的前景目标图和背景区域图；

步骤三、对前景目标图和背景区域图分别提取图像的色彩特征和纹理特征；

步骤四、在步骤一的操作基础上，统计数据库中每张图片的视觉词汇分布直方图；

所述测试过程包括步骤五，在步骤一到步骤四操作的基础上，对测试图像进行检索，过程如下：

步骤5.1：对测试图像用步骤二所述方法分割得到前景目标图和背景区域图；

步骤5.2：对测试图像用步骤三所述方法提取测试图像前景目标图和背景区域图的色彩特征和纹理特征；

步骤5.3：对测试图像用步骤四所述方法统计前景目标图和背景区域图的视觉词汇统计直方图；

步骤5.4：将测试图像按照步骤5.1，步骤5.2和步骤5.3得到的每个特征依次与训练图像集中的每张图像的对应特征进行距离度量；

步骤5.5：对步骤5.4所得的每种特征的距离度量进行累加，得到总距离，用D₁,D₂，…D_i表示，其中i代表训练图像集中的图像数量；

步骤5.6：针对训练图像集中的每张图像，按照D₁,D₂，…D_i从小到大的顺序对训练图像排序并输出。

经过上述步骤的操作，即可实现对测试图像的检索。

进一步，所述步骤一中，建立视觉词汇字典的步骤为：

步骤1.1：将彩色图像转换成灰度图像；

步骤1.2：在步骤1.1得到的灰度图像上获取训练图像集中的每张图像的特征向量表示集，用Fm表示，其中F1、F2、……Fm分别表示一张图像的特征向量表示集，m表示训练图像集中图像的数目；所述特征向量是多维的，其维度用N表示，N>2；

所述获取训练图像集中的每张图像的特征向量表示集的方法为SIFT算法；

步骤1.3：对于步骤1.2得到的特征表示集中的特征向量进行聚类并获取每个特征类别的代表特征向量。得到K个类别，K个代表特征向量，K为正整数；

所述聚类方法为K-means聚类算法；

所述每个特征类别的代表特征向量为该特征类别中全部特征向量聚类的质心；

步骤1.4：得到后续检索所需的视觉词汇字典，所述视觉词汇字典由步骤1.4所得的每个特征类别的代表特征向量组成。

再进一步，所述步骤二中，针对单张图像的分割操作步骤为：

步骤2.1：计算图像的显著性图，显著性图的计算方法采用的是基于区域对比的直方图比较方法；

步骤2.2：利用步骤2.1得到的显著性图，迭代运行图像分割算法，分别得到图像的前景目标图与背景区域图，图像分割算法采用的是GrabCut。

所述步骤三中，针对单张图像的提取操作步骤为：