[发明专利]一种基于k近邻和模糊模式识别的图像检索方法及系统

说明书

本发明公开了一种基于k近邻和模糊模式识别的图像检索方法及系统，对查询图像和被检索图像分别提取出颜色和纹理特征向量，进行模糊归一化处理，对模糊化的颜色和纹理特征向量进行融合得到对应图像的综合特征向量；对得到的查询图像和所有被检索图像的的综合特征向量，寻找查询图像的k个近邻图像；计算查询图像与其k个近邻图像的相似度，计算各个被检索图像与查询图像k个近邻图像的相似度，获取查询图像和各个被检索图像所对应的k维模糊特征向量；计算各个被检索图像对应的k维模糊特征向量与查询图像对应的k维模糊特征向量之间的模糊相似度；按模糊相似度从大到小的顺序将检索图像反馈给用户；根据用户的满意度来判断是否停止图像检索过程。

技术领域

本发明涉及一种基于k近邻和模糊模式识别的图像检索方法及系统。

背景技术

随着多媒体技术和网络技术的迅速发展，图像数据每天都以惊人的速度在增长，如何有效、快速地从海量的图像数据库中检索到用户感兴趣的图像是一个非常重要且富有挑战的研究课题。目前广泛使用的图像检索方法有：基于文本的图像检索(Text-basedImage Retrieval,TBIR)方法和基于内容的图像检索(Content-based Image Retrieval,CBIR)方法。

TBIR方法就是利用文本标注的方法对图像内容进行描述，形成描述图像内容的关键词，例如图像中的场景、物体等。图像标注可通过人工标注，也可利用图像识别技术进行半自动标注。在进行图像检索时，用户可根据自己的兴趣爱好输入查询图像的关键词，图像检索系统根据用户所提供的关键词检索出那些也标注有该关键词的相关图像，最后将图像检索结果反馈给用户。TBIR方法易于实现，且在标注时有人工介入，所以其查准率也相对比较高，但是TBIR方法也由于人工介入的原因而存在严重的缺陷：首先，在大规模的图像数据库中要对所有的图像进行标注将耗费大量的人力与财力，因此TBIR方法只适用于小规模的图像数据库；其次，一幅图像的内容难以用精确、简短的词语来进行概括，从而导致TBIR方法难以实现精确的查询。

CBIR方法适用于对大规模图像数据库的检索，这种图像检索方法允许用户直接输入一幅查询图像来检索与其内容相似的其他图像，从而摆脱了TBIR方法中人工介入所引起的一系列的问题。图像特征提取和图像特征匹配是CBIR方法能否实现的两个关键环节。图像特征提取的好坏是关乎图像检索效果的首要环节，图像特征主要依赖于图像内容的底层特征：颜色特征、纹理特征和形状特征，而图像内容底层特征和高层语义之间的“鸿沟”问题导致CBIR方法存在一定的缺陷和不足。图像特征匹配是CBIR方法能否较好实现的另外一个关键环节，图像特征的匹配主要依赖于图像特征之间的相似度测量方法。为提高CBIR方法的有效性，人们提出了许多有关图像特征提取和图像特征匹配的方法，但是这些方法普遍存在计算繁琐、检索时间长的特点，且检索效果仍不尽人意。

发明内容

为了解决现有技术的不足，本发明提供了一种基于k近邻和模糊模式识别的图像检索方法及系统，能克服以上缺陷，有效的改善图像检索的性能；

本发明的第一个方面：

一种基于k近邻和模糊模式识别的图像检索方法，包括：

图像特征提取：提取查询图像和所有被检索图像的颜色特征向量和纹理特征向量，对查询图像和被检索图像的颜色特征向量和纹理特征向量分别进行处理，并将两种特征向量融合到一起，得到查询图像和所有被检索图像各自对应的综合特征向量；

寻找查询图像的k个近邻图像：根据查询图像和所有被检索图像各自对应的综合特征向量，寻找相似度匹配方法来寻找查询图像的k个近邻图像；

获取查询图像和所有被检索图像各自对应的模糊特征向量：计算查询图像与其k个近邻图像的相似度，利用k个相似度值组成查询图像所对应的k维模糊特征向量；计算各个被检索图像与查询图像k个近邻图像的相似度，利用各个被检索图像与查询图像k个近邻图像的k个相似度值组成各个被检索图像所对应的k维模糊特征向量；