[发明专利]基于非高斯多相关HMT模型的彩色纹理图像检索方法

权利要求书

1.一种基于非高斯多相关HMT模型的彩色纹理图像检索方法，其特征在于按照如下步骤进行：

约定：L表示通过离散小波变换获得的低频子带、H表示高频子带；x代表系数向量；m、m′代表HMT模型系数的隐状态；Σ指协方差矩阵；Γ(.)表示伽马函数；Θ代表图像参数特征集合；k代表小波系数向量树个数；S^k表示第k棵向量树的隐状态变量集合；l为迭代次数；Θ^l+1代表参数更新后的图像特征参数集；ρ(i)表示小波系数节点i的父亲节点；代表小波变换子带系数边缘状态概率质量函数，代表小波变换子带系数父子节点间的联合概率质量函数；V为图像纹理特征库；I指待检索图像；J指图像库中图像；D(I,J)为I和J之间的相对熵散度距离；f_i(I)代表图像I在i分量位置时特征向量所具有的特征值；a.初始设置

获得图像J，实施参数初始化操作；

b.高频子带获取

将图像J的R、G、B三个颜色通道分别执行三级DWT，每个通道得到1个L和9个由不同大小矩阵组成的H；

c.系数BKF-VB-HMT建模

c.1将R、G、B三个颜色通道中同尺度同方向且位置相同节点的H系数捆绑成一个系数向量x；

c.2使用BKF-VB-HMT模型的概率密度函数p对每幅图像9个H系数向量进行统计建模，p定义如下：

式中，Ψ、Λ代表形状参数与尺度参数；K_v(.)为第二种修改后第v阶BKF函数，计算式如下：

P为状态概率矩阵，j代表离散小波变换后的尺度，h₁为初始状态概率，HMT模型状态转移概率矩阵，A_j表示如下：

其中m＝1,2,...,M表示隐状态取值范围，其中M＝2；

c.3将所述概率密度函数中的参数形式化为五元组Θ的形式，表示如下：

c.4根据最大似然准则，使用最大期望算法估计上述五元组Θ中的参数，在EM步中,将每一棵向量树的系数集合X作为观测数据，计算得到与在ML步中，根据ML更新Θ^l+1中的参数为：

c.5将获得的BKF-VB-HMT分布模型的参数集Θ存入图像纹理特征库V中，作为每一幅图像J的特征向量，以待检索使用；

d.待检索图像处理操作

d.1输入I，对其R、G、B三个颜色分量各实施三级DWT变换，每个颜色分量分解出1个L和9个由不同大小矩阵组成的H；

d.2重复步骤c，利用BKF分布，通过VB-HMT对待检索的图像I高频子带系数进行建模，计算参数特征五元组Θ，得到图像I的特征向量；

e.相似度计算

e.1定义D(I,J)代表I、J之间相对熵散度距离，f_i(I)指I在i分量位置时特征向量所具有的特征值，f_i(J)为J在i分量位置时特征向量所具有的特征值，R指图像总数，因此I与J之间相对熵散度距离可如下式计算：

e.2将相似度结果依照顺序从小到大排列，在设定的检索结果范围内输出较优的检索结果；

f.重复步骤d～e，直到图像I和J全部匹配结束。