[发明专利]一种基于多特征签名的海量图像检索方法

摘要

本发明属于图像处理与信息检索技术领域，具体为一种基于多特征签名的图像检索方法。该方法包含以下步骤：提取图像的多种特征；对特征降维并做比特映射，得到各种特征对应的特征签名；对特征签名建立索引；以汉明距离表示特征签名之间的距离；通过特征签名查找与查询图片内容相近的图片。本发明方法，可以很好地解决图像的特征存储与距离计算，同时具有较高的查询准确率和系统可扩展性。

主权项

1.一种基于多特征签名的图像检索方法，其特征在于，用主分量分析降低图像特征的维数，并利用矢量量化技术在主分量分析的基础上，进一步将图像特征量化到二值矢量表示的特征签名上；将该特征签名存入一个或多个整数中；用汉明距离表示特征之间的距离，通过图像的多种特征检索图像，包括以下步骤：步骤一、图像的多特征提取首先提取图像的多种特征，得到多维的浮点矢量；经过上述多种特征提取后，得到m种以浮点矢量表示的图像特征：F₁，F₂，...，F_m，它们对应的矢量维度分别为dim₁，dim₂，...，dim_m；步骤二、特征降维首先对每一种特征F_i降维，在维持基本性质的情况下将F_i从dim_i维降至K维的特征G_i，这通过PCA实现：G_i＝A_iF_i；这里A_i表示第i种特征对应的降维投影矩阵，A_i由大规模的图像样本训练得到，同时得到训练样本在该特征上的均值矢量M_i＝(m₁，m₂，...，m_k)^T，其中的元素m_j是训练样本在第j个维度上的均值；另外还得到2个矢量：和是训练样本在第j个维度上，大于m_j的元素的均值，是训练样本在第j个维度上，小于m_j的元素的均值；步骤三、特征映射与编码借助PCA训练过程中得到的每种特征F_i所对应的3个矢量：M_i，和对降至K维后的浮点特征矢量G_i再进行比特映射和编码，映射至K维的二值矢量H_i；对G_i的高h维分量做2位比特映射，对G_i的第h维至第h+K-2h维，即第h维至第K-h维做1位比特的映射；这样H_i的高2h维来自G_i的高h维，H_i的低K-2h维来自G_i的中间K-2h维，G_i的最低h维，在映射过程中被忽略；步骤四、对特征签名建立索引得到所有图像的多特征签名后，对每一类特征签名进行聚类：采用AP聚类方法，把所有图像的特征签名i聚成G_i个类，每个类的类中心为center_i，k 1≤k≤C_i，第i种特征生成一个从特征签名到图像id的倒排索引；索引的键为特征签名，每个键对应一条图像id的拉链，并且通过C_i个类中心优化查询；步骤五、通过多特征签名查找与查询图片内容相近的图片在检索阶段，先对用户提交的图像进行多特征签名计算，获得查询图像的各种特征签名sign₁，sign₂，...，sign_m，方法与特征签名计算阶段相同；接着通过签名sign_i，在索引中找到与其最接近的类中心center_i，k和center_i，k对应的倒排表；查找倒排表中的特征签名，找到与sign_i汉明距离小于阈值T_i的所有特征签名，取出且合并所有的图像id，得到链表idlist_i；待所有特征的链表计算完成后，归并得到以图像id链表形式的查询结果idlist；从存储系统中根据图像id即可找到图像，最终返回给用户。