[发明专利]基于群稀疏特征选择的图像检索方法

摘要

本发明公开了一种基于群稀疏特征选择的图像检索方法，包括特征选择与图像检索两部分，其中特征选择步骤包括选取图像对、提取多种特征、形成特征差异矩阵、建立群稀疏逻辑回归模型、运用优化算法求解权重、选择出最优特征；图像检索步骤包括提取图像库所有图像的最优特征、形成图像特征库、提取查询图像最优特征、相似度比较、求出最大相似度图像序号、输出检索图像。本发明运用自适应谱梯度算法有效的求解群稀疏逻辑回归模型，具有更快的收敛速度，更少的运行时间。传统的基于内容的图像检索，特征的选择是特定的，本发明用全部训练特征进行图像检索相比，在相同的实验条件下，图像的查准率明显提高，图像检索的效率增强。

主权项

一种基于群稀疏特征选择的图像检索方法，其特征在于，包括特征选择和图像检索两部分：一、特征选择具体包括：步骤11、针对图像库中的每一幅图像，比较其图像关键字形成相似与不相似序列，接着比较相似与不相似序列的图像显著区域的欧氏距离，获取图像库中每一幅图像的相似对与不相似对，得到该图像的相似性度量向量；步骤12、对获得的每一幅图像的相似对与不相似对分别提取训练特征，图像库中所有图像的训练特征形成两个特征矩阵，将前述两个特征矩阵相减形成特征差异矩阵；步骤13、设定权重系数，并依据特征差异矩阵与相似性度量向量，建立群稀疏逻辑模型；步骤14、利用优化算法求解群稀疏逻辑模型，求解出权重系数；步骤15、根据权重系数中非0 群对应于特征差异矩阵所占位置，得出最优特征；步骤16、对于图像库中的所有图像提取步骤15 得出的最优特征，将提取的特征以矩阵的形式保存，形成图像特征库；二、图像检索具体包括：步骤21、对查询图像，按照步骤11 至步骤15 的方式提取出最优特征；步骤22、利用相似度度量，将查询图像的最优特征与图像特征库中的每一幅图像的特征进行相似性匹配；步骤23、将匹配得出的图像按照相似度的程度从大到小进行排序，得出经过排序的图像序号；步骤24、根据步骤23 得出的图像序号，从图像特征库中提取出对应图像，并作为查询图像对应的检索图像输出。