[发明专利]基于多特征融合的BOW模型的中草药植物图片检索方法

摘要

本发明公开了一种基于多特征融合的Bag‑of‑Words(BOW)模型的中草药植物图像检索方法。首先，对中草药图片尺寸进行归一化处理；其次，对归一化后的中草药图片提取基于稠密采样的SIFT特征和OpponentSIFT特征；然后，采用k‑means聚类算法将前一步中提取的特征聚类得到视觉字典，其中，聚类中心即为视觉单词；接着，采用局部线性编码对局部特征用视觉词典中的视觉单词进行表达，得到其对应的编码向量；然后，采用最大值池化方法对中草药植物图片局部特征对应的编码向量进行池化处理，得到图片特征；最后，将图片特征输入训练好的SVM分类器得到相应类别，返回对应类别中的图片给用户。

主权项

1.一种基于多特征融合的BOW模型的中草药植物图片检索方法，其特征在于包括以下步骤：1)对中草药植物图片尺寸进行归一化处理，首先将图片较长的边归一化到480像素，然后按原图片的宽高比将较短的边缩放到相应的像素；2)将第1)步所得的归一化图片进行步长为4、图像块大小为16×16像素的稠密采样，对每个采样图像块提取SIFT特征和OpponentSIFT特征，并将它们拼接融合为一个向量，得到各图像块的局部特征向量；3)从第2)步中所得的局部特征向量中随机选取一部分，然后利用k‑means算法对选取的局部特征进行聚类操作得到视觉词典，其中，各聚类中心为视觉单词；4)采用局部约束线性编码算法将第2)步中所得的各局部特征向量用第3)步所得的视觉词典中的视觉单词表示，得到各局部特征的编码向量；5)对于每一张中草药植物图片，采用最大值池化算法将第4)步所得编码向量进行池化处理，得到图片的特征向量；6)利用第5)步得到的图片的特征向量和图片对应的类别标签作为训练集来训练SVM分类器；7)对于用户的每一张查询图片，将其特征向量输入第6)步中训练好的SVM分类器中，得到其对应的类别，然后返回该类别中的图片集给用户。