[发明专利]一种基于关系矩阵正则化增强表示的图像检索方法

说明书

技术领域

本发明属于图像检索领域，特别是一种基于关系矩阵正则化增强方法的图像检索方法。

背景技术

在科技日益发达的今天，随着图像获取处理设备和互联网技术的迅猛发展和普及应用，以图像为代表的新一代信息资源已经成为与材料、能源具有同等重要地位的战略资源，其数据量也已达到海量规模，成为当前信息处理和信息资源建设的主体。由于图像具有信息量大、内容丰富、表现力强等优点，因此对海量规模的图像进行有效的信息处理和应用，已成为众多实际应用领域的核心问题。

由于当前图像数据已呈海量规模，并且在不断增长，传统的技术手段已经无法适应这种需求，这对图像的组织、分析、检索和管理等技术都提出了全新的挑战。尽管目前基于内容的图像检索研究已经取得了很大的进展，有效克服了基于手工标注的文本信息进行图像检索的局限性，但离真正的实用阶段还有一定的距离，尤其是对图像的高层语义理解方面。大部分方法还仅仅停留在围绕图像的底层特征进行语义描述和学习这一层次，相对于人类能够理解和运用的丰富多彩的语义概念，底层数据特征的表达能力尚有很大局限，因此底层特征与高层语义之间存在着较大差距，即所谓的“语义鸿沟”（semantic gap），从而导致在图像检索的准确率和效率上还远远达不到实际应用的需要，尤其是对图像的多种丰富语义进行准确有效的理解和检索方面。时至今日，图像检索中的“语义鸿沟”问题仍然没有得到很好的解决，仍然是困扰研究者的关键性难题之一。在解决这一难题的众多技术当中，基于相关反馈的图像检索技术提供了一种可行的解决方案。早期的相关反馈技术主要集中于基于相关反馈的信息，修正查询向量即图像特征，例如对查询向量的每一维数值重新分配权值，调整查询向量的位置等。近年来，由于流形学习的兴起，许多研究者转向通过流形学习技术，将高维的图像数据空间降维来探求图像特征空间的内在结构，其主要的理论假设是将图像看成是一种流形，目标就是发现其内在的结构信息。发现嵌入在高维数据中的低维子空间是学习数据潜在流形的重要手段，流形学习中子空间的学习方法都是基于局部分析的。通过流形学习的方法学习其所对应的低维的语义子空间，这与流形学习假设整个数据集只在局部满足欧氏距离相吻合，因此通过分析图像数据的局部信息，发掘局部的语义流形结构对图像检索来说更加有意义。

发明内容

发明目的：本发明为了解决现有技术中的问题，提出了一种基于关系矩阵正则化增强表示的图像检索方法，有效地解决大规模数据下，图像的快速准确检索问题。

发明内容：本发明公开了一种基于关系矩阵正则化增强方法的图像检索方法，该方法从图像实例库中检索图像，包含如下步骤：

步骤1，输入待检索图像；

步骤2，抽取待检索图像和图像实例库中图像的特征，用N维向量描述每幅图像，N=112，得到图像实例特征库U＝(u₁,…,u_M)，u_i为图像实例库第i幅图像的特征，i＝1,…M，M为图像实例库中所包含的图像数，以及待检索图像的特征v，所述图像实例库包括50个以上的图像类，每一个图像类表示一个语义类，每个图像类包括600幅以上的图像；

步骤3，从图像实例特征库中选取P个图像类，P取值范围20～50，从每一个图像类选取n幅图像，n取值范围100～500，P个图像类共有n×P张图像构成样本数据X；例如发明的一个实施例中，从中选取30个图像类，每一类表示了不同的语义类，每一类有100幅图像，共有3000张图像构成样本数据X，X＝(x₁,…,x_q),q＝n×P，x_i为样本数据中第i幅图像的特征，q为样本数据大小，X为112×q维的矩阵；

步骤4，基于谱图理论的流形学习算法，对样本数据X构建增强关系矩阵W、正例关系矩阵W^P和反例关系矩阵W^N；

步骤5，对构建的关系矩阵W进行增强，初步建立增强关系矩阵W′；

步骤6，借助概率转移矩阵正则化增强关系矩阵W′得到正则化增强关系矩阵W^*；

步骤7，根据正则化增强关系矩阵W^*构建目标方程，计算广义特征矩阵A；