[发明专利]基于自适应矩形窗口的图像检索方法

权利要求书

1.一种基于自适应矩形窗口的图像检索方法，其特征在于：具体包括如下步骤：

步骤A、对数据库图像提取局部不变特征，并对每幅数据库图像中的特征描述子的空间坐标采用G-means方法进行聚类；

步骤B、在每幅数据库图像中根据G-means聚类的类别创建自适应矩形窗口，并移除稀疏的矩形窗口、合并矩形窗口以及移除小矩形窗口；

步骤C、将数据库图像中的自适应矩形窗口分别矢量化，创建自适应窗口矢量，并基于窗口矢量创建倒排索引；

步骤D、将待检索目标区域矢量化，并在倒排索引中进行相似性搜索，给出最终的检索结果。

2.根据权利要求1所述的基于自适应矩形窗口的图像检索方法，其特征在于：在步骤A中，对数据库图像提取局部不变特征包括如下步骤：

A－1、在每幅数据库图像中采用快速海森检测子进行特征点检测；

A－2、通过SURF描述子对各个特征点进行描述，具体为在数据库图像I_i中，提取到的SURF描述子表示为其中： 是图像I_i中第r个描述子，维数为128维，n_i是图像I_i中SIFT描述子的个数。

3.根据权利要求2所述的基于自适应矩形窗口的图像检索方法，其特征在于：在步骤A中，对每幅数据库图像中的局部特征空间坐标采用G-means方法进行聚类包括如下步骤：

A――1、在聚类类别总数未知的情况下，先假设图像中的特征点满足高斯分布，并对每幅图像中的特征点坐标进行聚类；

A――2、在数据库图像I_i中随机选择k个SURF描述子的二维空间坐标作为聚类中心C＝(c₁,c₂,…,c_k)；

A――3、根据聚类中心C创建随机kd树，采用随机kd树对SURF描述子的空间坐标进行近似最近邻搜索，将每个SURF描述子根据空间近邻关系划分到对应的类别中；

A――4、采用Anderson-Darling统计检验每个聚类类别中的空间坐标是否满足高斯分布，如果满足高斯分布，就保留该聚类类别；如果不满足高斯分布，就将该聚类类别划分为两类并确定对应的聚类中心；

A――5、基于新的聚类中心，重复步骤A――3至A――4，直到所有类别中的空间坐标都满足高斯分布为止，在聚类类别不再发生变化后，确定类别总数k。

4.根据权利要求3所述的基于自适应矩形窗口的图像检索方法，其特征在于：在步骤B中，创建自适应矩形窗口包括如下步骤：

步骤B－1、在类别C_j中，计算特征点p_i,j与其聚类中心c_j的距离d_i,_j＝||pi_,j-c_j||，进而计算类别C_j中所有的特征点和聚类中心c_j之间的平均距离其中：m_j为类别C_j中特征点的数量；

步骤B－2、对于类别C_j中的特征点pi_,j，如果其中λ为设定的阈值，就将特征点p_i,j从类别C_j中滤除；

步骤B－3、在剩余特征点集合中，基于剩余特征点的空间坐标创建矩形窗口R_j，其宽度w_j和长度h_j分别计算为：其中m_j′为类别C_j中剩余特征点的数量。

5.根据权利要求4所述的基于自适应矩形窗口的图像检索方法，其特征在于：在步骤B中，移除稀疏的矩形窗口包括以下步骤：

B――1、对于数据库图像I_i第j个矩形窗口R_j，计算内部特征点密度 其中：a_j为矩形窗口R_j的面积；

B――2、对于矩形窗口R_j中的特征点密度如果其中：T_m为设定的特征点密度阈值，矩形窗口R_j就看作稀疏的矩形窗口，并从数据库图像中滤除。