[发明专利]基于自适应矩形窗口的图像检索方法

说明书

技术领域

本发明属于信息处理技术领域，具体涉及一种基于自适应矩形窗口的图像检索方法。

背景技术

随着互联网技术的快速发展和数码产品的大规模普及，图像的获取更加简捷方便，图像的数量呈现爆炸性的增长，从而对图像的存储、搜索和组织提出了巨大的挑战和考验。在现实生活中，如何在大规模图像库中快速准确地获取最有用的信息，成为人们关注和研究的焦点之一。

图像检索技术是指根据查询图像内容信息或者指定查询标准，在图像库中进行搜索并查找出符合条件的相关图像。传统的图像检索技术大多采用基于文本的检索方法，它沿用了传统的文本检索技术，从图像名称、尺寸、压缩类型、作者、年代等方面描述图像，通过关键词的形式查询图像。基于文本的图像检索技术，不能对图像底层特征进行客观分析和描述，逐渐被基于内容的图像检索技术所取代。

基于内容的图像检索技术，早期大多采用颜色、纹理、形状等全局特征进行相似性搜索，但是这些特征对于光照、遮挡以及几何形变等不具有稳健性，因此逐渐被SIFT、SURF等局部不变性特征描述子所取代。与传统的全局特征相比，图像的局部不变性特征具有更好的唯一性、不变性和鲁棒性，能够适应图像背景混杂、局部遮挡、光线变化等各种情况，因此广泛应用在基于内容的图像检索技术中。

基于目标的图像检索是基于内容的图像检索重要的组成部分。在待检索图像中选取感兴趣的目标区域后，基于目标的图像检索系统从图像库中查询到包含相同目标区域的数据库图像并将其作为检索结果，即使这些数据库图像在全局内容上不同于待检索图像。

经对现有技术的文献检索发现，Andrew Zisserman等在专利“Object Retrieval”(美国专利号为US 2005/0225678A1，公开日期为2005年12月13日)中提供了用户在图像中自定义选取感兴趣的目标区域进行检索的方法。在该方法中，首先采用SIFT描述子描述局部不变特征，然后采用K-means方法对所有的SIFT描述子进行聚类，创建视觉词典，接着进行数据库图像矢量化，并根据图像矢量的稀疏性创建倒排索引，进行相似性搜索。在对数据库图像进行矢量化的过程中，每幅图像仅仅通过一个图像矢量进行表示，矢量中包含与待检索目标区域无关的内容信息，从而降低了待检索目标区域和数据库图像之间的相似性，同时在单一的图像矢量中没有描述出SIFT描述子之间的空间信息。

进一步检索发现，David Nister等在专利“Scalable Object Recognition Using Hierarchical Quantization with a Vocabulary Tree”(美国专利号为US7725484 B2，公开日期为2010年5月25日)中提供了一种图像检索方法。该方法在K-Means聚类的基础上引入了分层的概念，虽然降低了传统K-Means聚类的时间，但是仍然将每幅数据库图像表示为单一图像矢量，同样降低了待检索目标区域和数据库图像之间的相似性，进而降低了检索准确率。

发明内容

本发明的目的是提供一种基于自适应矩形窗口的图像检索方法，通过在数据库图像中根据局部不变特征的空间分布自动生成大小不一的矩形窗口，从而恰当地描述数据库图像中的局部区域信息，以提高待检索目标区域和数据库图像的内容相似度，避免数据库图像中内容无关区域的影响，最终在保证检索效率的同时提高检索准确率。

实现本发明目的的技术方案是：一种基于自适应矩形窗口的图像检索方法，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。

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。