[发明专利]一种基于特征点聚类的图像检索方法

权利要求书

1.一种基于特征点聚类的图像检索方法，其特征在于，包括以下步骤：

步骤1：提取图像数据库中所有图像的局部特征点；

步骤2：使用聚类算法对步骤1中提取的所有局部特征点进行聚类，得到K个聚类中心，其中，K的取值为K＝1-1000；

步骤3：对于数据库中的每一幅图像，基于步骤1提取的该幅图像的局部特征点和步骤2得到的K个聚类中心，计算其局部特征聚合描述子；

步骤4：对于检索图像，提取其局部特征点，并使用聚类算法对局部特征点进行聚类，生成K’个类，得到K’个类中心，其中，K’的取值为K’＝1-10；

步骤5：计算检索图像的所有类中心之间的最短距离d_min；设定阈值T，若d_min≤T，则将最短距离对应的两个类进行合并；

d_min＝min||μ′_i-μ′_j||

其中，μ′_i和μ′_j表示第i个和第j个类中心，i＝1～K′，j＝1～K′；

步骤6：重复执行步骤5，直到d_min>T为止，此时，检索图像的聚类个数为K”，K”<＝K’；

步骤7：对于检索图像的K”个类，选取特征点数量最大类中的图像特征点，基于步骤2得到的K个聚类中心，计算局部特征聚合描述子；

步骤8：计算步骤7中得到的局部特征聚合描述子与数据库中所有图像的局部特征聚合描述子的欧式距离，最小距离对应的数据库图像即为最终检索结果：

retrievelIdx＝argmin_j||V_r-V_j||

其中，V_r为检索图像的局部特征聚合描述子，V_j为图像数据库中第j幅图像的局部特征聚合描述子，retrievelIdx为计算得到的最小距离图像的编号。

2.根据权利要求1所述的基于特征点聚类的图像检索方法，其特征在于，所述步骤1中的局部特征点是SIFT特征点、SURF特征点、ORB特征点、HOG特征点、FAST特征点、BRISK特征点或LBP特征点。

3.根据权利要求1所述的基于特征点聚类的图像检索方法，其特征在于，所述步骤3具体方法如下：

步骤3-1：计算图像中每一个特征点所属的类编号；

步骤3-2：计算每个聚类的残差向量；

步骤3-3：将步骤3-2求得的k个残差向量合成一个一维向量；

步骤3-4：对一维向量V中的每一个分量进行幂律规一化处理：

V_i＝sign(V_i)·|V_i|^α

其中，V_i表示一维向量V中第i个分量，i＝1,2,...,N，N表示一维向量V的维度；α≤1，代表归一化参数；

步骤3-5：对处理后的一维向量采用如下公式进行L2范数归一化，得到的一维向量V即为图像的局部特征聚合描述子：

4.根据权利要求3所述的基于特征点聚类的图像检索方法，其特征在于，所述步骤3-1：采用以下公式计算图像中每一个特征点所属的类编号：

i＝argmin_j||x_t-μ_j||

其中，x_t表示图像第t个特征点，t＝1,2,...,n，n表示图像特征点数量，μ_j表示第j个聚类中心，j＝1,2,...,K，i表示求得的x_t所属类编号。

5.根据权利要求3所述的基于特征点聚类的图像检索方法，其特征在于，所述步骤3-2：采用以下公式计算每个聚类的残差向量：

其中，μ_i表示第i个聚类中心，表示图像中属于第i个聚类的第k个特征点，m表示图像中属于第i个聚类的特征点总数；v_i表示第i个聚类的残差向量。

6.根据权利要求3所述的基于特征点聚类的图像检索方法，其特征在于，所述步骤3-3：采用以下公式将步骤3-2求得的k个残差向量合成一个一维向量：

V＝[v₁ v₂ Λ v_K]。