[发明专利]图像局部特征语义分布结构和样本分布结构融合编码方法

权利要求书

1.图像局部特征语义分布结构和样本分布结构融合编码方法，其特征在于，具体按照以下步骤实施：

步骤1：获取图像的多尺度稠密SIFT局部特征；

步骤2：用K-means聚类获取局部特征的语义中心，用χ²测度度量局部特征语义分布结构；

步骤3：基于图像的局部特征用Hausdorff距离度量图像样本分布结构；

步骤4：基于词包模型编码的图像样本分布结构度量；

步骤5：通过矩阵谱优化求解的方法融合结构获得局部低维紧实的局部特征，用K-means聚类获取局部特征的新的语义中心，对每一幅图像进行特征量化编码，获得分类判别能力强的图像特征描述；

所述步骤2具体为：

在所述步骤1得到的多尺度稠密SIFT局部特征中随机取a个特征，然后用K-means聚类获取b个局部特征的语义中心，表示为Z＝[Z₁,Z₂,...,Z_b]^T,其中Z_i为第i个局部特征的语义中心，1≤i≤b，然后用χ²测度度量局部特征语义分布结构，图像的局部特征的语义分布结构度量为d_Z(Z_i,Z_j)：

其中，Z_i和Z_j为局部特征的语义中心i和局部特征的语义中心j的SIFT特征表征，1≤i≤b，1≤j≤b；

所述步骤3具体为：

设图像学习样本数目为m，图像样本集表示为I＝[I₁,I₂,...,I_m]^T，图像样本信息用图像关键点的集合表示为I_i＝{Z_il|1≤l≤l_i}，其中1≤i≤m,I_i为第i图像样本的局部特征的集合，l_i为第i图像样本的局部特征数目；

为了提取当前图像的语义中心简化计算，用K-means聚类成c个类，第i图像样本的局部特征的集合为I_i＝{Z_l|1≤l≤c}，因为图像样本信息用语义中心集合表示，用Hausdorff距离d_I(I_i,I_j)度量不同图像样本分布结构：

d_I(I_i,I_j)＝max(h(I_i,I_j),h(I_j,I_i)) (2)

其中，I_i和I_j分别为第i图像样本的局部特征的集合和第j图像样本的局部特征的集合；

所述步骤4具体为：

对图像学习样本编码为H＝[H₁,H₂,...,H_m]^T；

其中，H_i(k)为H_i的第k维，1≤k≤b；为计数函数，统计Z_il和b个局部特征的语义中心Z_k距离最短时对应到第k维的特征数目，用χ²测度度量d_H(H_i,H_j)表示不同图像样本分布结构：

所述步骤5具体为：

计算各结构测度相似矩阵W_Z＝{W_Z,i,j}和W_H＝{W_H,i,j}：

根据融合图像局部特征语义分布结构和样本分布结构的优化方程得以下优化式：

(ZW_ZZ^T-B)α＝λZZ^Tα (7)

其中，

通过广义特征值求解d个最大特征对应的特征向量，求得映射矩阵A＝[α₁,α₂,...,α_d]，求解出A后，通过式Y_i＝A^TZ_i映射各个特征集，得融合后的局部特征为Y_i，

设图像学习样本数目为m，映射后图像样本集表示为Q＝[Q₁,Q₂,...,Q_m]^T，图像样本信息用图像关键点的集合表示为Q_i＝{Y_il|1≤l≤l_i}，其中1≤i≤m，Q_i为第i图像样本的局部特征的集合，l_i为第i图像样本的局部特征数目，在这些局部特征随机取a个特征，然后用K-means聚类获取b个局部特征的语义中心表示为Y＝[Y₁,Y₂,...,Y_b]^T，其中Y_i为第i个映射后的局部特征的语义中心，1≤i≤b，对所有图像样本编码为H_Y＝[H_Y1,H_Y2,...,H_YM]^T，

其中，M为图像样本的总数，

其中H_Yi(k)为H_Yi的第k维，1≤k≤b；为计数函数，统计Y_il和b个局部特征的语义中心Y_k距离最短时对应到第k维的特征数目。