[发明专利]一种基于分层结构的图像检索方法

摘要

本发明属于图像检索技术领域，涉及一种分层结构的图像检索方法，包括：获取进行训练的图像，并对图像中每个物体构造树状结构标签，形成训练集；提取训练集中图像每个物体的低层特征，训练得到所有候选的类，子类以及属性相对应的分类器，形成下一步建模所需要的中间数据；构造条件随机场模型，训练得到模型参数；对于待描述图像，首先进行图像分割，分割出待描述图像中包含的物体，再提取待描述图像中每个物体的低层特征；之后利用所构造的条件随机场模型及训练得到模型参数，采用使用最大积信念传播算法，对待描述图像中每个物体的树状结构标签进行预测；建立相应的图像检索系统。本发明可以提高图像与图像之间的区分度，产生更好的检索结果。

主权项

一种基于分层结构的图像检索方法,包括下列步骤：第一步，获取进行训练的图像，并对图像中每个物体构造3层树状结构标签，形成训练集：(1)获取进行训练的图像，构建图像集合IMG；(2)使用图像分割算法分割出集合IMG中每幅图像中所包含的物体，构成物体集合OBJ；(3)对集合OBJ中的每个物体进行标注，标注的内容包括物体所属的类，子类以及具有的属性，形成类集合CLASS，子类集合SUBCLASS以及属性集合ATTRIBUTE；(4)根据标注信息对集合OBJ中的每个物体构造包括类‑子类‑属性3层树状结构标签，形成与OBJ相对应的标签集合Y，两个集合的元素一一对应；(5)类集合CLASS中有很多相同的元素，顺序扫描CLASS中的每个元素，相同的元素只保留一个，形成候选的类集合Cla，对其子类集合SUBCLASS和属性集合ATTRIBUTE做相同的扫描，得到候选的子类集合Subcl和候选的属性集合Attri；(6)构造包括：物体集合OBJ，标签集合Y，候选的类集合Cla，候选的子类集合Subcl以及候选的属性集合Attri的训练集Tr。第二步，提取训练集中图像每个物体的低层特征，训练得到所有候选的类，子类以及属性相对应的分类器，形成下一步建模所需要的中间数据的步骤如下：(1)提取物体集合OBJ中每个物体的局部二值模式特征（LBP）特征，构造特征集合X；(2)根据特征集合X和类集合CLASS，训练得到集合Cla中每个元素wi的SVM分类器SVM_wi，构成与类相对应的分类器集合Sw，同理，根据特征集合X和子类集合SUBCLASS，训练得到子类集合Subcl中每个元素vj的SVM分类器SVM_vj，构成与子类相对应的分类器集合Sv，根据特征集合X和属性集合ATTRIBUTE，训练得到集合Attri中每个元素uk的SVM分类器SVM_uk，构成与属性相对应的分类器集合Su；(3)在训练集Tr上计算分类器集合Su中每个分类器SVM_uk的查准率和查全率曲线(PR曲线)，根据该PR曲线得到分类器SVM_uk的阈值threk，构成与Su对应的阈值集合Threshold；(4)在训练集Tr上统计候选的类集合Cla中的每一个元素wi和候选的子类集合Subcl中每一个元素vj的共现概率pij，即标签集合Y中同时具有wi和vi的物体数量占OBJ中总物体数Nm的比例；在训练 集Tr上统计候选的子类集合Subcl中每一个元素vi和候选的属性集合Attri中每一个元素uk的共现概率gjk，即集合Y中同时具有uk和vi的物体数量占OBJ中总物体数Nm的比例，此外，在训练集Tr上统计含有候选的子类集合Subcl中元素vi但不含有候选的属性集合中元素uk的概率qjk，即集合Y中具有vi但没有uk的物体数量占OBJ中总物体数Nm的比例；(5)构造包含：分类器集合Sw，Sv，Su，阈值集合Threshold，概率统计数据pij，gjk，qjk的中间数据，以备下一步建模使用。第三步，构造条件随机场模型(CRF)，训练得到模型参数；第四步，对于待描述图像，首先进行图像分割，分割出待描述图像中包含的物体，再按照前述的第二步的方法，提取待描述图像中每个物体的低层特征；之后，利用第三步构造的条件随机场模型(CRF)及训练得到模型参数，采用使用最大积信念传播算法，对待描述图像中每个物体的3层树状结构标签进行预测；第五步，使用资源描述框架（RDF）对图像进行描述，建立相应的图像检索系统。