一種用于交互式圖像檢索的特征矢量優(yōu)化方法
【專利摘要】本發(fā)明提供一種用于交互式圖像檢索的特征矢量優(yōu)化方法，即通過引入圖像可分性指標作為能量函數(shù)，將用于檢索圖像的特征矢量選擇問題轉(zhuǎn)化為最小化能量函數(shù)的優(yōu)化問題，并結(jié)合模擬退火算法加以實現(xiàn)。同時，在特征矢量優(yōu)化過程收斂后，通過優(yōu)化特征矢量的提取和特征匹配實現(xiàn)基于內(nèi)容的交互式圖像檢索，當用戶根據(jù)檢索結(jié)構(gòu)選擇相關圖像和不相關圖像后，根據(jù)用戶的選擇和計算實現(xiàn)相關反饋，直至尋找到最優(yōu)的特征矢量用于檢索系統(tǒng)以達到最佳的檢索效果。圖像的可分性可以用來評價特征矢量對于整個圖像數(shù)據(jù)庫中與待查詢圖像的相關圖像集合與非相關圖像集合的區(qū)分能力，使用模擬退火優(yōu)化算法在每一次相關反饋過程中作為特征矢量優(yōu)化工具，以求在達到優(yōu)化目的的同時增加系統(tǒng)的普遍適用性。
【專利說明】—種用于交互式圖像檢索的特征矢量優(yōu)化方法
【技術領域】
[0001]本發(fā)明涉及一種圖像處理方法，具體地說是一種用于交互式圖像檢索的特征矢量優(yōu)化方法。
【背景技術】
[0002]基于內(nèi)容的圖像檢索，即CBIR (Content-based image retrieval),是計算機視覺領域中關注大規(guī)模數(shù)字圖像內(nèi)容檢索的研究分支。典型的CBIR系統(tǒng)，允許用戶輸入一張圖片，以查找具有相同或相似內(nèi)容的其他圖片。而傳統(tǒng)的圖像檢索是基于文本的，即通過圖片的名稱、文字信息和索引關系來實現(xiàn)查詢功能?；趦?nèi)容的圖像檢索(CBIR)是一個已經(jīng)應用在很多方面的很有趣并且很有挑戰(zhàn)性的問題，Arnold W.M對2002年前發(fā)表的的200多篇關于CBIR的文章進行了總結(jié)歸納。從那以后，學者們嘗試著從不同的方面去提高CBIR系統(tǒng)的性能。
[0003]基于內(nèi)容的圖像檢索(CBIR)系統(tǒng)一般分為3個模塊，特征提取，相似性比較和相關反饋。特征提取模塊的主要作用是對圖像做預處理和特征提取，這里的特征主要包括圖像的顏色，紋理，形狀等幾個方面；相似性比較模塊主要通過匹配查詢圖像與圖像庫中圖像，找到與輸入圖像最相似的圖像；相關反饋是一個交互式查詢過程，在此過程中，用戶需要根據(jù)自身的需求對檢索結(jié)果的相關性做一個判斷，然后系統(tǒng)根據(jù)用戶的判斷動態(tài)地學習以便得到更好的檢索結(jié)果。
[0004]在Hoi提出了一種長短混合學習語義特征的方法。Barrett利用了半監(jiān)督的學習和批處理模式的主動學習。Muneesawang應用了 RBF方法,根據(jù)用戶的反饋信息逐步調(diào)整模型。
[0005]上述研究中，大部分的改進都是在模擬人類的視覺效應，但是僅僅依靠用戶的反饋調(diào)整一些系數(shù)很難全面的模仿人類視覺。雖然SVM在機器學習領域已經(jīng)取得了很大的成功，但是它在系數(shù)的選擇方面仍舊很復雜。除此之外，數(shù)據(jù)庫中包含的冗余信息將會影響分類的正確性。為了克服這個問題，ZhongSu利用了 PCA方法在相關反饋時提取并且更新特征向量。然而PCA在數(shù)據(jù)之間有很強的線性關聯(lián)的時候比較適用，當主成分之間的差異較小的時候，累積貢獻率就真的很小，這時我們就要考慮其他的非線性的方法。
[0006]在基于內(nèi)容的圖像檢索系統(tǒng)中，特征提取是其中的核心，在明確了特征形式的基礎上，該特征矢量的優(yōu)劣取決于其能否在同類圖像間體現(xiàn)矢量差異性最小化以及在不同類圖像間體現(xiàn)矢量差異性最大化。
[0007]在中國專利文獻CN101770578A中公開了一種圖像處理【技術領域】的圖像特征提取方法，包括步驟為:提取圖像中全部像素點的位置信息和顏色信息；對圖像進行提取邊緣區(qū)域的處理，得到邊緣區(qū)域每個像素點的位置信息和顏色信息；對圖像I的邊緣區(qū)域提取顏色自相關特征，得到邊緣區(qū)域的顏色自相關圖；對圖像的全部區(qū)域提取邊緣方向自相關特征，得到全局的邊緣方向自相關圖；對圖像的全部區(qū)域內(nèi)提取顏色自相關特征，得到全局的顏色自相關圖；將三種自相關圖進行特征前融合，得到圖像的特征。該方案中通過特征融合來提供更加全面的基于圖像結(jié)構(gòu)的內(nèi)容描述，但是當提取的這些特征不能很好的表達或區(qū)分該圖像時，無法通過優(yōu)化的方式來更好的來表征該圖像的特征。

【發(fā)明內(nèi)容】

[0008]為此，本發(fā)明所要解決的技術問題在于現(xiàn)有技術中的圖像特征提取方法無法實現(xiàn)對特征向量的優(yōu)化，從而提出一種基于圖像可分性的用于交互式檢圖像檢索的特征矢量優(yōu)化方法。
[0009]為解決上述技術問題，本發(fā)明的提供一種用于交互式圖像檢索的特征矢量優(yōu)化方法，包括:
[0010]提取查詢圖像以及圖像庫中的圖像的基本特征；
[0011]將所述查詢圖像與圖像庫中的圖像的特征進行匹配，并返回匹配結(jié)果；
[0012]用戶對結(jié)果中的圖像進行判斷，分別選擇相關圖像和不相關的圖像，
[0013]將根據(jù)用戶的選擇以及計算得到的向量作為初始解，所有返回圖像的可分性的值作為能量函數(shù)，采用模擬退火算法進行矢量優(yōu)化。
[0014]所述的特征矢量優(yōu)化方法，所述采用模擬退火算法進行矢量優(yōu)化的過程，包括:
[0015](I)由初始解變換為新解；
[0016](2)計算與新解所對應的目標函數(shù)差；
[0017](3)依據(jù)接受準則判斷新解是否被接受；
[0018](4)新解被接受時，用新解代替當前解，修正目標函數(shù)值，完成本次迭代，然后判斷此時能量函數(shù)是否達到最小值，達到最小值則將此時的新解作為最優(yōu)向量，否則轉(zhuǎn)到步驟
(2)繼續(xù)下一次迭代；當新解被判定為舍棄時，在當前解的基礎上轉(zhuǎn)到步驟(2)進行下一次迭代。
[0019]所述的特征矢量優(yōu)化方法，所述能量函數(shù)為圖像可分性評價函數(shù)，描述為:
[0020]SeparabiIity=PMXH(P1,M, P2|M,...，Pm|M,...)
[0021]其中，Pl|M，P2|M...Pm|M...分別為邊緣區(qū)域中各個圖像由特征匹配度決定的概率值，H ()表示熵值計算，Pm為邊緣區(qū)域的概率。
[0022]所述的特征矢量優(yōu)化方法，所述由初始解變換為新解時，通過對構(gòu)成新解的全部或部分元素進行置換、互換。
[0023]所述的特征矢量優(yōu)化方法，所述計算與新解所對應的目標函數(shù)差時，目標函數(shù)差的計算按照增量計算。
[0024]所述的特征矢量優(yōu)化方法，所述接受準則為設置一個判斷閾值進行判斷。
[0025]所述的特征矢量優(yōu)化方法，所述用新解代替當前解時，將當前解中對應于產(chǎn)生新解時的變換部分予以變換，同時修正目標函數(shù)。
[0026]所述的特征矢量優(yōu)化方法，在所述步驟(4)中，還設置有迭代次數(shù)閾值，當達到迭代次數(shù)后，優(yōu)化完成，結(jié)束優(yōu)化。
[0027]本發(fā)明的上述技術方案相比現(xiàn)有技術具有以下優(yōu)點，
[0028](I)本發(fā)明的提供一種用于交互式檢圖像檢索的特征矢量優(yōu)化方法，通過特征提取和特征匹配實現(xiàn)基于內(nèi)容的交互式圖像檢索，當用戶根據(jù)檢索結(jié)構(gòu)選擇相關圖像和不相關圖像后，根據(jù)用戶的選擇和計算修改查詢向量，并將其作為模擬退火算法的初始解，采用模擬退火算法進行能量最小化搜索。圖像的可分性可以用來評價特征的表征能力，為了尋找到最優(yōu)的特征向量用于檢索系統(tǒng)以達到最佳的檢索效果，本文使用了模擬退火優(yōu)化算法，它可以在固定時間內(nèi)尋求在一個大的搜尋空間內(nèi)找到的最優(yōu)解，使用這樣的非線性方法以求在達到優(yōu)化目的的同時增加系統(tǒng)的普遍適用性。在應用模擬退火算法的特征矢量優(yōu)化過程中，本文以圖像可分性的值作為能量函數(shù)，當能量函數(shù)達到最小值時，得到了最優(yōu)的特征矢量并將其作為相關反饋的輸入，最大程度上滿足了用戶的需求。
[0029](2)本發(fā)明的提供一種用于交互式檢圖像檢索的特征矢量優(yōu)化方法，采用模擬退火算法進行矢量優(yōu)化的過程，模擬退火是一種通用概率算法，用來在固定時間內(nèi)尋求在一個大的搜尋空間內(nèi)找到的最優(yōu)解。模擬退火算法的基本思想是從選定的初始解開始，再借助于控制參數(shù)遞減時產(chǎn)生的一系列Markov鏈，利用一個隨機產(chǎn)生新解的方案和接受準則，重復進行”產(chǎn)生新解-計算目標函數(shù)差-判斷是否接受新解-接受或舍棄新解”，不斷對當前的解迭代，使能量函數(shù)達到最小化，從而使目標函數(shù)達到最優(yōu)，將此時的解作為最優(yōu)的特征矢量，從而實現(xiàn)了特征矢量的優(yōu)化。
【專利附圖】

【附圖說明】
[0030]為了使本發(fā)明的內(nèi)容更容易被清楚的理解，下面根據(jù)本發(fā)明的具體實施例并結(jié)合附圖，對本發(fā)明作進一步詳細的說明，其中
[0031]圖1是本發(fā)明所述的特征矢量優(yōu)化方法的一個實施例的框架結(jié)構(gòu)圖；
[0032]圖2是本發(fā)明所述的特征矢量優(yōu)化方法的一個實施例的圖像可分性示意圖；
[0033]圖3 (a)和圖3 (b)是本發(fā)明所述的特征矢量優(yōu)化方法的一個實施例的圖像可分性在基于內(nèi)容的檢索系統(tǒng)中的應用示意圖；
[0034]圖4是本發(fā)明所述的特征矢量優(yōu)化方法的一個實施例中優(yōu)化特征矢量前圖像可分性的值的示意圖；
[0035]圖5 (a)和圖5 (b)是本發(fā)明所述的特征矢量優(yōu)化方法的一個實施例中特征優(yōu)化過程示意圖；
[0036]圖6 (a)和圖6 (b)是本發(fā)明所述的特征矢量優(yōu)化方法的一個實施例中檢索結(jié)果對比圖；
[0037]圖7 (a)和圖7 (b)是本發(fā)明所述的特征矢量優(yōu)化方法的一個實施例中與現(xiàn)有檢索方法的檢索性能比較圖。
【具體實施方式】
[0038]本實施例中提供一種用于交互式圖像檢索的特征矢量優(yōu)化方法，優(yōu)化過程為:在特征提取部分獲取各個圖像的特征矢量，然后將每個圖像的特征矢量與待查詢圖像的特征矢量進行特征匹配，根據(jù)總體的特征匹配度計算該特征矢量形式的圖像可分性，圖像可分性指標以及該特征矢量形式下的圖像檢索結(jié)果返回給用戶端由用戶進行相關反饋，系統(tǒng)根據(jù)反饋結(jié)果并結(jié)合模擬退火算法，以降低圖像可分性指標為方向進行特征矢量形式的優(yōu)化。
[0039]1、特征提取
[0040]提取查詢圖像以及圖像庫中的圖像的基本特征。圖像的特征具有復雜性和多樣性，簡單的文本描述因其主觀性和二義性，無法滿足檢索的需要。圖像的底層特征，如顏色、紋理、形狀等，能夠從人眼視覺的角度較好的反映出圖像的內(nèi)在特征，將內(nèi)容豐富的圖像信息用相對簡單的特征向量進行表示，能夠在很大程度上提高匹配速度。
[0041]在對圖像的特征進行提取后，會對這些特征進行處理和優(yōu)化，如提取如下特征信息:
[0042]a、顏色直方圖:實際上，它是對圖像上所有像素的顏色值的一個統(tǒng)計。
[0043]
【權(quán)利要求】
1.一種用于交互式圖像檢索的特征矢量優(yōu)化方法，其特征在于，包括: 提取查詢圖像以及圖像庫中的圖像的基本特征； 將所述查詢圖像與圖像庫中的圖像的特征進行匹配，并返回匹配結(jié)果； 用戶對結(jié)果中的圖像進行判斷，分別選擇相關圖像和不相關的圖像， 將根據(jù)用戶的選擇以及計算得到的向量作為初始解，所有返回圖像的可分性的值作為能量函數(shù)，采用模擬退火算法進行矢量優(yōu)化。
2.根據(jù)權(quán)利要求1所述的特征矢量優(yōu)化方法，其特征在于，所述采用模擬退火算法進行矢量優(yōu)化的過程，包括: (O由初始解變換為新解； (2)計算與新解所對應的目標函數(shù)差； (3)依據(jù)接受準則判斷新解是否被接受； (4)新解被接受時，用新解代替當前解，修正目標函數(shù)值，完成本次迭代，然后判斷此時能量函數(shù)是否達到最小值，達到最小值則將此時的新解作為最優(yōu)向量，否則轉(zhuǎn)到步驟(2)繼續(xù)下一次迭代；當新解被判定為舍棄時，在當前解的基礎上轉(zhuǎn)到步驟(2)進行下一次迭代。
3.根據(jù)權(quán)利要求1或2所述的特征矢量優(yōu)化方法，其特征在于，所述能量函數(shù)為圖像可分性評價函數(shù)，描述為:

4.根據(jù)權(quán)利要求2或3所述的特征矢量優(yōu)化方法，其特征在于，所述由初始解變換為新解時，通過對構(gòu)成新解的全部或部分元素進行置換、互換。
5.根據(jù)權(quán)利要求2-4任一所述的特征矢量優(yōu)化方法，其特征在于，所述計算與新解所對應的目標函數(shù)差時，目標函數(shù)差的計算按照增量計算。
6.根據(jù)權(quán)利要求2-5任一所述的特征矢量優(yōu)化方法，其特征在于，所述接受準則為設置一個判斷閾值進行判斷。
7.根據(jù)權(quán)利要求2-6任一所述的特征矢量優(yōu)化方法，其特征在于，所述用新解代替當前解時，將當前解中對應于產(chǎn)生新解時的變換部分予以變換，同時修正目標函數(shù)。
8.根據(jù)權(quán)利要求2-7任一所述的特征矢量優(yōu)化方法，其特征在于，在所述步驟(4)中，還設置有迭代次數(shù)閾值，當達到迭代次數(shù)后，優(yōu)化完成，結(jié)束優(yōu)化。
【文檔編號】G06F17/30GK103838821SQ201310752711
【公開日】2014年6月4日 申請日期:2013年12月31日 優(yōu)先權(quán)日:2013年12月31日
【發(fā)明者】葉龍, 夏燁, 張勤 申請人:中國傳媒大學