基于顯著性模型的圖像檢索方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于顯著性模型的圖像檢索方法，包括：S1、對(duì)數(shù)據(jù)庫(kù)中所有圖像進(jìn)行顯著性建模，區(qū)分所有圖像中的顯著性區(qū)域和非顯著性區(qū)域并保存；S2、對(duì)待搜索圖像進(jìn)行顯著性分析，區(qū)分待搜索圖像的顯著性區(qū)域；S3、按照數(shù)據(jù)庫(kù)中所有圖像顯著性區(qū)域和非顯著性區(qū)域內(nèi)與待搜索圖像顯著性區(qū)域內(nèi)相同特征的個(gè)數(shù)標(biāo)定圖像分?jǐn)?shù)；S4、按照?qǐng)D像分?jǐn)?shù)來(lái)對(duì)數(shù)據(jù)庫(kù)中的圖像排序，確定搜索結(jié)果。本發(fā)明將圖像顯著性建模加入圖像檢索中，有針對(duì)的找到顯著性區(qū)域，提取圖像的重要表達(dá)區(qū)域進(jìn)行檢索，從而能夠?qū)z索結(jié)果按重要度分級(jí)，可以按搜索的不同主題進(jìn)行搜索，檢索結(jié)果可以區(qū)分主題、分類(lèi)主次。
【專(zhuān)利說(shuō)明】基于顯著性模型的圖像檢索方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像檢索【技術(shù)領(lǐng)域】，尤其涉及一種基于顯著性模型的圖像檢索方法。【背景技術(shù)】
[0002]圖像檢索技術(shù)是通過(guò)計(jì)算機(jī)對(duì)圖像進(jìn)行識(shí)別的技術(shù)，即對(duì)于給定圖像，通過(guò)計(jì)算機(jī)算法搜索相關(guān)圖像信息。這種技術(shù)在安防、信息安全領(lǐng)域有非常廣闊的應(yīng)用前景，經(jīng)過(guò)了40多年的研究發(fā)展，取得了非常卓越的發(fā)展，各種識(shí)別算法的不斷涌現(xiàn)，大量識(shí)別算法是從圖像的所有特征出發(fā)，通過(guò)從二維圖像中提取圖像的特征信息，如LBP特征或者SIFT特征，然后用此特征信息對(duì)數(shù)據(jù)庫(kù)中的圖像進(jìn)行檢索。
[0003]然而在現(xiàn)有的圖像檢索中，都是對(duì)圖像特征進(jìn)行檢測(cè)，再對(duì)數(shù)據(jù)庫(kù)中的圖像進(jìn)行搜索，但是搜索出來(lái)的圖像沒(méi)有針對(duì)性，混雜在一起，不夠明確什么是搜索的重點(diǎn)，導(dǎo)致檢索結(jié)果也不夠具有針對(duì)性。
[0004]因此，針對(duì)上述技術(shù)問(wèn)題，有必要提供一種基于顯著性模型的圖像檢索方法。

【發(fā)明內(nèi)容】

[0005]有鑒于此，本發(fā)明將將顯著性建模領(lǐng)域與圖像檢索相結(jié)合，提供一種基于顯著性模型的圖像檢索方法。
[0006]為了實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例提供的技術(shù)方案如下:
[0007]一種基于顯著性模型的圖像檢索方法，所述方法包括:
[0008]S1、對(duì)數(shù)據(jù)庫(kù)中所有圖像進(jìn)行顯著性建模，區(qū)分所有圖像中的顯著性區(qū)域和非顯著性區(qū)域并保存；
[0009]S2、對(duì)待搜索圖像進(jìn)行顯著性分析，區(qū)分待搜索圖像的顯著性區(qū)域；
[0010]S3、按照數(shù)據(jù)庫(kù)中所有圖像顯著性區(qū)域和非顯著性區(qū)域內(nèi)與待搜索圖像顯著性區(qū)域內(nèi)相同特征的個(gè)數(shù)標(biāo)定圖像分?jǐn)?shù)；
[0011]S4、按照?qǐng)D像分?jǐn)?shù)來(lái)對(duì)數(shù)據(jù)庫(kù)中的圖像排序，確定搜索結(jié)果。
[0012]作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟SI中顯著性建模為具體為:
[0013]按照特征分布查找，統(tǒng)計(jì)圖像中出現(xiàn)的特征，按照在有限區(qū)域內(nèi)不同種類(lèi)的特征匯聚在一起的個(gè)數(shù)多少確定顯著性區(qū)域和非顯著性區(qū)域。
[0014]作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟SI中顯著性建模為具體為:
[0015]按照顏色直方圖查找，對(duì)圖像像素的每一行統(tǒng)計(jì)顏色直方圖，橫坐標(biāo)為顏色分類(lèi)，縱坐標(biāo)為不同顏色在這一行出現(xiàn)的次數(shù)，查找是否兩種不同顏色的分類(lèi)有同時(shí)出現(xiàn)，再乘以占總行出現(xiàn)個(gè)數(shù)的權(quán)值，標(biāo)定出不同位置的顯著性區(qū)域，然后用擴(kuò)散的方法區(qū)分顯著性區(qū)域和非顯著性區(qū)域。
[0016]作為本發(fā)明的進(jìn)一步改進(jìn)，所述特征為SIFT特征、SURF特征、BRISK特征中的一種或多種。
[0017]作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S3具體為:[0018]檢查數(shù)據(jù)庫(kù)中圖像的顯著性區(qū)域內(nèi)是否出現(xiàn)與待搜索圖像顯著性區(qū)域相同種類(lèi)的特征，若是，則取數(shù)據(jù)庫(kù)中圖像的顯著性區(qū)域內(nèi)特征個(gè)數(shù)和待搜索圖像顯著性區(qū)域內(nèi)特征個(gè)數(shù)的最小值，乘以4后加入當(dāng)前圖像分?jǐn)?shù)中；
[0019]檢查數(shù)據(jù)庫(kù)中圖像的非顯著性區(qū)域內(nèi)是否出現(xiàn)與待搜索圖像顯著性區(qū)域相同種類(lèi)的特征，若是，則取數(shù)據(jù)庫(kù)中圖像的非顯著性區(qū)域內(nèi)特征個(gè)數(shù)和待搜索圖像顯著性區(qū)域內(nèi)特征個(gè)數(shù)的最小值，加入當(dāng)前圖像分?jǐn)?shù)中。
[0020]本發(fā)明具有以下有益效果:
[0021]本發(fā)明將圖像顯著性建模加入圖像檢索中，有針對(duì)的找到顯著性區(qū)域，提取圖像的重要表達(dá)區(qū)域進(jìn)行檢索，從而能夠?qū)z索結(jié)果按重要度分級(jí)，可以按搜索的不同主題進(jìn)行搜索，檢索結(jié)果可以區(qū)分主題、分類(lèi)主次。
【專(zhuān)利附圖】

【附圖說(shuō)明】
[0022]為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明中記載的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0023]圖1為本發(fā)明中基于顯著性模型的圖像檢索方法的具體流程圖。
[0024]圖2為本發(fā)明一具體實(shí)施例中顯著性模型的示意圖。
【具體實(shí)施方式】
[0025]為了使本【技術(shù)領(lǐng)域】的人員更好地理解本發(fā)明中的技術(shù)方案，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都應(yīng)當(dāng)屬于本發(fā)明保護(hù)的范圍。
[0026]參圖1所示，本發(fā)明公開(kāi)了一種基于顯著性模型的圖像檢索方法，具體包括:
[0027]S1、對(duì)數(shù)據(jù)庫(kù)中所有圖像進(jìn)行顯著性建模，區(qū)分所有圖像中的顯著性區(qū)域和非顯著性區(qū)域并保存；
[0028]S2、對(duì)待搜索圖像進(jìn)行顯著性分析，區(qū)分待搜索圖像的顯著性區(qū)域；
[0029]S3、按照數(shù)據(jù)庫(kù)中所有圖像顯著性區(qū)域和非顯著性區(qū)域內(nèi)與待搜索圖像顯著性區(qū)域內(nèi)相同特征的個(gè)數(shù)標(biāo)定圖像分?jǐn)?shù)；
[0030]S4、按照?qǐng)D像分?jǐn)?shù)來(lái)對(duì)數(shù)據(jù)庫(kù)中的圖像排序，確定搜索結(jié)果。
[0031]本發(fā)明中特征為SIFT (尺度不變特征轉(zhuǎn)換,Scale-1nvariant feature transform)特征、SURF (加速魯棒性特征，Speeded Up Robust Features)特征、BRISK ( 二進(jìn)制魯棒不變尺度特征，Binary Robust Invariant Scale Keypoint)特征中的一種或多種。優(yōu)選地，在以下實(shí)施例中以SIFT特征為例進(jìn)行說(shuō)明。
[0032]其中，步驟SI中顯著性建?？梢远鄻踊?，可以使用SIFT特征聚簇的特性；也可以使用顏色直方圖的不同顏色卻鄰近、對(duì)比度大的特性等。具體包括:
[0033]按照特征分布查找，統(tǒng)計(jì)圖像中出現(xiàn)的特征，按照在有限區(qū)域內(nèi)不同種類(lèi)的特征匯聚在一起的個(gè)數(shù)多少確定顯著性區(qū)域和非顯著性區(qū)域。使用聚類(lèi)后的SIFT種類(lèi)描述顯著性區(qū)域即可，無(wú)需使用128維度SIFT特征，這樣搜索時(shí)更快速。
[0034]具體地，如按圓形區(qū)域框住顯著性區(qū)域，特征分布查找方法為統(tǒng)計(jì)當(dāng)前圖像中出現(xiàn)的SIFT特征，看在有限的圓形區(qū)域內(nèi)，哪些不同種類(lèi)的特征匯聚在一起的個(gè)數(shù)最多則認(rèn)為此區(qū)域更重要。
[0035]按照顏色直方圖查找，對(duì)圖像像素的每一行統(tǒng)計(jì)顏色直方圖，橫坐標(biāo)為顏色分類(lèi)，縱坐標(biāo)為不同顏色在這一行出現(xiàn)的次數(shù)，查找是否兩種不同顏色的分類(lèi)有同時(shí)出現(xiàn)，再乘以占總行出現(xiàn)個(gè)數(shù)的權(quán)值，標(biāo)定出不同位置的顯著性區(qū)域，然后用擴(kuò)散的方法區(qū)分顯著性區(qū)域和非顯著性區(qū)域。
[0036]考慮同種顏色的像素點(diǎn)緊挨在一起的可能性很大，而他們并不重要。但不同種類(lèi)顏色，差別越大，越有區(qū)分性，則越重要。所以可以對(duì)當(dāng)前圖像的RGB3個(gè)分量分別進(jìn)行考量。
[0037]在此對(duì)R分量進(jìn)行解釋如何進(jìn)行顯著性建模:對(duì)圖像像素的每一行，統(tǒng)計(jì)顏色直方圖。橫坐標(biāo)為256的顏色分類(lèi)，縱坐標(biāo)為不同顏色在這一行出現(xiàn)的次數(shù)。查找看是否哪兩種不同顏色的分類(lèi)有同時(shí)出現(xiàn)，給他們以乘以占總行出現(xiàn)個(gè)數(shù)的權(quán)值，以此在標(biāo)定出不同位置的顯著性區(qū)域。然后用擴(kuò)散的方法，使用圓形區(qū)域框住重要的顯著性區(qū)域、非顯著性區(qū)域。
[0038]如在本發(fā)明的一優(yōu)選實(shí)施方式中，詳細(xì)步驟如下:
[0039]對(duì)數(shù)據(jù)庫(kù)中所有圖像進(jìn)行顯著性建模，區(qū)分所有圖像中的顯著性區(qū)域和非顯著性區(qū)域并保存。本實(shí)施方式中采用按照特征分布查找的方法，將圖像分為6X6的格子，統(tǒng)計(jì)每個(gè)格子內(nèi)特征的個(gè)數(shù)，保留最多的2個(gè)到3個(gè)格子即為顯著性區(qū)域。
[0040]搜索圖片時(shí)，對(duì)待搜索圖像進(jìn)行SIFT特征檢測(cè)及描述，區(qū)分待搜索圖像的顯著性區(qū)域和非顯著性區(qū)域。
[0041]檢查所有圖像每個(gè)格子區(qū)域內(nèi)是否出現(xiàn)與待搜索圖像顯著性區(qū)域相同種類(lèi)的特征。
[0042]檢查數(shù)據(jù)庫(kù)中圖像的顯著性區(qū)域內(nèi)是否出現(xiàn)與待搜索圖像顯著性區(qū)域相同種類(lèi)的特征，若是，則取數(shù)據(jù)庫(kù)中圖像的顯著性區(qū)域內(nèi)特征個(gè)數(shù)和待搜索圖像顯著性區(qū)域內(nèi)特征個(gè)數(shù)的最小值，乘以4后加入當(dāng)前圖像分?jǐn)?shù)中；
[0043]檢查數(shù)據(jù)庫(kù)中圖像的非顯著性區(qū)域內(nèi)是否出現(xiàn)與待搜索圖像顯著性區(qū)域相同種類(lèi)的特征，若是，則取數(shù)據(jù)庫(kù)中圖像的非顯著性區(qū)域內(nèi)特征個(gè)數(shù)和待搜索圖像顯著性區(qū)域內(nèi)特征個(gè)數(shù)的最小值，加入當(dāng)前圖像分?jǐn)?shù)中。
[0044]按照數(shù)據(jù)庫(kù)中所有圖像顯著性區(qū)域和非顯著性區(qū)域內(nèi)與待搜索圖像顯著性區(qū)域內(nèi)相同特征的個(gè)數(shù)標(biāo)定圖像分?jǐn)?shù)。
[0045]最后按照?qǐng)D像分?jǐn)?shù)來(lái)對(duì)數(shù)據(jù)庫(kù)中的圖像排序，確定搜索結(jié)果，最后結(jié)果即為按圖像中重要部分進(jìn)行搜索的排序。
[0046]例如，一種圖像分?jǐn)?shù)標(biāo)定過(guò)程如下:
[0047]1.計(jì)算出待檢索圖像的顯著性區(qū)域和非顯著性區(qū)域。
[0048]2.所有的圖像被分成6X6的格子，特征因此相應(yīng)有X，y坐標(biāo)。對(duì)數(shù)據(jù)庫(kù)中的圖像，對(duì)每個(gè)特征，如特征A的x,y坐標(biāo)減去待搜索圖像中特征A的x,y坐標(biāo)。若在數(shù)據(jù)庫(kù)圖像中的特征A處于顯著性區(qū)域，則得到的x，y坐標(biāo)在新的6X6的格子內(nèi)加4。若在數(shù)據(jù)庫(kù)圖像中的特征A處于非顯著性區(qū)域，則得到的X，y坐標(biāo)在新的6X6的格子內(nèi)加I。
[0049]3.對(duì)得到的6X6格子內(nèi)的分?jǐn)?shù)相加得到最后的總圖像分?jǐn)?shù)。
[0050]4.對(duì)總的圖像分?jǐn)?shù)進(jìn)行排序得到最后的圖像檢索序列。
[0051]如在本發(fā)明的一具體實(shí)施例中，采用Caltechl01(加利福尼亞理工學(xué)院101類(lèi)圖像數(shù)據(jù)庫(kù))數(shù)據(jù)集對(duì)不同類(lèi)圖片的SIFT特征進(jìn)行統(tǒng)計(jì)。為方便閱讀，參圖2所示，截取前10 類(lèi)(waterlily, sunflower, snoopy, cellphone, brain, barrel, ant, anchor, airplanes,accordion)特征，從圖2中可看出每類(lèi)出現(xiàn)的重要的特征種類(lèi)組合均各不相同。
[0052]本實(shí)施例使用0Xford5K數(shù)據(jù)庫(kù)進(jìn)行檢索，顯著性模型使用按照特征分布查找的方法，搜索結(jié)果為按重要度分級(jí)的排序，且待搜索圖像的排名在第一位，符合本發(fā)明的檢索原理。
[0053]在檢索圖像時(shí)，傳統(tǒng)的檢索方法通過(guò)對(duì)所有特征進(jìn)行匹配查找，無(wú)明確主題，無(wú)明確針對(duì)的檢索無(wú)法對(duì)圖片的重要性，相關(guān)度，相關(guān)于哪部分進(jìn)行重要區(qū)分。
[0054]由以上技術(shù)方案可以看出，本發(fā)明將圖像顯著性建模加入圖像檢索中，有針對(duì)的找到顯著性區(qū)域，提取圖像的重要表達(dá)區(qū)域進(jìn)行檢索，從而能夠?qū)z索結(jié)果按重要度分級(jí)，可以按搜索的不同主題進(jìn)行搜索，檢索結(jié)果可以區(qū)分主題、分類(lèi)主次。
[0055]對(duì)于本領(lǐng)域技術(shù)人員而言，顯然本發(fā)明不限于上述示范性實(shí)施例的細(xì)節(jié)，而且在不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實(shí)現(xiàn)本發(fā)明。因此，無(wú)論從哪一點(diǎn)來(lái)看，均應(yīng)將實(shí)施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權(quán)利要求而不是上述說(shuō)明限定，因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有變化囊括在本發(fā)明內(nèi)。不應(yīng)將權(quán)利要求中的任何附圖標(biāo)記視為限制所涉及的權(quán)利要求。
[0056]此外，應(yīng)當(dāng)理解，雖然本說(shuō)明書(shū)按照實(shí)施方式加以描述，但并非每個(gè)實(shí)施方式僅包含一個(gè)獨(dú)立的技術(shù)方案，說(shuō)明書(shū)的這種敘述方式僅僅是為清楚起見(jiàn)，本領(lǐng)域技術(shù)人員應(yīng)當(dāng)將說(shuō)明書(shū)作為一個(gè)整體，各實(shí)施例中的技術(shù)方案也可以經(jīng)適當(dāng)組合，形成本領(lǐng)域技術(shù)人員可以理解的其他實(shí)施方式。
【權(quán)利要求】
1.一種基于顯著性模型的圖像檢索方法，其特征在于，所述方法包括: 51、對(duì)數(shù)據(jù)庫(kù)中所有圖像進(jìn)行顯著性建模，區(qū)分所有圖像中的顯著性區(qū)域和非顯著性區(qū)域并保存； 52、對(duì)待搜索圖像進(jìn)行顯著性分析，區(qū)分待搜索圖像的顯著性區(qū)域； 53、按照數(shù)據(jù)庫(kù)中所有圖像顯著性區(qū)域和非顯著性區(qū)域內(nèi)與待搜索圖像顯著性區(qū)域內(nèi)相同特征的個(gè)數(shù)標(biāo)定圖像分?jǐn)?shù)； 54、按照?qǐng)D像分?jǐn)?shù)來(lái)對(duì)數(shù)據(jù)庫(kù)中的圖像排序，確定搜索結(jié)果。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟SI中顯著性建模為具體為: 按照特征分布查找，統(tǒng)計(jì)圖像中出現(xiàn)的特征，按照在有限區(qū)域內(nèi)不同種類(lèi)的特征匯聚在一起的個(gè)數(shù)多少確定顯著性區(qū)域和非顯著性區(qū)域。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟SI中顯著性建模為具體為: 按照顏色直方圖查找，對(duì)圖像像素的每一行統(tǒng)計(jì)顏色直方圖，橫坐標(biāo)為顏色分類(lèi)，縱坐標(biāo)為不同顏色在這一行出現(xiàn)的次數(shù)，查找是否兩種不同顏色的分類(lèi)有同時(shí)出現(xiàn)，再乘以占總行出現(xiàn)個(gè)數(shù)的權(quán)值，標(biāo)定出不同位置的顯著性區(qū)域，然后用擴(kuò)散的方法區(qū)分顯著性區(qū)域和非顯著性區(qū)域。
4.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述特征為SIFT特征、SURF特征、BRISK特征中的一種或多種。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S3具體為: 檢查數(shù)據(jù)庫(kù)中圖像的顯著性區(qū)域內(nèi)是否出現(xiàn)與待搜索圖像顯著性區(qū)域相同種類(lèi)的特征，若是，則取數(shù)據(jù)庫(kù)中圖像的顯著性區(qū)域內(nèi)特征個(gè)數(shù)和待搜索圖像顯著性區(qū)域內(nèi)特征個(gè)數(shù)的最小值，乘以4后加入當(dāng)前圖像分?jǐn)?shù)中； 檢查數(shù)據(jù)庫(kù)中圖像的非顯著性區(qū)域內(nèi)是否出現(xiàn)與待搜索圖像顯著性區(qū)域相同種類(lèi)的特征，若是，則取數(shù)據(jù)庫(kù)中圖像的非顯著性區(qū)域內(nèi)特征個(gè)數(shù)和待搜索圖像顯著性區(qū)域內(nèi)特征個(gè)數(shù)的最小值，加入當(dāng)前圖像分?jǐn)?shù)中。
【文檔編號(hào)】G06F17/30GK104021220SQ201410286038
【公開(kāi)日】2014年9月3日 申請(qǐng)日期:2014年6月24日 優(yōu)先權(quán)日:2014年6月24日
【發(fā)明者】劉宇, 馮良炳 申請(qǐng)人:中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院