專利名稱：：基于特定顯著事物的自適應(yīng)圖像檢索方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及數(shù)字圖像處理領(lǐng)域，特別涉及一種基于特定顯著事物的自適應(yīng)圖像檢索方法。
背景技術(shù)：
：目前，基于內(nèi)容的圖像檢索技術(shù)(CBIR)是圖像處理領(lǐng)域較有感興趣的方向之一，大量的文獻(xiàn)聚焦在對圖像顏色、紋理的構(gòu)建或是從DCT系數(shù)中提取陣列特征。例如:文獻(xiàn)[I]利用DC和低頻帶AC系數(shù)中構(gòu)建能量直方圖；在0(^系數(shù)中，文獻(xiàn)[2]和[3]近似計(jì)算像素的一介和二介距；文獻(xiàn)[4]利用MPEG-7視覺描述子特征實(shí)現(xiàn)布局查詢圖像檢索系統(tǒng)；還有文獻(xiàn)[5]考慮圖像的大小和主導(dǎo)顏色的分布情況等等，但是這些算法不能詳細(xì)的描述圖像的局部特征。然而尺度不變特征變換(SIFT)能夠有效的描述圖像的局部特征，并且具備旋轉(zhuǎn)不變、尺度不變、仿射不變以及噪聲不敏感等特性。因此SivicandZisserman把SIFT用在google視頻方面，實(shí)現(xiàn)了基于內(nèi)容的視頻檢索系統(tǒng)；Xu等人andLi等人[7,8]提出了利用SIFT檢索圖像的算法等等，但是這些算法存在在一個(gè)缺陷:兩個(gè)關(guān)鍵點(diǎn)的歐式距離越短，它們的相似度測量越低。因此，需要一種改進(jìn)的基于特定顯著事物的自適應(yīng)圖像檢索方法來至少部分地解決上述問題。本申請是基于以下多篇參考文獻(xiàn)提出的:[I]J.A.LayandL.Guang，ImageretrievalbasedonenergyhistogramsofthelowfrequencyDCTcoefficients”，Proc.1CASSP，vol.6，pp.3009-3012，1999.[2]Z.Liu,S.Li,andH.Burkhardt,content-basedimageretrievalschemeinJPEGcompresseddomain”，Intl.J.1nnovativeComp.,Inf0.&Control,vol.2,pp.831-839，2006.[3]G.FengandJ.Jiang,vJPEGcompressedimageretrievalviastatisticalfeatures”，PatternRecognition，vol.36，2003，pp.977-985.[4]S.M.KimS.J.ParkandC.S.Won，“Retrievalimageviaquery-by-usingMPEG-7visualdescriptors”，ETRIJournal,vol.29(2)，2007，pp.246-248.[5].J.Y.ZhouandH.Peng，“AnimageretrievalmethodconsideringimagesizeinDCTcompresseddomain，，，JournalofJiamusiUniversity(NaturalScienceEdition)，vol.27(6)，2009，pp.797-800[6]J.SivicandA.Zisserman,VideoGoogle:ATextRetrievalApproachtoObjectMatchinginVideos，ICCV2003，pp.1470-1477.[7]W.M.Xu,J.Wu,X.H.Liu,LZhuandG.Shi,ApplicationofImageSIFTFeaturestoTheContextofCBIR，InternationalConferenceonComputerScienceandSoftwareEngineering，pp.552—555，2008.[8]R.H.Wu,S.Z.LiandF.M.Zou，ImageretrievalbasedonSIFTfeatures,ApplicationResearchofComputers,vol.25,pp.478-481,2008.[9]BinLi，XiangweiKong,ZheWangandHaiyanFu.SIFT-basedimageretrievalcombiningthedistancemeasureofglobalimageandsub-1mage.1nternationalConferenceonIntelligentInformationHidingandMultimediaSignalProcessing,pp.706-709，2009.
發(fā)明內(nèi)容本文提出了一種基于特定顯著事物的自適應(yīng)圖像檢索算法。首先提取圖像的顏色信息，同時(shí)我們對圖像進(jìn)行樹形小波分解，利用我們提出的算法提取當(dāng)前各級子圖的能量分布以及子圖具有尺度不變、仿射不變、旋轉(zhuǎn)不變的特征點(diǎn)；然后由我的算法生成綜合特征描述子。最后利用生成的綜合特征描述子，與圖像特征庫中的綜合特征描述子進(jìn)行匹配，輸出檢索結(jié)果。在本文中，利用了粒子云相似度，其主要是得到該圖像特征(其中一種)相對與圖像庫匹配的一種精度。在本文中，利用綜合特征就是想彌補(bǔ)單一特征在圖像匹配中的出現(xiàn)查全率以及查準(zhǔn)率低的問題。用于生成綜合特征描述矢量類似于圖像的相關(guān)反饋。目的是問了提高首次檢索的查全率和查準(zhǔn)率。因此，在一個(gè)方面中，本發(fā)明提出了一種基于特定顯著事物的自適應(yīng)圖像檢索方法，包括:輸入彩色圖像；對所述彩色圖像執(zhí)行直方圖統(tǒng)計(jì)和直方圖歸一化，從而得到所述彩色圖像的顏色特征向量；對于所述彩色圖像的對應(yīng)灰度圖像執(zhí)行小波分解，并針對所述小波分解的各級分解計(jì)算歸一化的能量矢量；針對所述小波分級的各級分解子圖:利用高斯差分(DoG)生成高斯差分尺度空間，在所述DoG尺度空間中進(jìn)行極點(diǎn)檢測以得到多個(gè)特征候選點(diǎn)，通過檢測主曲率是否小于閾值，來在所述多個(gè)特征候選點(diǎn)中刪除偽邊緣點(diǎn)，從而得到穩(wěn)定的關(guān)鍵點(diǎn)，利用關(guān)鍵點(diǎn)鄰域像素的梯度方向直方圖為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)，利用尺度不變特征變換(SIFT)描述子對每一個(gè)關(guān)鍵點(diǎn)進(jìn)行描述，從而生成SIFT描述算子矢量；基于所述SIFT描述算子矢量，將所述彩色圖像與圖像庫中的M(M>I)個(gè)圖像進(jìn)行匹配，并將對應(yīng)的M個(gè)匹配率組成相似度矢量；基于所述顏色特征向量、所述歸一化的能量矢量、所述SIFT描述算子矢量以及所述相似度矢量來產(chǎn)生綜合特征描述子，以便基于所述綜合特征描述子與所述圖像庫中的所述M個(gè)圖像進(jìn)行再次匹配。在一個(gè)附加方面中，在所述再次匹配之后，將所述再次匹配的M個(gè)匹配率組成第二相似度矢量，重復(fù)所述產(chǎn)生綜合特征描述子和所述再次匹配。在一個(gè)附加方面中，將所述彩色圖像變換至HSV顏色空間，并針對HSV顏色空間的三個(gè)顏色分量分別執(zhí)行直方圖統(tǒng)計(jì)并進(jìn)行直方圖歸一化。在一個(gè)附加方面中，所述小波分解采用haar小波。在一個(gè)附加方面中，所述小波分解優(yōu)選地采用二級分解。在另一個(gè)方面中，提供了一種圖像處理系統(tǒng)，包括:采集裝置，用于采集實(shí)時(shí)圖像數(shù)據(jù)；存儲裝置，用于存儲圖像數(shù)據(jù)；通信裝置，將所述采集裝置耦合到圖像處理裝置；所述圖像處理裝置被配置為對來自所述采集裝置的實(shí)時(shí)彩色圖像數(shù)據(jù)和來自存儲裝置的彩色圖像數(shù)據(jù)執(zhí)行如下處理:對所述彩色圖像執(zhí)行直方圖統(tǒng)計(jì)和直方圖歸一化，從而得到所述彩色圖像的顏色特征向量；對于所述彩色圖像的對應(yīng)灰度圖像執(zhí)行小波分解，并針對所述小波分解的各級分解計(jì)算歸一化的能量矢量；針對所述小波分級的各級分解子圖:利用高斯差分(DoG)生成高斯差分尺度空間，在所述DoG尺度空間中進(jìn)行極點(diǎn)檢測以得到多個(gè)特征候選點(diǎn)，通過檢測主曲率是否小于閾值，來在所述多個(gè)特征候選點(diǎn)中刪除偽邊緣點(diǎn)，從而得到穩(wěn)定的關(guān)鍵點(diǎn)，利用關(guān)鍵點(diǎn)鄰域像素的梯度方向直方圖為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)，利用尺度不變特征變換(SIFT)描述子對每一個(gè)關(guān)鍵點(diǎn)進(jìn)行描述，從而生成SIFT描述算子矢量；基于所述SIFT描述算子矢量，將所述彩色圖像與圖像庫中的M(M>I)個(gè)圖像進(jìn)行匹配，并將對應(yīng)的M個(gè)匹配率組成相似度矢量；基于所述顏色特征向量、所述歸一化的能量矢量、所述SIFT描述算子矢量以及所述相似度矢量來產(chǎn)生綜合特征描述子，以便基于所述綜合特征描述子與所述圖像庫中的所述M個(gè)圖像進(jìn)行再次匹配。在另一個(gè)方面中，提供了一種裝置，包括:存儲器，用于存儲圖像數(shù)據(jù)，所述圖像數(shù)據(jù)包括彩色圖像的圖像數(shù)據(jù)；處理器，其耦合到所述存儲器以便能夠從所述存儲器讀取所述彩色圖像的圖像數(shù)據(jù)，其中，所述處理器被配置為:對所述彩色圖像執(zhí)行直方圖統(tǒng)計(jì)和直方圖歸一化，從而得到所述彩色圖像的顏色特征向量；對于所述彩色圖像的對應(yīng)灰度圖像執(zhí)行小波分解，并針對所述小波分解的各級分解計(jì)算歸一化的能量矢量；針對所述小波分級的各級分解子圖:利用高斯差分(DoG)生成高斯差分尺度空間，在所述DoG尺度空間中進(jìn)行極點(diǎn)檢測以得到多個(gè)特征候選點(diǎn)，通過檢測主曲率是否小于閾值，來在所述多個(gè)特征候選點(diǎn)中刪除偽邊緣點(diǎn)，從而得到穩(wěn)定的關(guān)鍵點(diǎn)，利用關(guān)鍵點(diǎn)鄰域像素的梯度方向直方圖為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)，利用尺度不變特征變換(SIFT)描述子對每一個(gè)關(guān)鍵點(diǎn)進(jìn)行描述，從而生成SIFT描述算子矢量；基于所述SIFT描述算子矢量，將所述彩色圖像與圖像庫中的M(M>I)個(gè)圖像進(jìn)行匹配，并將對應(yīng)的M個(gè)匹配率組成相似度矢量；基于所述顏色特征向量、所述歸一化的能量矢量、所述SIFT描述算子矢量以及所述相似度矢量來產(chǎn)生綜合特征描述子，以便基于所述綜合特征描述子與所述圖像庫中的所述M個(gè)圖像進(jìn)行再次匹配。在另一個(gè)方面中，提供了一種計(jì)算機(jī)程序產(chǎn)品，其包括存儲有指令的計(jì)算機(jī)可讀介質(zhì)，所述指令當(dāng)由處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如權(quán)利要求1所述的方法。在另一個(gè)方面中，提供了一種與上述方法對應(yīng)的裝置，包括:用于輸入彩色圖像的裝置；用于對所述彩色圖像執(zhí)行直方圖統(tǒng)計(jì)和直方圖歸一化，從而得到所述彩色圖像的顏色特征向量的裝置；用于對于所述彩色圖像的對應(yīng)灰度圖像執(zhí)行小波分解，并針對所述小波分解的各級分解計(jì)算歸一化的能量矢量的裝置；用于針對所述小波分級的各級分解子圖執(zhí)行以下操作的裝置:利用高斯差分(DoG)生成高斯差分尺度空間，在所述DoG尺度空間中進(jìn)行極點(diǎn)檢測以得到多個(gè)特征候選點(diǎn)，通過檢測主曲率是否小于閾值，來在所述多個(gè)特征候選點(diǎn)中刪除偽邊緣點(diǎn)，從而得到穩(wěn)定的關(guān)鍵點(diǎn)，利用關(guān)鍵點(diǎn)鄰域像素的梯度方向直方圖為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)，利用尺度不變特征變換(SIFT)描述子對每一個(gè)關(guān)鍵點(diǎn)進(jìn)行描述，從而生成SIFT描述算子矢量；用于基于所述SIFT描述算子矢量，將所述彩色圖像與圖像庫中的M(M>I)個(gè)圖像進(jìn)行匹配，并將對應(yīng)的M個(gè)匹配率組成相似度矢量的裝置；用于基于所述顏色特征向量、所述歸一化的能量矢量、所述SIFT描述算子矢量以及所述相似度矢量來產(chǎn)生綜合特征描述子，以便基于所述綜合特征描述子與所述圖像庫中的所述M個(gè)圖像進(jìn)行再次匹配的裝置。附圖說明圖1示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的圖像處理系統(tǒng)；圖2是示出根據(jù)本發(fā)明的基本原理的基于特定時(shí)間的自適應(yīng)圖像檢索算法流程圖；圖3是根據(jù)本發(fā)明的一個(gè)方面的自適應(yīng)顯著特征描述流程圖；圖4是樹型小波變換的示意圖。圖5是本發(fā)明所使用的自適應(yīng)SIFT特征點(diǎn)提取的流程圖；圖6是根據(jù)本發(fā)明的高斯差分(DoG)極點(diǎn)檢測的原理圖；圖7是根據(jù)本發(fā)明的穩(wěn)定區(qū)域相鄰梯度分布的示意圖；圖8是根據(jù)本發(fā)明的一個(gè)實(shí)施例的裝置的方框圖；圖9A是根據(jù)本發(fā)明的一個(gè)實(shí)施例的方法的流程圖；以及圖9B是根據(jù)本發(fā)明的一個(gè)實(shí)施例的裝置的方框圖。具體實(shí)施例方式現(xiàn)在參考附圖來描述各種方案。在以下描述中，為了進(jìn)行解釋，闡述了多個(gè)具體細(xì)節(jié)以便提供對一個(gè)或多個(gè)方案的透徹理解。然而，顯然，在沒有這些具體細(xì)節(jié)的情況下也能夠?qū)崿F(xiàn)這些方案。如在本申請中所使用的，術(shù)語“組件”、“模塊”、“系統(tǒng)”等等旨在指代與計(jì)算機(jī)相關(guān)的實(shí)體，例如但不限于，硬件、固件、硬件和軟件的組合、軟件，或者是執(zhí)行中的軟件。例如，組件可以是但不限于:在處理器上運(yùn)行的進(jìn)程、處理器、對象、可執(zhí)行體(executable)、執(zhí)行線程、程序、和/或計(jì)算機(jī)。舉例而言，運(yùn)行在計(jì)算設(shè)備上的應(yīng)用程序和該計(jì)算設(shè)備都可以是組件。一個(gè)或多個(gè)組件可以位于執(zhí)行進(jìn)程和/或者執(zhí)行線程內(nèi)，并且組件可以位于一臺計(jì)算機(jī)上和/或者分布在兩臺或更多臺計(jì)算機(jī)上。另外，這些組件可以從具有存儲在其上的各種數(shù)據(jù)結(jié)構(gòu)的各種計(jì)算機(jī)可讀介質(zhì)執(zhí)行。組件可以借助于本地和/或遠(yuǎn)程進(jìn)程進(jìn)行通信，例如根據(jù)具有一個(gè)或多個(gè)數(shù)據(jù)分組的信號，例如，來自于借助于信號與本地系統(tǒng)、分布式系統(tǒng)中的另一組件交互和/或者與在諸如因特網(wǎng)之類的網(wǎng)絡(luò)上借助于信號與其他系統(tǒng)交互的一個(gè)組件的數(shù)據(jù)。圖1示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的圖像處理系統(tǒng)100。裝置101為圖像采集設(shè)備，用于依據(jù)現(xiàn)有技術(shù)中已知的任何圖像采集技術(shù)來獲取待處理的圖像，所采集的圖像可以經(jīng)由通信裝置直接傳送給圖像處理裝置103，或者可以存儲在存儲裝置105中以待后續(xù)處理。在本發(fā)明的一個(gè)實(shí)施例中，圖像采集裝置101直接在用戶所訪問的網(wǎng)頁上獲取與網(wǎng)頁相關(guān)聯(lián)的圖像。由圖像采集設(shè)備101所采集到的圖像通過通信裝置102以有線和/或無線的方式傳送至圖像處理裝置103，該圖像處理裝置103對接收到的圖像進(jìn)行本發(fā)明所述的處理。但是應(yīng)該理解，圖像處理裝置103還可以對輸入圖像進(jìn)行其它各種處理，例如圖像去噪、圖像配準(zhǔn)、模式識別等等。圖像處理裝置103可以用通用處理器、數(shù)字信號處理器(DSP)、專用集成電路(ASIC)、現(xiàn)場可編程門陣列(FPGA)或其它可編程邏輯器件、分立門或晶體管邏輯器件、分立硬件組件或者設(shè)計(jì)為執(zhí)行本文所述功能的其任意組合，來實(shí)現(xiàn)或執(zhí)行。通用處理器可以是微處理器，但是可替換地，該處理器也可以是任何常規(guī)的處理器、控制器、微控制器或者狀態(tài)機(jī)。處理器也可以實(shí)現(xiàn)為計(jì)算設(shè)備的組合，例如，DSP和微處理器的組合、多個(gè)微處理器的組合、一個(gè)或多個(gè)微處理器與DSP內(nèi)核的組合或者任何其它此種結(jié)構(gòu)。另外，至少一個(gè)處理器可以包括可操作以執(zhí)行上述的一個(gè)或多個(gè)步驟和/或操作的一個(gè)或多個(gè)模塊。當(dāng)用ASIC、FPGA等硬件電路來實(shí)現(xiàn)圖像處理裝置103時(shí)，其可以包括被配置為執(zhí)行各種功能的各種電路塊。本領(lǐng)域技術(shù)人員可以根據(jù)施加在整個(gè)系統(tǒng)上的各種約束條件來以各種方式設(shè)計(jì)和實(shí)現(xiàn)這些電路，來實(shí)現(xiàn)本發(fā)明所公開的各種功能。圖像存儲裝置105可以耦合至圖像采集設(shè)備101及/或圖像處理裝置103，以存儲圖像采集設(shè)備101所采集的原始數(shù)據(jù)及/或經(jīng)過圖像處理裝置103處理后的輸出圖像。圖2是示出根據(jù)本發(fā)明的基本原理的基于特定時(shí)間的自適應(yīng)圖像檢索算法流程圖。本文利用的是綜合特征檢索的方法，我們首先提取圖像的顏色信息；同時(shí)我們還對圖像進(jìn)行樹形小波分解，根據(jù)子圖像的能量是否滿足某個(gè)閾值來判斷是否進(jìn)行下級分解和SIFT提?。黄浯伪４娈?dāng)前各級子圖的能量分布以及子圖具有尺度不變、仿射不變、旋轉(zhuǎn)不變的特征點(diǎn)；然后由顏色特征矢量、能量歸一化矢量和粒子云相似度矢量生成自適應(yīng)的圖像綜合特征描述子。最后利用生成的綜合特征描述子，與圖像特征庫中的綜合特征描述子進(jìn)行匹配，輸出檢索結(jié)果。首先進(jìn)行顏色特征提取，由于顏色特征也是圖像的基本特征，并且顏色特征是圖像檢索中應(yīng)用最為廣泛的視覺特征，與其他視覺特征相比，顏色特征對圖像本身的尺寸、方向和視角的依賴性比較小，本文提取的圖像的顏色直方圖。在一個(gè)優(yōu)選實(shí)施例中，可以將彩色圖像變換至HSV空間中，并針對HSV空間的三個(gè)顏色分量分別執(zhí)行直方圖統(tǒng)計(jì)并進(jìn)行直方圖歸一化。本領(lǐng)域技術(shù)人員容易理解，該直方圖統(tǒng)計(jì)即針對各個(gè)顏色分量分別統(tǒng)計(jì)不同顏色強(qiáng)度所占的比重，類似于求灰度直方圖法。其次，針對彩色圖像的灰度圖像執(zhí)行以下處理，其中，本領(lǐng)域技術(shù)人員容易理解，所述灰度圖像可以是HSV空間中的亮度分量(V)，也可以是其他顏色空間中的亮度分量。首先，對灰度圖像執(zhí)行樹形小波分解，并基于小波分解后的各級子圖執(zhí)行圖2所述的多尺度圖像能量和各級SIFT描述子的確定。在本發(fā)明中使用了haar小波變換。圖3是根據(jù)本發(fā)明的一個(gè)方面的自適應(yīng)顯著特征描述流程圖。由于樹形小波變換能夠更加精細(xì)的分析圖像的高頻信息，并且能夠很好的體現(xiàn)圖像能量的分布，因此本文采取對圖像進(jìn)行樹形小波分解，經(jīng)過大量實(shí)驗(yàn)證明，本文采取對圖像進(jìn)行二級樹形小波分解，已達(dá)到最優(yōu)效果，從而提高了計(jì)算時(shí)間開銷和存儲開銷，如圖4所示的步驟如下:(i)對灰度圖像f(x，y)進(jìn)行小波變換分解，分為4個(gè)子圖像。(ii)對于每個(gè)子圖像根據(jù)能量計(jì)算公式(I)權(quán)利要求1.一種方法，包括:輸入彩色圖像；對所述彩色圖像執(zhí)行直方圖統(tǒng)計(jì)和直方圖歸一化，從而得到所述彩色圖像的顏色特征向量;對于所述彩色圖像的對應(yīng)灰度圖像執(zhí)行小波分解，并針對所述小波分解的各級分解計(jì)算歸一化的能量矢量；針對所述小波分級的各級分解子圖:利用高斯差分(DoG)生成高斯差分尺度空間，在所述DoG尺度空間中進(jìn)行極點(diǎn)檢測以得到多個(gè)特征候選點(diǎn)，通過檢測主曲率是否小于閾值，來在所述多個(gè)特征候選點(diǎn)中刪除偽邊緣點(diǎn)，從而得到穩(wěn)定的關(guān)鍵點(diǎn)，利用關(guān)鍵點(diǎn)鄰域像素的梯度方向直方圖為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)，利用尺度不變特征變換(SIFT)描述子對每一個(gè)關(guān)鍵點(diǎn)進(jìn)行描述，從而生成SIFT描述算子矢量；基于所述SIFT描述算子矢量，將所述彩色圖像與圖像庫中的M(M>I)個(gè)圖像進(jìn)行匹配，并將對應(yīng)的M個(gè)匹配率組成相似度矢量；基于所述顏色特征向量、所述歸一化的能量矢量、所述SIFT描述算子矢量以及所述相似度矢量來產(chǎn)生綜合特征描述子，以便基于所述綜合特征描述子與所述圖像庫中的所述M個(gè)圖像進(jìn)行再次匹配。2.如權(quán)利要求1所述的方法，其中，在所述再次匹配之后，將所述再次匹配的M個(gè)匹配率組成第二相似度矢量，重復(fù)所述產(chǎn)生綜合特征描述子和所述再次匹配。3.如權(quán)利要求1所述的方法，其中，將所述彩色圖像變換至HSV顏色空間，并針對HSV顏色空間的三個(gè)顏色分量分別執(zhí)行直方圖統(tǒng)計(jì)并進(jìn)行直方圖歸一化。4.如權(quán)利要求1所述的方法，其中，所述小波分解采用haar小波。5.如權(quán)利要求1所述的方法，其中，所述小波分解優(yōu)選地采用二級分解。6.—種圖像處理系統(tǒng)包括:采集裝置，用于采集實(shí)時(shí)圖像數(shù)據(jù)；存儲裝置，用于存儲圖像數(shù)據(jù)；通信裝置，將所述采集裝置耦合到圖像處理裝置；所述圖像處理裝置被配置為對來自所述采集裝置的實(shí)時(shí)彩色圖像數(shù)據(jù)和來自存儲裝置的彩色圖像數(shù)據(jù)執(zhí)行如下處理:對所述彩色圖像執(zhí)行直方圖統(tǒng)計(jì)和直方圖歸一化，從而得到所述彩色圖像的顏色特征向量;對于所述彩色圖像的對應(yīng)灰度圖像執(zhí)行小波分解，并針對所述小波分解的各級分解計(jì)算歸一化的能量矢量；針對所述小波分級的各級分解子圖:利用高斯差分(DoG)生成高斯差分尺度空間，在所述DoG尺度空間中進(jìn)行極點(diǎn)檢測以得到多個(gè)特征候選點(diǎn)，通過檢測主曲率是否小于閾值，來在所述多個(gè)特征候選點(diǎn)中刪除偽邊緣點(diǎn)，從而得到穩(wěn)定的關(guān)鍵點(diǎn)，利用關(guān)鍵點(diǎn)鄰域像素的梯度方向直方圖為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)，利用尺度不變特征變換(SIFT)描述子對每一個(gè)關(guān)鍵點(diǎn)進(jìn)行描述，從而生成SIFT描述算子矢量；基于所述SIFT描述算子矢量，將所述彩色圖像與圖像庫中的M(M>I)個(gè)圖像進(jìn)行匹配，并將對應(yīng)的M個(gè)匹配率組成相似度矢量；基于所述顏色特征向量、所述歸一化的能量矢量、所述SIFT描述算子矢量以及所述相似度矢量來產(chǎn)生綜合特征描述子，以便基于所述綜合特征描述子與所述圖像庫中的所述M個(gè)圖像進(jìn)行再次匹配。7.一種裝置，包括存儲器，用于存儲圖像數(shù)據(jù)，所述圖像數(shù)據(jù)包括彩色圖像的圖像數(shù)據(jù)；處理器，其耦合到所述存儲器以便能夠從所述存儲器讀取所述彩色圖像的圖像數(shù)據(jù)，其中，所述處理器被配置為:對所述彩色圖像執(zhí)行直方圖統(tǒng)計(jì)和直方圖歸一化，從而得到所述彩色圖像的顏色特征向量;對于所述彩色圖像的對應(yīng)灰度圖像執(zhí)行小波分解，并針對所述小波分解的各級分解計(jì)算歸一化的能量矢量；針對所述小波分級的各級分解子圖:利用高斯差分(DoG)生成高斯差分尺度空間，在所述DoG尺度空間中進(jìn)行極點(diǎn)檢測以得到多個(gè)特征候選點(diǎn)，通過檢測主曲率是否小于閾值，來在所述多個(gè)特征候選點(diǎn)中刪除偽邊緣點(diǎn)，從而得到穩(wěn)定的關(guān)鍵點(diǎn)，利用關(guān)鍵點(diǎn)鄰域像素的梯度方向直方圖為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)，利用尺度不變特征變換(SIFT)描述子對每一個(gè)關(guān)鍵點(diǎn)進(jìn)行描述，從而生成SIFT描述算子矢量；基于所述SIFT描述算子矢量，將所述彩色圖像與圖像庫中的M(M>I)個(gè)圖像進(jìn)行匹配，并將對應(yīng)的M個(gè)匹配率組成相似度矢量；基于所述顏色特征向量、所述歸一化的能量矢量、所述SIFT描述算子矢量以及所述相似度矢量來產(chǎn)生綜合特征描述子，以便基于所述綜合特征描述子與所述圖像庫中的所述M個(gè)圖像進(jìn)行再次匹配。8.一種計(jì)算機(jī)程序產(chǎn)品，其包括存儲有指令的計(jì)算機(jī)可讀介質(zhì)，所述指令當(dāng)由處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如權(quán)利要求1所述的方法。9.一種裝置，包括:用于輸入彩色圖像的裝置；用于對所述彩色圖像執(zhí)行直方圖統(tǒng)計(jì)和直方圖歸一化，從而得到所述彩色圖像的顏色特征向量的裝置；用于對于所述彩色圖像的對應(yīng)灰度圖像執(zhí)行小波分解，并針對所述小波分解的各級分解計(jì)算歸一化的能量矢量的裝置；用于針對所述小波分級的各級分解子圖執(zhí)行以下操作的裝置:利用高斯差分(DoG)生成高斯差分尺度空間，在所述DoG尺度空間中進(jìn)行極點(diǎn)檢測以得到多個(gè)特征候選點(diǎn)，通過檢測主曲率是否小于閾值，來在所述多個(gè)特征候選點(diǎn)中刪除偽邊緣點(diǎn)，從而得到穩(wěn)定的關(guān)鍵點(diǎn)，利用關(guān)鍵點(diǎn)鄰域像素的梯度方向直方圖為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)，利用尺度不變特征變換(SIFT)描述子對每一個(gè)關(guān)鍵點(diǎn)進(jìn)行描述，從而生成SIFT描述算子矢量；用于基于所述SIFT描述算子矢量，將所述彩色圖像與圖像庫中的M(M>I)個(gè)圖像進(jìn)行匹配，并將對應(yīng)的M個(gè)匹配率組成相似度矢量的裝置；用于基于所述顏色特征向量、所述歸一化的能量矢量、所述SIFT描述算子矢量以及所述相似度矢量來產(chǎn)生綜合特征描述子，以便基于所述綜合特征描述子與所述圖像庫中的所述M個(gè)圖像進(jìn)行再次匹配的裝置。10.如權(quán)利要求9所述的裝置，其中，在所述再次匹配之后，將所述再次匹配的M個(gè)匹配率組成第二相似度矢量，重復(fù)所述產(chǎn)生綜合特征描述子和所述再次匹配。全文摘要一種基于特定顯著事物的自適應(yīng)圖像檢索方法。首先提取圖像的顏色信息，同時(shí)我們對圖像進(jìn)行樹形小波分解，利用我們提出的算法提取當(dāng)前各級子圖的能量分布以及子圖具有尺度不變、仿射不變、旋轉(zhuǎn)不變的特征點(diǎn)；然后由顏色特征矢量、能量歸一化矢量和粒子云相似度矢量生成既有全局信息又有局部信息的圖像綜合特征描述子。最后利用生成的綜合特征描述子，與圖像特征庫中的綜合特征描述子進(jìn)行匹配，輸出檢索結(jié)果。文檔編號G06F17/30GK103218456SQ20131016973公開日2013年7月24日申請日期2013年5月10日優(yōu)先權(quán)日2013年5月10日發(fā)明者張萌萌,白慧慧,李澤明申請人:北方工業(yè)大學(xué)