基于權(quán)值color-sift特征字典的圖像檢索方法技術(shù)領(lǐng)域本發(fā)明屬于圖像檢索技術(shù)領(lǐng)域，具體是一種基于權(quán)值color-sift特征字典的圖像檢索方法，立足于圖像內(nèi)容，基于圖像特征提取以實現(xiàn)對圖像進行分析和檢索的過程，允許用戶輸入一張或多張圖片，以查找具有相同或相似內(nèi)容的其他圖片。

背景技術(shù)：
圖像是對客觀對象的一種相似性的、生動性的描述或?qū)懻??；蛘哒f圖像是客觀對象的一種表示，它包含了被描述對象的有關(guān)信息。它是人們最主要的信息源。據(jù)統(tǒng)計，一個人獲取的信息大約有75%來自視覺。俗話說“百聞不如一見”，“一目了然”，都反映了圖像在信息傳遞中的獨特效果。如何快速準確地提取圖像內(nèi)容是圖像檢索最關(guān)鍵的一步。SIFT是DavidGLowe2004年總結(jié)不變量技術(shù)的特征檢測方法,提出的一種對尺度空間、圖像縮放、旋轉(zhuǎn)甚至仿射不變的圖像局部特征描述算子。所謂基于圖像內(nèi)容檢索，即從圖像庫中查找含有特定目標的圖像，也包括從連續(xù)的視頻圖像中檢索含有特定目標的視頻片段。它區(qū)別于傳統(tǒng)的圖像檢索手段，本發(fā)明提出了一種基于權(quán)值color-sift特征字典的圖像檢索方法，融合了權(quán)值color-sift特征字典技術(shù)，從而可以提供更有效的檢索手段?？蓱?yīng)用于數(shù)字圖書館、醫(yī)療診斷、圖像分類、WEB相關(guān)應(yīng)用、公共安全和犯罪調(diào)查等等清華大學(xué)大學(xué)提出的專利申請“一種基于草圖特征提取的圖像檢索方法”（專利申請?zhí)?01110196051.2，公開號201110196051.2）公開了一種基于草圖特征提取的圖像檢索方法，涉及圖像檢索領(lǐng)域。所述方法包括步驟：提取訓(xùn)練特征向量，得到特征詞典；提取輸入特征向量，得到輸入特征向量集，對特征詞典進行計數(shù)操作，得到輸入特征頻率向量，進而得到興趣特征詞和非興趣特征詞；提取檢索特征向量，得到檢索特征向量集，進而得到檢索特征頻率向量；進而得到興趣檢索特征頻率向量、非興趣檢索特征頻率向量、興趣輸入特征頻率向量和非興趣輸入特征頻率向量；進而計算輸入草圖與各個檢索草圖的相似度，輸出檢索結(jié)果。該方法具有良好的用戶交互性提高了圖像檢索的效率和準確度，但是特征維數(shù)較大，考慮了興趣和非興趣兩種特征，導(dǎo)致在應(yīng)用于大型數(shù)據(jù)庫時檢索效率較低，速度較慢。中國傳媒大學(xué)提出的專利申請“一種結(jié)合用戶評價與標注的交互式圖像檢索方法”（專利申請?zhí)?01310128036.3，公開號CN103164539A）公開了一種結(jié)合用戶評價和標注的交互式圖像檢索方法，屬于多媒體信息檢索領(lǐng)域。該方法利用了基于圖像的物理特征和文本相結(jié)合的綜合檢索方法，在檢索過程中，允許用戶對查詢圖像進行文本信息描述，或者選擇系統(tǒng)提供的關(guān)鍵字，通過對檢索結(jié)果進行“滿意”或“不滿意”的相關(guān)評價，圖像檢索系統(tǒng)自動對用戶標記的相關(guān)滿意圖像進行文本標記，形成高層語義信息；隨著用戶的不斷使用，該系統(tǒng)會生成豐富的語義信息數(shù)據(jù)庫?？紤]到不同用戶對同一圖片，同一用戶不同時間對同一圖片文本標注的差異，本發(fā)明在生成語義信息數(shù)據(jù)庫的過程中結(jié)合了用戶的可信度。進行檢索時，對存在語義信息的查詢圖像采用基于特征和文本相結(jié)合的綜合檢索方式進行檢索，提高了檢索結(jié)果的準確度。該方法雖然結(jié)合了用戶評價和標注的交互式圖像檢索方式，獲取高層語義信息，提高了實時檢索的準確率，但是在應(yīng)用于大型圖像數(shù)據(jù)庫時，由于各類圖像的相似度量繁雜，處理人工繁雜的標注提高了計算復(fù)雜度，降低了圖像的檢索效率，導(dǎo)致返回檢索結(jié)果集的回調(diào)率和檢索率不高。

技術(shù)實現(xiàn)要素：
本發(fā)明針對上述現(xiàn)有技術(shù)的不足，提出一種基于權(quán)值color-sift特征字典的圖像檢索方法，提高了應(yīng)用大型數(shù)據(jù)庫時檢索的效率、速度和回調(diào)率。一種基于權(quán)值color-sift特征字典的圖像檢索方法,其包括，在待檢索圖像中隨機選取訓(xùn)練圖像，提取所述訓(xùn)練圖像的邊緣，并提取所有訓(xùn)練圖像邊緣點的color-sift特征，并以所述color-sift特征構(gòu)建特征字典；輸入要檢索的圖像并提取檢索圖像和待檢索圖像邊緣點的color-sift特征，基于所述特征字典對檢索圖像和待檢索圖像提取權(quán)值直方圖特征；把檢索圖像和數(shù)據(jù)庫中待檢索圖像進行基于權(quán)值直方圖特征的相似性匹配；檢測是否遍歷所有數(shù)據(jù)庫中的全部待檢索圖像，若是，則按照相似性匹配結(jié)果，顯示圖像檢索結(jié)果，若否，則重新進行相似性匹配。在上述技術(shù)方案的基礎(chǔ)上，在待檢索圖像中隨機選取訓(xùn)練圖像包括在待檢索圖像數(shù)據(jù)庫中對于每類圖像隨機選取l張圖像組成訓(xùn)練圖像數(shù)據(jù)庫。在上述技術(shù)方案的基礎(chǔ)上，提取所述訓(xùn)練圖像的邊緣包括：提取所述訓(xùn)練圖像的邊緣包括在訓(xùn)練圖像數(shù)據(jù)庫中隨機選取一張訓(xùn)練圖像做灰度變換，并通過方向可調(diào)濾波器進行處理，選取二維高斯函數(shù)為濾波器核函數(shù)，得到每個像素點2L個方向上的能量函數(shù)Wσ(x,y,θ)，并經(jīng)過閾值判斷提取圖像的邊緣顯著像素點，其中L表示方向的個數(shù)，x和y表示像素點的坐標值，θ為方向的值，范圍是0～2π，間隔為π/L。在上述技術(shù)方案的基礎(chǔ)上，提取所有訓(xùn)練圖像邊緣點的color-sift特征包括：根據(jù)所選取訓(xùn)練圖像的邊緣顯著像素點對原訓(xùn)練彩色圖像分別在紅色-R、綠色-G和藍色-B三個通道提取color-sift特征，得到該圖像每一個邊緣顯著像素點的紅色-R、綠色-G和藍色-B三個通道的color-sift特征decr(e)、decg(e)和decb(e)，e表示該圖像的第e個邊緣點，e＝1,2,...,E，E為該圖像所有邊緣顯著像素點的總數(shù)。在上述技術(shù)方案的基礎(chǔ)上，所述提取所有訓(xùn)練圖像邊緣點的color-sift特征包括：對訓(xùn)練圖像數(shù)據(jù)庫中每一幅訓(xùn)練圖像所有邊緣顯著像素點的color-sift特征提取，遍歷訓(xùn)練圖像數(shù)據(jù)庫中的所有圖像，其特征在三個顏色通道內(nèi)依次為decr,m(em)、decg,m(em)和decb,m(em)，m＝1,2,...,M，M為訓(xùn)練圖像數(shù)據(jù)庫大小，em表示第m張訓(xùn)練圖像的第em個邊緣像素點，em＝1,2,...,Em，Em為第m張訓(xùn)練圖像所有邊緣顯著像素點的總數(shù)。在上述技術(shù)方案的基礎(chǔ)上，構(gòu)建特征字典步驟包括對全部訓(xùn)練圖像的所有邊緣顯著像素點的紅色-R通道綠色-G通道和藍色-B通道的color-sift特征decr,m(em)，decg,m(em)和decb,m(em)，通過K-means聚類計算，取K個聚類中心得到紅色-R通道、綠色-G通道和藍色-B通道的w行、K列的二維特征字典codr、codg和codb，其中K為K-means聚類中心的個數(shù)，即字典的大小。在上述技術(shù)方案的基礎(chǔ)上，所述權(quán)值直方圖特征X包含了紅色-R、綠色-G和藍色-B三通道的權(quán)值直方圖特征，把檢索圖像和待檢索圖像進行基于權(quán)值直方圖特征的相似性匹配，計算2范數(shù)相似性距離得到Di(X,X′i)。在上述技術(shù)方案的基礎(chǔ)上，對檢索圖像編碼計算得到檢索圖像的基于color-sift特征字典的權(quán)值直方圖特征，包括以下步驟：1）檢索圖像在紅色通道R上所有邊緣顯著像素點的color-sift特征secr(o)，計算secr(o)對應(yīng)于紅色通道二維特征字典codr的K個聚類中心的歐式距離，選擇距離值最小時的聚類中心作為該邊緣點的所屬中心，對所有邊緣顯著點進行一階距統(tǒng)計計算得到檢索圖像在紅色通道對應(yīng)二維特征字典codr的頻率直方圖hisr；2）假設(shè)落在第k個聚類中心qk個邊緣顯著點，對聚類到第k個聚類中心的qk個邊緣顯著點計算該顯著點對于該聚類中心的離心權(quán)值li(k)，計算該聚類中心所有顯著點最大的離心權(quán)值得到該聚類中心的權(quán)值向量α(k)，對檢索圖像的頻率直方圖hisr和對應(yīng)權(quán)值向量α(k)做矩陣點乘運算得到檢索圖像的權(quán)值向量hstr，即對應(yīng)元素相乘，hstr為一K維列向量，k代表第k個聚類中心，取值為1,2,...,K，K表示聚類中心數(shù)，即字典大??；3)在綠色通道G、藍色通道B做同樣于紅色通道R的計算，最終得到圖像綠色通道G的權(quán)值向量hstg和藍色通道B的權(quán)值向量hstb，對三個通道內(nèi)的權(quán)值向量進行整合計算得到檢索圖像的基于color-sift特征字典的權(quán)值直方圖特征X。在上述技術(shù)方案的基礎(chǔ)上，所述的對聚類到第k個聚類中心的qk個邊緣顯著點計算該顯著點對于該聚類中心的離心權(quán)值li(k)，計算該聚類中心所有顯著點最大的離心權(quán)值得到該聚類中心的權(quán)值向量α(k)，采用如下公式計算：α(k)＝max(li(u,k))，其中，u表示落在第k個聚類中心第u個邊緣顯著點，取值為1,2,...,qk,k表示第k個聚類中心，取值為1,2,...,K,K表示聚類中心數(shù)，即字典大小，qk表示落在第k個聚類中心的邊緣顯著點的總數(shù)。相對于現(xiàn)有技術(shù)，本發(fā)明使用方向可調(diào)濾波器進行邊緣提取，可以有效地判斷出每個像素點邊緣主方向的指向，然后通過閾值判定就可以快速準確的提取出圖像的邊緣像素點信息，通過提取得到的圖像邊緣像素點信息可以快速準確的進行下一步的特征提取，提高了應(yīng)用于實時人機交互和大型圖像數(shù)據(jù)庫時檢索的速度和準確性。采用了提取邊緣方向像素點color-sift特征和編碼字典相結(jié)合的檢索策略，提取邊緣顯著像素點的color-sift特征并通過基于權(quán)值color-sift特征構(gòu)建的編碼字典計算權(quán)值直方圖特征，對圖像的表示更加具有典型性，可以更加有效的表示圖像的特征差異性，在應(yīng)用到檢索過程中時，提高了應(yīng)用于大型圖像數(shù)據(jù)庫檢索時的準確率和回調(diào)率。采用了基于RGB三個通道的color-sift特征字典的圖像檢索方法，它是一種多尺度的圖像檢索算法,將一幅圖像轉(zhuǎn)化為多個特征的集合,再通過計算兩幅圖像特征向量間的歐氏距離進行比較得出結(jié)果進而實現(xiàn)圖像檢索功能.實驗結(jié)果說明該算法具有尺度、平移、旋轉(zhuǎn)不變性,可以進行良好應(yīng)用。它同時是一種對尺度空間，圖像縮放，旋轉(zhuǎn)圖像局部特征描述算子。其具有局部性、殊性、多量性和高效性等特征。sift特征提取算法能夠處理兩幅圖像之間發(fā)生平移、旋轉(zhuǎn)、仿射變換情況下的匹配問題，提高了圖像檢索的準確率和回調(diào)率。附圖說明圖1為本發(fā)明的流程圖。具體實施措施下面結(jié)合附圖對發(fā)明做進一步描述。實施例1本發(fā)明的基于權(quán)值color-sift特征字典的圖像檢索方法的實現(xiàn)參照圖1，給出如下具體實施例：步驟1：在待檢索圖像數(shù)據(jù)庫中對于每類圖像隨機選取l張圖像組成訓(xùn)練圖像數(shù)據(jù)庫，本實例使用Corel-1000圖像數(shù)據(jù)庫，需要在Corel-1000圖像數(shù)據(jù)庫中檢索出同類型的圖像，圖像庫包括10類圖像，每一類包括100張圖像，本例中l(wèi)取值為10，一共10類，總共選取100張訓(xùn)練圖像。步驟2：在訓(xùn)練圖像數(shù)據(jù)庫中隨機選取一張訓(xùn)練圖像做灰度變換，通過方向可調(diào)濾波器進行處理，選取二維高斯函數(shù)為濾波器核函數(shù)，選取合適的濾波器滑動窗口大小，得到每個像素點2L個方向上的能量函數(shù)Wσ(x,y,θ)，經(jīng)過閾值判斷提取圖像的邊緣顯著像素點，L表示方向的個數(shù)，L取值為6，x和y表示像素點的坐標值，σ為濾波器尺度參數(shù)，σ取值為1，θ為方向的值，范圍是0～2π，間隔為π/L，本例中θ取為0,π/6,...,11π/6,2π。步驟3：根據(jù)所選取訓(xùn)練圖像的邊緣顯著像素點對原訓(xùn)練彩色圖像分別在紅色-R、綠色-G和藍色-B三個通道提取color-sift特征，得到該圖像每一個邊緣顯著像素點的紅色-R、綠色-G和藍色-B三個通道的color-sift特征decr(e)、decg(e)和decb(e)，e表示該圖像的第e個邊緣點，e＝1,2,...,E，E為該訓(xùn)練圖像所有邊緣顯著像素點的總數(shù)。步驟4：對訓(xùn)練圖像數(shù)據(jù)庫中每一幅訓(xùn)練圖像執(zhí)行步驟2—步驟3進行每一張圖像所有邊緣顯著像素點的color-sift特征提取，遍歷訓(xùn)練圖像數(shù)據(jù)庫中的所有圖像，其特征在三個顏色通道內(nèi)依次為decr,m(em)、decg,m(em)和decb,m(em)，m＝1,2,...,M，M為訓(xùn)練圖像數(shù)據(jù)庫大小，em表示第m張訓(xùn)練圖像的第em個邊緣像素點，em＝1,2,...,Em，Em為第m張訓(xùn)練圖像所有邊緣顯著像素點的總數(shù)。步驟5：對全部訓(xùn)練圖像的所有邊緣顯著像素點的紅色-R通道的color-sift特征decr,m(em)，通過K-means聚類計算，取K個聚類中心得到紅色-R通道的w行、K列的二維特征字典codr，K為K-means聚類中心的個數(shù)，即字典的大小，同樣的方法在綠色-G通道和藍色-B通道內(nèi)，分別對decg,m(em)和decb,m(em)執(zhí)行紅色-R通道同樣的計算分別得到綠色-G通道w行、K列的二維特征字典codg和藍色-B通道的w行、K列的二維特征字典codb，本例中w為sift特征維數(shù)大小為128，K取值為500，即字典大小為500。步驟6：輸入檢索圖像，為公交車類圖像中的一張，對于檢索圖像執(zhí)行步驟2—步驟3同樣提取圖像邊緣顯著點紅色-R、綠色-G和藍色-B三個通道的color-sift特征secr(e)、secg(e)和secb(e)，通過步驟5得到的特征字典codr、codg和codb進行編碼計算得到檢索圖像的基于color-sift特征字典的權(quán)值直方圖特征X，權(quán)值直方圖特征X包含了紅色-R、綠色-G和藍色-B三通道的權(quán)值直方圖特征；6a）檢索圖像在紅色通道R上所有邊緣顯著像素點的color-sift特征secr(o)，計算secr(o)對應(yīng)于紅色通道二維特征字典codr的K個聚類中心的歐式距離，選擇距離值最小時的聚類中心作為該邊緣點的所屬中心，對所有邊緣顯著點進行一階距統(tǒng)計計算得到檢索圖像在紅色通道對應(yīng)二維特征字典codr的頻率直方圖hisr；6b）假設(shè)落在第k個聚類中心qk個邊緣顯著點，對聚類到第k個聚類中心的qk個邊緣顯著點計算該顯著點對于該聚類中心的離心權(quán)值li(k)，計算該聚類中心所有顯著點最大的離心權(quán)值得到該聚類中心的權(quán)值向量α(k)，采用如下公式計算：α(k)＝max(li(u,k))，其中，u表示落在第k個聚類中心第u個邊緣顯著點，取值為1,2,...,qk,k表示第k個聚類中心，取值為1,2,...,K,K表示聚類中心數(shù)，即字典大小，qk表示落在第k個聚類中心的邊緣顯著點的總數(shù)。對檢索圖像的頻率直方圖hisr和對應(yīng)權(quán)值向量α(k)做矩陣點乘運算得到檢索圖像的權(quán)值向量hstr，即對應(yīng)元素相乘，hstr為一K維列向量，k代表第k個聚類中心，取值為1,2,...,K，K表示聚類中心數(shù)，即字典大小；6c)在綠色通道G、藍色通道B做同樣于紅色通道R的計算，最終得到圖像綠色通道G的權(quán)值向量hstg和藍色通道B的權(quán)值向量hstb，對三個通道內(nèi)的權(quán)值向量進行整合計算得到檢索圖像的基于color-sift特征字典的權(quán)值直方圖特征X。步驟7：從圖像總數(shù)大小為S的待檢索圖像數(shù)據(jù)庫中提取一幅待檢索圖像執(zhí)行步驟2—步驟4進行每一張圖像所有邊緣顯著像素點的color-sift特征提取，然后執(zhí)行步驟6得到每一張待檢索圖像基于權(quán)值color-sift特征字典的權(quán)值直方圖特征X′i，遍歷圖像數(shù)據(jù)庫中的所有圖像，i＝1,2,...,S，S為待檢索圖像總數(shù)，本例中使用的數(shù)據(jù)庫為Corel-1000，包括10類，每一類包括100張圖像，S的值即為1000。。步驟8：把檢索圖像和待檢索圖像進行基于權(quán)值直方圖特征的相似性匹配，計算2范數(shù)相似性距離得到Di(X,X′i)。步驟9：對于每幅待檢索圖像按照其Di(X,X′i)的值進行從小到大的順序排列，顯示其中前n張圖像即為檢索的結(jié)果，i＝1,2,...,S，S為待檢索圖像總數(shù)，n為返回檢索圖像數(shù)目，取值為人為自主確定的正整數(shù)。本例中n取值為20。本發(fā)明成功的從Corel-1000圖像數(shù)據(jù)中準確地檢索出來20幅和公交車圖像相關(guān)的公交車類圖像，但就此項，檢索準確率為100%。對圖像的內(nèi)容進行準確快速的描述一直都是圖像檢索技術(shù)中研究的重點和難點.傳統(tǒng)的圖像特征提取方法,基本上是圍繞圖像的顏色,紋理,形狀和空間關(guān)系來展開的。本發(fā)明首先在訓(xùn)練圖像數(shù)據(jù)庫中隨機選取訓(xùn)練圖像做灰度變換，通過方向可調(diào)濾波器進行處理，根據(jù)全部訓(xùn)練圖像的邊緣顯著像素點對原訓(xùn)練彩色圖像分別在紅色-R、綠色-G和藍色-B三個通道提取color-sift特征，得到訓(xùn)練圖像每一個邊緣顯著像素點的紅色-R、綠色-G和藍色-B三個通道的color-sift特征。對檢索圖像和待檢索圖像基于特征字典進行編碼計算得到基于color-sift特征字典的權(quán)值直方圖，把檢索圖像和待檢索圖像進行基于權(quán)值直方圖特征的相似性匹配，得到檢索結(jié)果，提高了檢索過程的效率、速度和回調(diào)率。實施例2基于權(quán)值color-sift特征字典的圖像檢索方法同實施例1本實例同樣選取Corel-1000圖像數(shù)據(jù)庫，圖像數(shù)據(jù)庫中包括10類圖像，每一類包括100張圖像，對數(shù)據(jù)庫中的每一張圖像執(zhí)行實施例1同樣的檢索過程，計算當返回檢索圖像數(shù)目n為20時的全部10類中每一類的平均檢索準確率和全部10類1000張圖像的平均檢索準確率，對檢索結(jié)果統(tǒng)計并列表，并和本領(lǐng)域現(xiàn)有技術(shù)中幾種熟知的檢索方法如Jhanwar、Hung所提出的方法及基于color-texture-shape的方法、基于SIFT-BOF的方法和基于SIFT-SPM的方法進行了對比，對比結(jié)果如表1所示。從表1可見，本發(fā)明的在返回檢索圖像數(shù)目n為20時全部10類1000張圖像的平均檢索準確率明顯高于上述每一種用于對比的檢索方法，且在全部10類中每一類100張圖像的平均檢索準確率上高于大部分用于對比的檢索方法。因此，本發(fā)明在應(yīng)用于不同類別圖像進行檢索時，均可以取的較高的平均檢索準確率，適用于圖像種類較多的大型圖像數(shù)據(jù)的圖像檢索，且對于每一類均可得到較穩(wěn)定、較優(yōu)的平均檢索準確率。表1以上是本發(fā)明的兩個實例，并不構(gòu)成對本發(fā)明的任何限制，仿真實驗表明，本發(fā)明不僅能在應(yīng)用與大型圖像數(shù)據(jù)庫時提高了速率，也能實現(xiàn)對于檢索結(jié)果的擁有較高的準確率和回調(diào)率。綜上，本發(fā)明的基于權(quán)值color-sift特征字典的圖像檢索方法，主要致力于現(xiàn)有技術(shù)應(yīng)用于大型圖像數(shù)據(jù)庫時速度、準確率和回調(diào)率的提高。其方法步驟為：在待檢索圖像中隨機選取訓(xùn)練圖像，對圖像做灰度變換；對訓(xùn)練圖像通過方向可調(diào)濾波器處理；結(jié)合方向可調(diào)濾波器的結(jié)果提取圖像的邊緣；提取所有訓(xùn)練圖像的color-sift特征；通過對所有訓(xùn)練圖像的邊緣像素點的color-sift特征進行K-means聚類構(gòu)建特征字典；輸入要檢索的圖像并對檢索圖像和待檢索圖像執(zhí)行同于訓(xùn)練圖像的步驟提取color-sift特征；對檢索圖像和待檢索圖像基于color-sift特征字典提取權(quán)值直方圖特征；把檢索圖像和數(shù)據(jù)庫中待檢索圖像進行基于權(quán)值直方圖特征的相似性匹配；按照相似性匹配結(jié)果顯示圖像檢索結(jié)果。本發(fā)明尤其對于大型圖像數(shù)據(jù)庫檢索本發(fā)明具有檢索速度快、準確率和回調(diào)率較高的優(yōu)勢，可應(yīng)用于實時人機交互和大型圖像數(shù)據(jù)庫的圖像檢索。