一种图像内容检索系统及其图像内容稀疏学习方法技术方案

一种图像内容检索系统，其特征是，包括：1）分割子系统，用于将训练图像、测试图像分别分割为n个示例，包括：A）FCM分割单元：采用模糊C均值算法对训练图像和测试图像分别进行区域分割；B）金字塔分割单元：采用cvPrySegmentation函数对训练图像和测试图像重新进行基于“空间金字塔”匹配机制的图像分割；2）图像区域特征提取单元：用于提取各个示例的颜色、纹理、CENTRIST特征及每类平均特征向量；3）计算对比子系统等，采用多示例学习、多样性密度的稀疏学习方法，从多种非局部形态特征的角度来描述图像内容并达到检索的目的，该方法容易编程实现，并具有一定人工智能，也为图像理解提供了算法上的参考。

【技术实现步骤摘要】

本专利技术涉及一种基于内容的图像检索的系统和方法，尤其涉及。
技术介绍
目前，传统图像内容的特征描述大多采用颜色、纹理、形状等物理特征描述图像内容，而这些特征对图像的语义信息不能充分有效表达。同时，描述图像内容的特征较单一，一幅图像往往具有多种形态，如颜色、纹理、形状等，即使是同一形态特征，也有多种不同的表示方法，只利用单一特征检索，不能有效组织多种特征从不同角度反映图像内容。此外，通过构造有效稀疏基信息解决高维图像样本的特征表示、抽取及重建的技术还处于起步阶段。传统的代数特征描述技术仅保存了模式的全局结构属性，更多适用于线性可分情况；而研究表明，许多在自然界获取的图像尤其因光照、姿态等因素发生变化时，会造成图像的线性不可分。其次，一些图像位于高维空间的非线性流形结构上，由此带来特征分析的困难。上述因素使传统代数描述方法不能较好地表示模式的内在结构，从而导致分类识别的效率较低。在已知的现有技术中，典型的基于流形结构的方法有Local linearembedding (LLE), Isomap和Laplacian eigenmap,并在实验数据上取得了良好的效果。然而这些方法所提取的映射关系仅建立在训练数据上，对如何评价测试数据的映射并不精确，这导致它们在图像识别·领域的应用比较少。Locality Preserving Projections (LPP)方法对Laplacian eigenmap方法近似线性化,从而有效保持了样本之间的局部结构，在图像处理等领域取得了较好的结果，但是该方法的缺陷是没有充分发现图像的类别信息。以上流形方法的典型改进模型有Supervised LPP (SLPP)和Locally discriminatingprojection (LDP)，然而，这类方法仍然未能强化保持图像空间的差异信息，它们在描述图像之间的局部结构时，忽略了样本之间的非局部属性和总体信息，从而导致这类方法的鲁棒性还不够高。
技术实现思路
本专利技术要解决的技术问题是现有的图像内容检索算法对图像的语义信息不能充分有效表达。为解决上述技术问题，本专利技术采用的技术方案是:一种图像内容检索系统，包括:O分割子系统，用于将训练图像、测试图像分别分割为η个示例，包括:A) FCM分割单元:采用模糊C均值算法对训练图像和测试图像分别进行区域分割；Β)金字塔分割单元:采用cvPrySegmentation函数对训练图像和测试图像重新进行基于“空间金字塔”匹配机制的图像分割；2)图像区域特征提取单元:用于提取各个示例的颜色、纹理、CENTRIST特征及每类平均特征向量；3)计算对比子系统，包括:a)提取每个示例的颜色特征和纹理特征；b)统计变换直方图单元，用于计算一幅图像所有像素的CT值，统计各示例CT值像素个数或所占比例，求得CT值直方图特征，即CENTRIST特征；c)多示例稀疏学习单元，用于对各示例的CENTRIST特征进行稀疏离散度描述，以及计算示例的多样性密度，并确立目标示例；d)计算每一类图像的紧凑空间结构特征SSRCT ;e)计算每类平均特征向量PACT ;f)对比单元，通过欧氏距离度量目标示例与测试图像在颜色和纹理特征上的相似性并分别排序，同时对图像紧凑空间结构特征SSRCT的相似度进行排序。一种图像内容检索系统的图像内容稀疏学习方法，包括以下步骤:步骤一:对训练图像进行FCM分割，将其分为η个区域，每个区域为一个示例，并分别提取该示例的颜色和纹理特征向量；步骤二:采用“空间金字塔”的2级划分重新分割训练图像，并提取各分块的CENTRIST特征后进行稀疏离散度描述，得到一个紧凑的空间结构特征SSRCT，并依此计算每类平均特征向量；步骤三:对步骤一得到的各个示例进行多示例稀疏学习，求得示例多样性密度，并依此选择出目标示例；步骤四:将步骤一中提取的颜色特征与与步骤三中提取的目标示例的颜色特征求欧氏距离并排序，排序后得到ColorOrder ;步骤五:将步骤一中提取的纹理特征与与步骤三中提取的目标示例的纹理特征求欧氏距离并排序，排序后得到TextureOrder ;步骤六:利用步骤二计算每一类图像的SSRCT特征矩阵的平均矩阵，对测试图像与每类平均空间特征矩阵PACT计算欧氏距离，排序后得到PACTOrder ;步骤七:将步骤四至七中得到的三组排序结果加权综合得到最终排序结果，依此得到最终的检索结果O作为本专利技术的一种改进方案，颜色特征为像素R、G、B颜色均值或HSV颜色直方图特征，纹理特征由符合人眼视觉感知的Gabor滤波器提取。由于多示例学习能够有效处理图像的歧义性，本专利技术采用多示例学习找出一类图像的目标示例，并由欧氏距离度量目标示例与测试图像在颜色和纹理特征上的相似性。同时，为了更好地表示图像的整体结构 ，本专利技术对图像重新进行基于“空间金字塔”匹配机制图像分割，并提取各分块的CENTRIST特征后进行一种新的稀疏离散度描述，即紧凑空间结构特征，并在图像整体空间结构特征相似度方面进行排序。本专利技术的优点是:采用多示例学习、多样性密度的稀疏学习方法，从多种非局部形态特征的角度来描述图像内容并达到检索的目的，该方法容易编程实现，并具有一定人工智能，也为图像理解提供了算法上的参考。附图说明图1是本专利技术方法的检索流程图。图2是空间金字塔的划分示意图。图3是CT值直方图特征即CENTRIST特征。具体实施例方式下面结合附图对本专利技术做进一步说明。如图1-2所示,多示例学习中，每个样本由一组没有标记的特征向量组成,每个特征向量称为一个示例，由一组示例组成的具有标记的样本称为包。其问题描述如下:假设训练集中每个数据是一个包(Bag，即样本)，每个包由多个示例组成，每个训练包有一个概念标记，但示例没有概念标记。如果一个包中至少存在一个示例是正例，则该包被标记为正包；如果包中没有任何一个示例是正例，则该包被标记为负包。学习系统通过对多个包组成的训练集进行学习，以尽可能正确地对训练集之外的包的概念标记进行预测。在CBIR中使用多示例学习时，首先要将图像表示为多示例包，一幅图像中，用户感兴趣或者能体现图像内容的只是图像的一部分区域。本专利技术一种图像内容检索系统，包括: O分割子系统，用于将训练图像、测试图像分别分割为η个示例，包括: A)FCM分割单元:采用模糊C均值算法对训练图像和测试图像分别进行区域分割； B)金字塔分割单元:采用cvPrySegmentation函数对训练图像和测试图像重新进行基于“空间金字塔”匹配机制的图像分割； 2)图像区域特征提取单元:用于提取各个示例的颜色、纹理、CENTRIST特征及每类平均特征向量； 3)计算对比子系统，包括: a)提取每个示例的颜色特征和纹理特征； b)统计变换直方图单元，用于计算一幅图像所有像素的CT值，统计各示例CT值像素个数或所占比例，求得CT值直方图特征，即CENTRIST特征； c)多示例稀疏学习单元，用于对各示例的CENTRIST特征进行稀疏离散度描述，以及计算示例的多样性密度，并确立目标示例； d)计算每一类图像的紧凑空间结构特征SSRCT； e)计算每类平均特征向量PACT； f)对比单元，通过欧氏距离度量目标示例与测试图像在颜色和纹理特征上本文档来自技高网...

【技术保护点】
一种图像内容检索系统，其特征是，包括：1）分割子系统，用于将训练图像、测试图像分别分割为n个示例，包括：A）FCM分割单元：采用模糊C均值算法对训练图像和测试图像分别进行区域分割；B）金字塔分割单元：采用cvPrySegmentation函数对训练图像和测试图像重新进行基于“空间金字塔”匹配机制的图像分割；2）图像区域特征提取单元：用于提取各个示例的颜色、纹理、CENTRIST特征及每类平均特征向量；3）计算对比子系统，包括：??a）提取每个示例的颜色特征和纹理特征；b）统计变换直方图单元，用于计算一幅图像所有像素的CT值，统计各示例CT值像素个数或所占比例，求得CT值直方图特征，即CENTRIST特征；c）多示例稀疏学习单元，用于对各示例的CENTRIST特征进行稀疏离散度描述，以及计算示例的多样性密度，并确立目标示例；d）计算每一类图像的紧凑空间结构特征SSRCT；e）计算每类平均特征向量PACT；f）对比单元，通过欧氏距离度量目标示例与测试图像在颜色和纹理特征上的相似性并分别排序，同时对图像紧凑空间结构特征SSRCT的相似度进行排序。

【技术特征摘要】
1.一种图像内容检索系统，其特征是，包括: O分割子系统，用于将训练图像、测试图像分别分割为η个示例，包括: A)FCM分割单元:采用模糊C均值算法对训练图像和测试图像分别进行区域分割； B)金字塔分割单元:采用cvPrySegmentation函数对训练图像和测试图像重新进行基于“空间金字塔”匹配机制的图像分割； 2)图像区域特征提取单元:用于提取各个示例的颜色、纹理、CENTRIST特征及每类平均特征向量； 3)计算对比子系统，包括: a)提取每个示例的颜色特征和纹理特征； b)统计变换直方图单元，用于计算一幅图像所有像素的CT值，统计各示例CT值像素个数或所占比例，求得CT值直方图特征，即CENTRIST特征； c)多示例稀疏学习单元，用于对各示例的CENTRIST特征进行稀疏离散度描述，以及计算示例的多样性密度，并确立目标示例； d)计算每一类图像的紧凑空间结构特征SSRCT； e)计算每类平均特征向量PACT； f)对比单元，通过欧氏距离度量目标示例与测试图像在颜色和纹理特征上的相似性并分别排序，同时对图像紧凑空间结构特征SSRCT的相似度进行排序。2.采用权利要求1所述的一种图像内容检索系统的图像内容稀疏学习方法，其特征...

【专利技术属性】
技术研发人员：宋晓宁，陈勇，王卫东，叶华，石亮，范燕，
申请(专利权)人：南京龙渊微电子科技有限公司，
类型：发明
国别省市：