[发明专利]一种基于显著点和SVM相关反馈的图像检索方法

说明书

一.技术领域

本发明属于基于内容的图像检索研究领域，涉及到显著点提取技术以及和SVM相关反馈相结合的图像检索技术。

二.背景技术

随着多媒体技术的快速发展和数字图像采集量的迅猛增加，基于内容的图像检索(CBIR，Content-based Image Retrieval)已经成为最受关注的研究领域之一。但是如何从大型数据库中高效地检索相关图像，仍然是短时间内解决不了的难题。传统的CBIR方法主要把一幅图像表示成特征集合(主要包括图像的颜色、纹理、形状等)，可用高维特征空间中一个点表示，然后计算查询图像和数据库中存储的图像之间的距离，利用距离大小判断图像之间的相似性，得出检索结果。但是仅仅利用这些低层视觉特征很难获得满意的检索结果，不同用户对同一幅图像的查询目的和关注的内容也不尽相同，这种低层特征描述和高层语义信息之间的不一致就称为“语义鸿沟”。

为了减小“语义鸿沟”带来的影响，研究者提出许多改进方法，其中被证明有效并在CBIR中广泛使用的有图像的局部特征表示和相关反馈技术等。局部特征相比于全局特征更接近用户对图像的理解，但是从图像每一个像素计算局部特征太耗时，于是提出兴趣点，它们被认为包含最重要的图像信息。

兴趣点作为一种重要的图像视觉特征点，已经在三维解释、运动估计以及图像匹配等方面得到了广泛使用。1997年，Schmid等在图像检索中引入了兴趣点概念，他们利用Harrs’角点检测器提取兴趣点，但是这种方法是基于角点的数学模型，在提取自然图像时有一定缺点：1)视觉重要点不仅仅是角点，2)角点可能集中在一个很小的区域内。2001年，Etienne等提出了基于小波变换的显著点，这些点不仅仅是角点，还有在不同分辨率下发生变换的点。2004年，D.Lowe完善了尺度不变特征转换(SIFT)算法，它是根据不同尺度下高斯差中的极值计算得出，SIFT特征是基于图像局部区域的兴趣点，与图像的大小和旋转无关，对光照、噪声、小角度的视觉改变都有一定的容忍度。

相关反馈是根据用户意图，有目的调整检索结果，提高检索准确率。目前的反馈主要有三种：

1、基于距离度量的方法，如查询点移动等；

2、基于概率的反馈，如贝叶斯网络反馈；

3、基于机器学习的方法，如SVM、决策树、多示例学习等。

但是由于应用的特殊性，CBIR中的相关反馈有一些特点：

1、训练样本少。用户不愿意标记大量样本和进行多次交互，对高维图像特征而言，训练样本太少，成为相关反馈面临的主要问题。

2、实时性要求。相关反馈是一个人机交互的过程，对实时性要求较高，这就限制了耗时算法的应用。

3、训练样本不对称性。许多分类方法要求正样本和负样本同分布并得到同等对待。但是一般用户标记的只是图像库中的一小部分，大部分图像是不相关的，而且不相关图像又有好多类。

4、存在大量的未标记样本。在相关反馈中，用户标记的样本很少，图像库中还存在着大量的未标记样本，如何利用这些未标记样本提高算法效率是值得研究的问题。

SVM分类器被认为是一种最有效的分类技术之一。它在处理小样本时的优势和良好的泛化能力，使得它在图像检索中得到广泛使用。

基于上述分析，我们结合图像显著点和SVM相关反馈，提出一种新的检索方法。此方法利用较少的特征向量和反馈样本进行学习，较好地体现了图像语义信息，而且与传统的基于显著点的图像检索方法相比，检索准确率也得到显著提高。

三.发明内容

本发明的目的是减小图像检索过程中语义鸿沟带来的影响，提高检索准确率。本发明将更接近用户意图的局部特征和直接反应用户意图的相关反馈结合，提出一种检索速度快、准确率高的方法。

本发明提出的基于内容的图像检索算法：提取小波显著点，这些点是小波域图像中小波系数发生显著变化的特征点，不仅分布在角点上，也分布在平滑的边缘上。提取方法是对图像进行小波分解，选择粗分辨率下绝对值较大的小波系数，它们对应原图像中变化较大的区域，然后在细分辨率下跟踪这些小波系数，提取原图像中的能代表这些变化的显著点；然后利用显著点的空间分布信息，按照显著点分布划分成一系列同心圆，提取每个环形内颜色和形状特征，并结合图像的全局纹理特征，按照欧氏距离给出初步检索结果。根据用户的意图，人工标注相关样本和不相关样本，计算得到最佳SVM分类器，再用该分类器对图像库中图像重新分类，给出反馈后的检索结果，该算法可根据用户满意程度进行多次检索。

四.附图说明

图1是本发明的系统流程图；