[发明专利]一种融合空间信息的Bag of Words图像检索方法

权利要求书

1.一种融合空间信息的Bag of Words图像检索方法，其特征在于步骤如下：

步骤1：提取数据库中每幅图像的SIFT特征，得到每幅图像底层特征的集合I＝{p_m|m＝1...|I|}，其中p_m＝(f_m，X_m，λ_m，θ_m)，|I|为图像I中SIFT特征区域数目，f_m为特征区域128维的特征描述向量、X_m为特征区域中心所在位置、λ_m为特征区域尺度信息、θ_m为特征区域的主方向角度信息；

步骤2：利用Hierarchical K-means聚类算法对图像数据库中的所有图像所提取的特征区域的特征描述向量f_m进行聚类，其中聚类数目K∈[10000，1000000]，得到聚类中心的类别的标号w及聚类的层次树结构Tree，形成底层特征p′_m＝(w_m，X_m，λ_m，θ_m)，所述的w_m∈w为特征区域所属的聚类中心类别的标号；

步骤3：计算图像每个底层特征p′_m的和Δθ_mn＝||θ_m-θ_n||，得到ΔX_m＝{ΔX_mn|n＝1，2，...，|I|，n≠m}和Δθ_m＝(Δθ_mn|n＝1，2，...，|I|，n≠m)，将[0，2π]等分成数个均匀方向区域，在每个均匀方向区域上，计算Δθ_m中属于该方向区域上的集合Δθ′_m＝{Δθ_mi|i＝a₁，...，a_k}所对应的集合ΔX′_m＝{ΔX_mi|i＝a₁，...，a_k}中最小值对应的特征区域的类别标号w_i，其中得到底层特征p″_m＝(w_m，sw_m)；所述的下标mn分别表示图像中第m个特征区域与第n个特征区域，所述的sw_m为数个均匀方向区域上选取的w_i组成的向量；

步骤4：图像数据库中的每幅图像T的底层特征的集合表示t＝{p″_m|m＝1，2，...|T|}，其中p″_m＝(w_m，sw_m)；

步骤5：计算待查询图像目标区域Q的底层特征的集合q＝{p″_o|o＝1，2，...|Q|}，其中p″_o＝(w_o，sw_o)，待查询图像目标区域特征p，p′，p″均以下标o表示，与图像数据库中下标m加以区分，具体步骤如下：

步骤a：提取以待查询图像目标区域的底层SIFT特征，得到以待查询图像目标区域Q的底层特征集合q＝{p_o|o＝1...|Q|}，其中p_o＝(f_o，X_o，λ_o，θ_o)；

步骤b：利用步骤2生成的聚类层次树结构Tree，查找每个f_o对应的类别标号w_o，得到以待查询图像目标区域Q的底层特征集合q＝{p′_o|o＝1，2，...|Q|}，其中p′_o＝(w_o，X_o，λ_o，θ_o)，w_o∈w；

步骤c：对以待查询图像目标区域q＝{p′_o|o＝1，2，...|Q|}，分别选取q中的每个底层特征p′_o计算和Δθ_on＝||θ_o-θ_n||，得到ΔX_o＝{ΔX_on|n＝1，2，...，|I|，n≠o}和Δθ_o＝(Δθ_on|n＝1，2，...，|I|，n≠o)，将[0，2π]等分成数个均匀方向区域，在每个均匀方向区域上，计算Δθ_o中属于该方向区域上的集合Δθ′_o＝{Δθ_oi|i＝a₁，...，a_k}所对应的集合ΔX′_o＝{ΔX_oi|i＝a₁，...，a_k}中最小值对应的特征区域的类别标号w_o，其中得到底层特征p_o″＝(w_o，sw_o)；，得到以待查询图像底层特征集合q＝{p″_o|o＝1，2，...|Q|}，其中p″_o＝(w_o，sw_o)；

步骤6：计算以待查询图像目标区域Q与图像数据库中每幅图像T之间的相似度，具体步骤如下：

步骤(a)：依次取图像数据库中的每幅图像t＝{p″_m|m＝1，2，...|T|}；

步骤(b)：对q中的每个元素p″_o，判断t中是否存在非空子集mt，使其满足

步骤(c)：如果存在非空子集mt，则计算sw_o与mt中每个sw_m的相似度得到S_temp＝{S_temp(m)|m∈{s₁，s₂，....s_k}}，其中所述的H(·)为汉明距离，所述的D为sw_o的向量长度；

步骤(d)：计算以待查询图像目标区域Q与数据库中每幅图像T之间的所述S_s(Q，T)为对每个元素(w_o，sw_o)生成的S_temp进行max(S_temp)求和，所述的S_w(Q，T)为每个元素(w_o，sw_o)生成的S_temp进行max(S_temp)＞0数目求和，所述|T|为图像特征区域的数目；

步骤7：将以待查询图像目标Q与数据库中每幅图像T之间的S(Q，T)按降序排列，按相似度大小依次在图像库中选取所对应的图像。