[发明专利]一种基于粒子群算法的多特征图像检索方法

说明书

技术领域

本发明属于数字图像处理领域，涉及一种基于粒子群算法的多特征图像检索方法。

背景技术

基于内容的图像检索(content-based image retrieval，CBIR)越来越成为国内外的一个热门研究领域，它融合了图像处理、图像识别和图像数据库等领域的技术成果，充分利用图像自身包含的特征属性如颜色、纹理、形状等底层特征所建立的索引来进行检索，从而可以提供更有效更准确的图像检索手段。单图像特征能够提供图像的部分鉴别信息，但不充分，而对多图像特征进行组合应用能够提供相对全面充分的鉴别信息。基于对局部图像特征和多特征组合的综合考虑，多特征组合的图像检索算法具有更出色的检索性能，其检索结果更符合人眼的视觉感受。而如何分配不同图像特征的权重是一个问题。

目前，常用的图像检索评估方法为PVR曲线，而PVR曲线是由查全率和查准率定义的。假设A为测试图像库中所有的和查询图像有关的图像集合，B为检索返回的图像集合。a为查询到的相关图像的数目；b为查询到的不相关图像的数目；c为与检测图像相关，但没有检索到的数目。

查全率的定义为：

recall=P(B|A)=aa+c;]]>

(1)

查准率的定义为：

precision=P(A∩B)P(B)=aa+b;]]>

(2)

当计算出一幅图像的检索结果的查全率和查准率后，如果将查全率作为坐标的x轴，查准率作为坐标的y轴，则可绘制出图像检索结果的PVR曲线。设PVR曲线为f(x，y)，则f(x，y)与x-y轴围成的面积为称S(f)为PVR指数，记为E。则E越大，图像检索的性能越好；E越小，图像检索的性能越差。如果E＝1，那么图像检索性能达到最佳，其PVR曲线为f(x，y)＝1。

粒子群优化算法PSO(particle swarm optimization)是一种基于群集智能的算法，它通过模拟鸟群或鱼群的觅食行为，通过单个粒子之间的信息共享，寻找复杂搜索空间的最优点。PSO算法是一种基于种群操作的优化技术。对优化问题而言，PSO算法中每个粒子代表一个可能的解。群体中每个粒子在迭代过程所经历过的最好位置，就是该粒子本身所找到的最好解。整个群体所经历过的最好位置，就足整个群体目前找到的最好解。前者叫做个体极值，后者叫做全局极值。每个粒子都通过上述两个极值不断更新自己，从而产生新一代群体，也就是在这个过程中整个群体对解区域进行全面搜索。

如果粒子的群体规模为n，则第i(i＝1，2，…，n)个粒子的位置可表示为x_i，它的个体极值记为pBest_i，它的速度用v_i表示，群体的全局极值用gBest表示。所以任一粒子i将根据以下公式来更新自己的速度和位置：

v_i(t+1)＝ωv_i(t)+c₁r₁(t)(pBest_i(t)-x_i(t))+c₂r₂(t)(gBest_i(t)-x_i(t))

(3)