[发明专利]一种搜索相似图片的方法

说明书

技术领域

本发明涉及图像处理领域，具体涉及一种搜索相似图片的方法。

背景技术

随着数字信息技术的发展，数字图像已经进入了千家万户，然而随着数字图像数量的增加，如何在庞大的图像数据库里快速而准确地寻找跟某一张图片相似的其它图片成为了一个难题。例如一个人去了埃及旅行，那里风景秀丽文化深厚，因此拍摄了成千上万的照片。有一天他偶尔发现特别喜欢一张黄昏下金字塔的照片，然后他想知道他的相机里面还有没有类似场景的照片，如果一张又一张地翻阅他的照片集工作量是非常庞大的，那能不能建立一个个人的图片搜索引擎？只要在引擎中输入某一张图片，图像搜索引擎就会提取该图像的特征，然后跟图像数据库中的图像特征进行匹配，最后输出跟输入图像相似度最高的图像。

SIFT即尺度不变特征变换(Scale-invariantfeaturetransform，SIFT)，是用于图像处理领域的一种描述子。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。SIFT由DavidLowe在1999年提出，在2004年加以完善。SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、微视角改变的容忍度也相当高。RootSIFT是SIFT的一种改进算法，它采用Hellinger核函数代替SIFT中欧氏距离度量值作为两个向量间的相似性度量，实验结果表明，RootSIFT的效果比SIFT更好。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供一种搜索相似图片的方法。

本发明采用如下技术方案：

一种搜索相似图片的方法，包括如下步骤

S1构建图像的RootSIFT模型，并对图像数据库中的图像进行RootSIFT特征的提取，所述RootSIFT特征包括关键点和特征描述子，将提取的特征描述子存储到特征数据库；

S2提取目标图像的RootSIFT特征，使用Flann特征匹配方法，与特征数据库中每一幅图像的特征描述子进行匹配，计算匹配成功的关键点个数，即两幅图像之间的距离；

S3输出与目标图像匹配成功的关键点数最多的前n幅图像。

所述S1具体为：

S1.1在SIFT基础上，建立图像的RootSIFT模型；

S1.2遍历图像数据库中的每一张图片，通过RootSIFT模型提取每一张图片的RootSIFT特征；

S1.3将提取的RootSIFT特征的特征描述子通过python的pickle模块存储到一个pkl文件中。

所述Flann特征匹配方法具体为：计算两幅图像的特征描述子向量的距离，具体是对每个需要匹配的关键点同对应图片的各个关键点进行距离的计算并找出距离目标关键点最近距离的关键点。

当最近的距离除以次近的距离的值少于0.75时认为这两个关键点匹配成功。

本发明的有益效果

(1)本发明依据SIFT的改进算法RootSIFT特征提取方法提取图像的特征，该特征具有对旋转、尺度、缩放、亮度变化保持不变性，从不同的角度描述图像的特征，更能准确地搜索与目标图像相似的图像；

(2)本发明在特征匹配时使用了Flann特征匹配方法，使系统拥有了快速的匹配速率以及更好的搜索的准确率。

附图说明

图1是本发明的工作流程图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1所示，一种搜索相似图片的方法，包括如下步骤：

S1构建图像的RootSIFT模型，并对图像数据库中的图像进行RootSIFT特征的提取,将提取的特征描述子存储到特征数据库。所述RootSIFT特征包括关键点和特征描述子，每个关键点有三个信息：位置，所处尺度、方向，为每个关键点建立一个特征描述子，用一组向量将这个关键点描述出来，使其不随各种变化而改变，比如光照变化、视角变化等等。一般表征特征描述子在关键点尺度空间内4*4的窗口中计算的8个方向的梯度信息，共4*4*8＝128维向量。

所述的RootSIFT模型是在SIFT特征模型拓展而来的。在纹理分类和图像分类中使用欧氏距离的性能比使用Hellinger核函数的性能低。因此，考虑SIFT算法中相似性度量也可以用Hellinger核函数来度量，发现核函数的效果更好。

步骤S1具体包括：