[发明专利]基于贝塞尔统计模型的图像检索方法

说明书

技术领域

本发明属于图像处理领域，特征是一种可减少相似度计算时间，提高检索效率的基于贝塞尔统计模型的图像检索方法。

背景技术

以往的图像检索技术沿用了传统文本检索技术(TBIR)，它不考虑图像本身固有的颜色、纹理、形状等内容特征，而是使用关键字来描述及检索图像。存在如下缺陷：对数据库中每一幅图像进行人工标注需要耗费大量的时间和人力；使用关键字难以准确描述内容千差万别图像的内涵；人工选取关键字会包含强烈的主观性，可能造成图像理解上的偏差，直接影响图像的检索效果。为了克服上述缺陷，基于内容的图像检索技术(CBIR)应运而生，该检索技术包含图像视觉特征提取和特征相似度计算两个环节，可有效提高检索的速度和效率，具有更好的客观性和通用性，更适用于大规模图像库的检索。

在图像视觉特征提取过程中，尤其对于含有大量纹理信息的图像，如何准确的表征纹理特征就成为影响检索效果的决定性因素。现有的图像纹理特征提取方法，如傅里叶变换，小波变换，多尺度几何变换等在此方面都各有其局限性，导致相似度计算时间长，影响了检索效率。

发明内容

本发明为了解决现有技术所存在的上述技术问题，提供一种可减少相似度计算时间，提高检索效率的基于贝塞尔统计模型的图像检索方法。

本发明的技术解决方案是：一种基于贝塞尔统计模型的图像检索方法，其特征在于按照如下步骤进行：

步骤1：利用非下采样Shearlet剪切波变换对图像进行分解，得到一个低频子带和若干个高频子带；

步骤2：对于每个高频子带利用贝塞尔K分布概率密度函数进行统计建模，估计出形状参数和尺度参数；

步骤3：利用每幅图像所有高频子带对应的（c,p）的值作为图像特征，以一一对应的方式与原图像形成映射，作为图像特征库以待检索使用；

步骤4：利用欧氏距离作为图像之间相似度的计算方法，计算不同图像之间的相似度，按照相似度从大到小对结果进行排序、输出。

所述步骤1如下：分别对图像库中的每一幅纹理图像进行参数为的非下采样shearlet剪切波变换，即高频子带分解为两个尺度，分别为2ⁿ个方向和2^m个方向。

所述步骤2如下：

步骤21：定义贝塞尔K分布概率密度函数为如下形式：

其中，表示第二种被修改的第z阶贝塞尔函数，是Gamma函数，和分别表示形状参数和尺度参数，并且有，；

步骤22：对于贝塞尔K分布（BKF）的两个参数估计，分别计算每幅图像的2ⁿ+2^m个高频子带的形状参数和尺度参数,具体方法为：

其中，和分别表示系数样本的二阶和四阶中心距。

所述步骤3如下：将所得到的共2*(2ⁿ+2^m)个值做为每幅图像的特征,将每幅图像的特征以一一对应的方式与原图像形成映射，完成图像特征库F_i的建立。

所述步骤4如下：

步骤41：重复步骤1、2，计算待检索图像I_q的特征F_q；

步骤42：采用欧氏距离计算待检索图像I特征F_q与库中图像J特征库中的特征F_i的相似度：为检索图像I和库中图像J之间的距离，f_i(I)表示图像I的特征向量第i个分量处的特征值，则两幅图像的欧式距离定义为：

将取倒数作为两幅图像之间的相似度，在取倒数前先加一个系数λ，所述λ=0.001；

步骤43：按照相似度从大到小排列输出，得到检索结果。