[发明专利]基于谱嵌入的多视角特征融合的图像检索方法

说明书

本发明公开了一种基于谱嵌入的多视角特征融合的图像检索方法。本发明方法，包括：对图像在不同视角下提取多种图像特征，并生成相应的特征矩阵，使用谱嵌入的方法获取拉普拉斯矩阵，在低维空间中利用多视角融合方法得到统一的图像特征矩阵，然后利用特征相似性对图像进行检索，得到满意的结果。本发明方法在不同维度空间中对多视角特征进行融合，获取统一的低维图像特征，增强了图像检索的性能。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于谱嵌入的多视角特征融合图像检索方法。

背景技术

特征维度的不同是多视角学习中难于处理的问题。在多视角谱嵌入方法(Multi-view spectral embedding,MSE)中，利用k邻近对象之间的相似性构建局部权重图，用于表示高维空间的低维流行。根据各边权重值生成不同视角的拉普拉斯矩阵，把不同维度空间的特征映射为相同维度的低维嵌入，同时保持了原有视角特征的局部流行结构。

为了获取多视角特征之间存在的一致和互补信息，首先要确定不同视角在映射到低维嵌入时的贡献大小，可以利用一组权重向量α＝[α₁,...,α_m]表示其重要性。

发明内容

本发明的目的是提供一种基于谱嵌入的多视角特征融合的图像检索方法，该方法从不同维度的多种视角特征中获取一致性和互补性信息，并且将更多的有用信息映射到低维嵌入矩阵。

本发明提出的基于谱嵌入的多视角特征融合的图像检索方法，主要包括：

步骤S101：对图像进行多视角特征提取，对给定的图像数据使用不同的方法进行特征提取，得到不同视角下的图像特征矩阵；

步骤S102：利用谱嵌入方法获取多种特征的拉普拉斯矩阵，并且定义全局低维特征的目标函数；

步骤S103：通过学习得到一组权重值对多视角特征进行融合，得到统一的低维图像特征矩阵，使用映射后的低维图像特征矩阵对图像进行检索。

优选的，所述步骤S101，利用不同方法提取图像的多视角特征，分别从颜色、纹理、边缘梯度和关键点等多个视角描述图像。

优选的，所述步骤102，利用谱嵌入方法获取多种特征的拉普拉斯矩阵，并且定义全局低维特征的目标函数；

首先给定约束条件YY^T＝I，可以得到一组全局的低维嵌入Y，其目标函数如下公式所示：

通过不断地迭代优化获取目标函数的全局最优解。一般交替更新α和Y的值来获得接近于全局最优的低维嵌入Y。

优选的，所述步骤103：

各视角的权重系数重新定义为如下公式表示：

其中ζ＝exp(-(1+σ/μ))，σ＝var(tr)为不同视角优化矩阵迹的方差，μ＝mean(tr)为其平均值，多种视角优化矩阵迹的集合为第i个视角的优化矩阵迹为

其次，固定α的值，更新全局低维嵌入Y，目标函数为：

其中Y为全局拉普拉斯矩阵L的前d维最小特征值构成的低维嵌入矩阵。

有益效果：本发明在保留尽可能多的一致性和互补性信息的同时把多视角特征映射为一组低维嵌入向量。首先，利用统一距离公式用于计算领域样本间的相似度，并生成局部权重矩阵，保证了矩阵运算的有效性。其次，构建了一种新的迭代优化策略，通过计算变异系数(coefficient of variation,CV)来确定各视角特征的重要性。最后，通过融合多视角特征的谱嵌入拉普拉斯矩阵生成统一的低维图像特征矩阵，并且用于图像检索，提高了系统的性能。

附图说明