[发明专利]图像搜索方法及系统

说明书

本发明公开了一种图像搜索方法及系统，包括以下步骤：S1将目标图像集和元图像分别进行曲线分割；S2将分割后的每个区域提取特征紧凑子；S3将图像集中图像信息进行存储；S4计算元图像中每个区域的特征紧凑子与目标图像集中每个区域的特征紧凑子之间的汉明距离；S5根据汉明距离搜索出结果图像集。本发明有益效果：针对不同特征类型的低比特、低复杂度、高准确率的特征编码技术，将单幅图像区域的特征描述子的数据量从几百K字节减低到几K字节，从而大大降低其存储成本以及提高搜索精度。

技术领域

本发明涉及图像搜索领域，具体来说，涉及一种图像搜索方法及系统。

背景技术

目前，在图像搜索领域中，首先，主要采用图像识别方法来提取搜索可利用的特征，然后与样本库进行一一比对，再输出相匹配的结果。

现有一些图像搜索算法，根据图像提取特征描述信息，然后通过相似度算法进行搜索，会引起以下弊端：图像的描述子信息比较大，搜索精度不够， 单个特征描述子信息占用内存比较大。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的上述技术问题，本发明提出一种图像搜索方法及系统，能够解决图像描述子特征精度以及单个描述子信息量大等问题。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种图像搜索方法，包括以下步骤：

S1 将目标图像集和元图像分别进行曲线分割；

S2 将分割后的每个区域提取特征紧凑子；

S3 将图像集中图像信息进行存储；

S4 计算元图像中每个区域的特征紧凑子与目标图像集中每个区域的特征紧凑子之间的汉明距离；

S5 根据汉明距离搜索出结果图像集。

进一步地，步骤S1中将目标图像集和元图像分别进行曲线分割具体包括：

S11 分别获取目标图像集和元图像的维度信息，并计算目标图像集和元图像中心点的坐标；

S12 分别将目标图像集和元图像的宽度和高度进行计算，并计算椭圆的长半径和短半径；以中心点为原点，以长半径和短半径画椭圆；以中心点为原点，画X轴和Y轴；

S13分别对目标图像集和元图像以X轴、Y轴和椭圆曲线进行分割为5个区域。

进一步地，步骤S2中提取特征紧凑子具体包括：

S21构建GMM模型；

S22根据GMM模型，使用K-means算法训练码书；

S23通过fisher vector VLAD方法获取特征紧凑子。

进一步地，在步骤S1之前需要采集目标图像集信息和搜索元图像信息处理，其中，所述采集目标图像集信息包括读取图像集中每张图片，所述搜索元图像信息处理包括读取元图像，分别将图像集和元图像转化为HSV颜色空间。

进一步地，所述步骤S3中图像信息包括但不限于图像ID、图像标签和每个区域的特征紧凑子。

本发明另一方面，提供一种图像搜索系统，包括：

第一分割模块，用于将目标图像集和元图像分别进行曲线分割；

提取模块，用于将分割后的每个区域提取特征紧凑子；

存储模块，用于将图像集中图像信息进行存储；

第一计算模块，用于计算元图像中每个区域的特征紧凑子与目标图像集中每个区域的特征紧凑子之间的汉明距离；