[发明专利]一种基于多特征融合的空间图像检索系统及检索方法

说明书

本发明属于图像检索技术领域，公开了一种基于多特征融合的空间图像检索系统及检索方法，基于多特征融合的空间图像检索系统包括：输入模块、主控模块、图像检测模块、特征提取模块、相似性度量模块、特征融合模块、匹配模块、显示模块。本发明通过特征提取模块采用大梯度运算矩阵，划分更多的梯度区间，并省略了HOG单元格移动的计算，大大减少了运算量，整体速度提升约4倍，非常适合对实时性要求较高的应用场合；同时，通过匹配模块将对异源图像块的融合后的特征图进行分类，而不是对级联的特征向量进行分类，这样有利于提高网络的性能；本发明提出的基于深度学习的异源图像匹配方法不仅在性能上优于其他方法，在训练效率上也优于其他方法。

技术领域

本发明属于图像检索技术领域，尤其涉及一种基于多特征融合的空间图像检索系统及检索方法。

背景技术

图像检索的发展是一个从简单到复杂、从低级到高级的过程，从最初的文本信息查询发展到基于内容的图像检索。同时随着人们对图像理解、图像识别研究的不断深入，提出了基于图像语义的检索,充分利用了图像的语义信息,提高了图像检索系统的能力。另外，为了解决语义鸿沟的问题，人们提出了基于反馈的信息检索技术，利用人机交互行为，改进系统的能力，提高检索结果的准确性。最后，随着人工智能和信息技术的发展，一种智能的基于知识的信息检索系统成为信息检索领域的发展方向。基于知识的信息检索技术将基于视觉特征和基于文本语义的技术结合在一起，通过建立知识库，实现自动提取语义和图像特征的功能，并且充分考虑到用户特征对检索系统的影响,这是建立高效、实用、快速的图像检索系统的必然的发展方向。然而，现有图像检索过程中运算量大；同时，由于卷积神经网络提取的特征向量丧失了图像大量的空间信息，导致最终的图像块匹配准确率不高。

综上所述，现有技术存在的问题是：

现有图像检索过程中运算量大；同时，由于卷积神经网络提取的特征向量丧失了图像大量的空间信息，导致最终的图像块匹配准确率不高。

现有的图形相似度常用识别方法有概率统计算法、特征值的最小均方误差和几何外观特征必要条件的加权平均算法等。虽然取得了一定的效率，但也存在一些不足：算法的实现过程和图像分辨的匹配性不直观；算法复杂，导致数据处理量大，运行成本高；算法的平均性分析导致图形中重要几何特征的变化对整体相似度的影响，导致准确性和稳定性存在一定偏差。现有技术中，由局部质量分数预测对整个图像的质量度量效果差。

发明内容

针对现有技术存在的问题，本发明提供了一种基于多特征融合的空间图像检索系统及检索方法。

本发明是这样实现的，一种基于多特征融合的空间图像检索方法，包括：

利用相似程序计算相关图像和查询图像的相似度；具体有根据图形最小包容矩形长宽比设置适当域值，进行过滤；根据源图形中各边长与周长比的最小值设置域值，去除目标图形中的奇化部分；对目标图形边数作化简处理，使和源图形具有相同边数；获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数；

利用融合程序根据图像间的相似度进行多尺度特征融合，得到查询图像与各个候选图像间的最终相似度；具体有：

选取客观视频质量评价模型OM，通过比较原始参考视频和失真视频，计算失真视频每帧的预测分值，并将获取的帧级分数标记为矢量X，视频总帧数标记为N；

滑动窗口的窗口长度为winLen，对获得的帧级质量分数进行滑窗处理，即处理后第n帧的帧级分数为[n-winLen+1,n]帧的帧级分数的均值，将滑窗处理后的帧级分数标记为矢量WX；

将WX由小到大进行排序，并将排序后的结果标记为WX’，取最差的p％帧的平均值，作为整个视频序列的质量度量分值，进行排序，最小的p％帧均值即为最终度量结果。

进一步，包括：