[发明专利]一种基于k邻域分布得分的图像重排序方法

说明书

本发明公开了一种基于k邻域分布得分的图像重排序方法，在根据图像相似度进行降排序的初始排序列表基础上，再根据k邻域分布得分的高低进行重新排序；包括获得初始排序列表；建立测试图像p的扩展查询集；将初始排序列表作为新的测试图像集；将p添加到初始参考图像集G中；为每个新的测试图像计算对应的临时排序列表；搜索扩展查询集中k张图像在各个临时排序列表中的排序位置L；计算初始排序列表中各参考图像的以下得分：位置得分、重叠得分以及离散得分；构造初始排序列表中各参考图像的k领域分布得分；根据初始排序列表中各参考图像的k领域分布得分重新排序。本发明能够降低负样本对排序的干扰，提高图像检索的准确率。

技术领域

本发明涉及图像检索领域，尤其是一种用于对图像进行排序的方法。

背景技术

图像检索主要基于图像相似度判断：通过计算待测图像与参考图像数据集中各参考图像的相似度，然后根据相似度的高低进行排序，一般是将与待测图像相似度最高的参考图像作为top-1，top-1的准确率对图像检索结果的准确率起到至关重要的作用。但是，由于参考图像数据集中既存在正样本，又存在负样本，负样本对图像相似度计算存在干扰，由于正样本存在拍照角度、遮挡等问题，这会造成某些角度或没有遮挡的负样本与待测图像的相似度高于正样本与待测图像的相似度，那么采用现有技术中单纯依赖相似度计算得到的排序不准确，甚至出现负样本排到top-1的情况。

发明内容

针对上述现有技术的不足，本发明提供一种基于k邻域分布得分的图像重排序方法，解决单纯依赖图像相似度进行排序容易受到负样本干扰的技术问题，能够降低负样本对排序的干扰，提高图像检索的准确率。

为了解决上述技术问题，本发明采用了如下的技术方案：一种基于k邻域分布得分的图像重排序方法，在根据图像相似度进行降排序的初始排序列表的基础上，再根据k邻域分布得分的高低进行重新排序；包括以下步骤：

步骤1：获取包含N张参考图像的初始参考图像集G＝{g_i|i＝1,2,3,...,N}，并计算单张测试图像p与各参考图像的相似度，根据图像相似度从高到低进行排序，从而获得初始排序列表其中，是在初始排序列表中排在第i位的参考图像；

步骤2：建立测试图像p的扩展查询集Q(p,k)，按如下公式：

Q(p,k)＝{p}+N(p,k-1)；

其中，p为测试图像，N(p,k-1)来自于初始排序列表Ω(p,G)中的前k-1张参考图像，

步骤3：将初始排序列表作为新的测试图像集并且，

步骤4：将测试图像p添加到初始参考图像集G中，从而得到新的参考图像集G^new＝{p}+G；

步骤5：遍历新的测试图像集P^new，计算以P^new中各图像依次作为新的测试图像到新的参考图像集G^new中各参考图像的相似度，并根据相似度从高到低对新的参考图像集G^new中各参考图像进行排序，从而对应每个新的测试图像均获得临时排序列表；

步骤6：根据各新的测试图像所对应的临时排序列表，搜索扩展查询集Q(p,k)中k张图像在各个临时排序列表中的排序位置L；

步骤7：计算初始排序列表Ω(p,G)中各参考图像的以下得分：位置得分S_d-l、重叠得分S_d-o以及离散得分S_d-d；其中，的各项得分分别按如下公式计算：

其中，扩展查询集Q(p,k)中测试图像p在新的测试图像所对应的临时排序列表中的排序位置为L(p)；扩展查询集Q(p,k)中参考图像在新的测试图像所对应的临时排序列表中的排序位置为测试图像p的权重系数为k-1张参考图像的权重系数均为