[发明专利]基于复值奇异谱分析的图像检索方法和系统

说明书

本发明提供了基于复值奇异谱分析的图像检索方法和系统，属于图像检索技术领域。本发明使用人工特征的方法，避免了深度卷积神经网络需要大量数据和计算量大的问题，现有的人工特征使用整张图片的特征值来代表图片特征不够全面，本技术方案首先在预处理步骤提取图像边缘信息，通过图像中图案边缘形状可以有效的辨识和区分图像中的物体，高效的进行图片表示，并且边缘信息作为图像特征大大减少了所需的存储空间，节约检索过程的运算资源；本技术方案在检索过程中融合奇异值特征和直方图特征，同时，奇异值的特征具有旋转不变性和移动不变性，能够进一步提高检索的准确性和鲁棒性。

技术领域

本发明涉及图像检索技术领域，更具体地，涉及基于复值奇异谱分析的图像检索方法。

背景技术

在大量的图像中搜索出与输入图像最相近的图片，时效性和准确率都是需要考虑的指标。如今的研究方向可以分为两类，一类是特征工程，一类是特征学习。特征工程主要指的是人工特征，即用一种特定的描述符来描述图像，如尺度不变特征变换(SIFT)、方向梯度直方图(HOG)，特征学习主要指深度学习，如深度卷积神经网络(DCNN)。

深度卷积神经网络近年来在计算机视觉中引起了广泛的关注，因为其准确率表现优异，但是它非常依赖训练数据，当训练数据改变时，训练结果会变得很差；而且训练需要大量的数据量，如此大量的数据必定需要大量的计算资源和计算时间。

一种有效的基于算法的图像检索方法有基于DFT描述符的边缘表示方法，先使用DFT对图像边缘信息进行描述，因为它是一个旋转不变的描述符号，所以具有很强的鲁棒性。此外还有改进的DFT方法，即DFrFT，通过旋转时频面，可以得到基于不同旋转角度的不同变换，由于每个训练图像可以使用多个旋转角度，因此可用的训练图像总数相比于传统的DFT方法的字典构造大大简化。由于可以从不同的旋转频域获得更多的信息，因此可以获得更好的图像检索性能。但它仅在频域内进行描述。因此，用于执行图像检索的信息非常有限。

另一种有效的基于算法的图像检索方法是奇异值分解。如一种基于离散小波变换和奇异值分解的特征提取的图像检索算法，该方法利用奇异值分解法从区域划分模型中提取每个区域的特征。

公开号为CN105469074A，公开日：2016-04-06，一种基于奇异值分解的人脸识别算法，该算法提高了基于奇异值分解的人脸识别算法的泛用性，但是该方法是对整个图像做奇异值分析，仅提取的是图像的纹理特征，检索准确度较低。

发明内容

本发明为克服上述技术问题，提供一种计算资源开销较小，且检索准确度较高的基于复值奇异谱分析的图像检索方法。

本发明技术方案如下：

基于复值奇异谱分析的图像检索方法，包括步骤：

S1：对所有训练样本图像进行预处理，提取边缘信息，得到归一化的时域序列和

S2：对时域序列和通过复值的奇异谱分析进行特征提取，得到奇异值特征向量f₁和直方图特征向量f₂；

S3：使用分类器对奇异值特征向量f₁和直方图特征向量f₂进行模型训练，得到初步分类模型，调节分类器参数得到最优分类模型；

S4：使用最优分类模型对输入的图片进行分类，得到该图片的分类结果，并通过计算两张图片的欧氏距离来找出最相近的图片，运用公式：D(q,d)＝||f_q-f_d||₂，其中f_q是要搜索的图片的特征向量，f_d是这一类别数据集的其中一张图片的特征向量。设置距离D的范围，在这个小范围内的图片则是与搜索图片最相近图片。