[发明专利]一种基于k邻域分布得分的图像重排序方法

摘要

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。

主权项

1.一种基于k邻域分布得分的图像重排序方法，其特征在于：在以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其中，N(p,k)表示测试图像p的最近k领域，即初始排序列表Ω(p,G)中的前k张参考图像组成的图像集；表示新的测试图像的最近k领域，即新的测试图像所对应的临时排序列表中的前k张参考图像组成的图像集；card[·]表示求N(p,k)与相同图像的数量；其中，var[·]表示方差计算；步骤8：构造各个初始排序列表Ω(p,G)中各参考图像的k领域分布得分S_d，按以下任意一种方式：以位置得分作为k领域分布得分：S_d＝S_d‑l；以重叠得分作为k邻域分布得分：S_d＝S_d‑o以位置得分与重叠得分的乘积作为k邻域分布得分：S_d＝S_d‑l×S_d‑o；以离散得分与重叠得分的乘积作为k邻域分布得分：S_d＝S_d‑d×S_d‑o；以位置得分、离散得分与重叠得分的乘积作为k邻域分布得分：S_d＝S_d‑l×S_d‑d×S_d‑o；步骤9：根据初始排序列表Ω(p,G)中各参考图像的k领域分布得分，从高到低，对初始排序列表Ω(p,G)中各参考图像进行重新排序，从而得到基于k邻域分布得分的重排序列表。