[发明专利]一种基于皮尔逊相关系数的语义视觉词典优化方法

摘要

本发明公开了一种基于皮尔逊相关系数的语义视觉词典优化方法，首先通过提取图像的颜色、形状和纹理的底层特征和用SURF算法来提取图像的动态特征；采用E2LSH聚类算法对获取的图像动态特征聚类,提取相关描述视觉短语，构建原始视觉词典；引入皮尔逊相关系数求取动态特征与动态特征之间以及底层特征和动态特征之间的相关度对原始视觉词典优化,得到最终的语义视觉词典。本发明针对语义视觉词典中视觉短语冗余、计算复杂的问题，对图像进行分类提高了图像的分类性能,减小了运算的复杂度,缩短运算时间,同时提高了分类的准确性。

主权项

1.一种基于皮尔逊相关系数的语义视觉词典构建方法，其特征在于包括以下步骤：步骤A、使用加速鲁棒特征算法提取图像动态特征R＝{r₁，r₂，…，r_i，…，r_N‑1，r_N}，同时提取基于图像颜色、形状和纹理的图像底层特征集S＝{s₁，s₂，s₃}，s₁，s₂，s₃分别为图像颜色、形状和纹理特征；步骤B、使用精确欧式局部敏感哈希聚类算法对获取的图像动态特征聚类，得到原始视觉词典；步骤C、采用皮尔逊相关系数相关度求取原始视觉词典中视觉短语间相关度大小|ρ_n|，设定阈值ratio₁，若|ρ_n|＜ratio₁，将此视觉短语加入新建的视觉短语集合；步骤D、若|ρ_n|≥ratio₁，再将此视觉短语对应的动态特征与图像底层特征——颜色、形状、纹理特征再求取皮尔逊相关度|ρ′_n|，设定阈值ratio₂，若|ρ′_n|＞ratio₂，则将此视觉短语加入视觉短语集合，优化原始视觉词典中的视觉短语，构建新的语义视觉词典。