[發明專利]一種基于蟻群算法和概率超圖的相關反饋圖像檢索方法

有效

• 申請號: 201310328671.6
• 申請日: 2013-07-31
• 公開（公告）號: CN103390063A
• 公開（公告）日: 2013-11-13
• 發明（設計）人: 楊育彬;潘玲燕
• 申請（專利權）人: 南京大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06K9/66
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 胡建華

1.一種基于蟻群算法和概率超圖的相關反饋圖像檢索方法，其特征在于，包括訓練和檢索兩個階段；

所述訓練階段包含以下步驟：

步驟1，提取圖像底層特征：對圖像庫中的每一幅圖像，提取SIFT特征，作為圖像底層特征；

步驟2，字典學習：從所有圖像的所有底層特征中，隨機抽取部分的底層特征，利用碼書模型學習字典；

步驟3，圖像庫圖像高層表示：利用學習得到的字典，對每一個底層特征進行編碼，并對圖像庫中的每一幅圖像的編碼結果，進行匯合得到一個D維的直方圖，即為圖像庫圖像高層表示；

所述檢索階段包含以下步驟：

步驟4，提取示例圖像的底層特征：提取示例圖像的SIFT特征；

步驟5，示例圖像高層表示：利用訓練階段學習得到的字典，將示例圖像表示成一個D維的直方圖，即為示例圖像的高層表示；

步驟6，構造親和力矩陣：利用步驟3中得到的圖像庫圖像高層表示，以及示例圖像高層表示，計算所有圖像對之間的相似度，并使用一個親和力矩陣存儲結果，表示親和力矩陣的元素值為實數，V表示所有圖像，|V|表示所有圖像的數量；

步驟7，初始化或更新語義信息素矩陣：如果當前是第一輪檢索，則初始化語義信息素矩陣為零矩陣，否則，對給定的示例圖像，根據上一輪的檢索結果，標注正相關圖像和負相關圖像，并更新語義信息素矩陣，表征圖像之間的語義相似度；

步驟8，計算親和力增強概率：根據原始親和力矩陣和語義信息素矩陣，利用蟻群算法，計算兩幅圖像之間親和力被增強的概率，并更新相應親和力矩陣；

步驟9，構造超圖：對圖像庫所有圖像進行以下處理：計算與每幅圖像親和力最大的k幅近鄰圖像，共同組成一條超邊；所有圖像處理完后，即實現了構建超圖；然后基于超圖計算示例圖像與圖像庫圖像的相似度；

步驟10，返回此輪檢索結果：對示例圖像與圖像庫圖像的相似度進行由大到小排序，得到此輪檢索結果，如果反饋達到round輪，則檢索結束，輸出此輪檢索結果，否則利用當前檢索結果作為反饋信息，返回步驟7開始下一輪檢索，round的取值范圍為自然數。

2.根據權利要求1所述的一種基于蟻群算法和概率超圖的相關反饋圖像檢索方法，其特征在于，步驟1和步驟4提取圖像的底層特征。對每一幅圖像，采用密集采樣方法，每隔gridSpacing個像素的步長，從patchSize×patchSize像素大小的局部窗口中提取SIFT特征，其中gridSpacing取值范圍為非負整數，patchSize的取值范圍為正整數。

3.根據權利要求1所述的一種基于蟻群算法和概率超圖的相關反饋圖像檢索方法，其特征在于，步驟2進行字典學習包括：從所有底層特征中，隨機抽取nsmp個底層特征，用于學習字典，利用圖像庫中圖像總數和抽取底層特征數量nsmp，計算平均每幅圖像貢獻特征數量，再從每一幅圖像中隨機抽取與貢獻特征數量相同的底層特征，從而得到nsmp個底層特征，然后，進一步利用k-means聚類方法，對得到的底層特征進行聚類，學習得到的M個聚類中心，即為字典，其中nsmp取正整數，M取正整數。

4.根據權利要求1所述的一種基于蟻群算法和概率超圖的相關反饋圖像檢索方法，其特征在于，步驟3和步驟5利用學習得到的字典，對圖像進行高層表示：將同一幅圖像的所有高層表示進行匯合，得到最后的圖像高層表示，第i幅圖像v_i的高層表示為一個D維的直方圖H_i，D取正整數。

5.根據權利要求4所述的一種基于蟻群算法和概率超圖的相關反饋圖像檢索方法，其特征在于，步驟6利用圖像庫中圖像的高層表示，以及示例圖像高層表示，通過直方圖相交方法，計算任意兩幅圖像之間的相似度，并存儲于親和力矩陣表示親和力矩陣的元素值為實數，V表示所有圖像，|V|表示所有圖像的數量。