[發明專利]一種視覺與語義相似性約束的圖像檢索方法

在審

• 申請號: 201310342904.8
• 申請日: 2013-08-07
• 公開（公告）號: CN103425768A
• 公開（公告）日: 2013-12-04
• 發明（設計）人: 毛金蓮
• 申請（專利權）人: 浙江商業職業技術學院
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06K9/62
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 張法高

技術領域

本發明涉及非負矩陣分解和基于內容的圖像檢索，尤其涉及基于非負矩陣分解的圖像檢索方法。

背景技術

隨著數字成像技術的飛速發展，以及各式各樣的數碼產品的出現，視頻圖像資源變得異常豐富，圖像檢索技術也隨之成為研究熱點。

在已有的圖像檢索技術中，基于內容的圖像檢索技術通過從圖像提取各式各樣的視覺特征，然后采用特殊的算法計算用戶提交的待檢索圖像與圖像數據庫中各個圖片之間的距離，從而依據特征距離的大小，對圖像進行排序，返回給用戶距離值較小的圖像，從而實現對圖像數據庫中圖像的檢索。

在眾多的基于內容的圖像檢索算法中，數據降維算法是使用最為廣泛的一種方法。其基本思想是原始圖像特征空間存在一定的不足，無法有效地將不同類型的圖像區分開來，因此希望尋找一個特殊的子空間，在該子空間上不同類型的圖像相互分開，而同類型的圖像彼此聚攏。具體而言，這里型的方法包括主成分分析（Principal?Component?Analysis,PCA），線性鑒別分析（Linear?Discriminant?Analysis,LDA）,非負矩陣分解（Nonnegative?Matrix?Factorization，NMF）和各種流形學習算法，如多維標度分析（Multidimensional?Scaling，MDS），局部線性嵌套（Local?Linear?Embedded，LLE），局部保持投影（Local?Preserving?Projection，LPP）等。

與其他方法不同，NMF對降維后的數據添加了非負性約束，其目標在于求解兩個非負矩陣U和V，使得X≈UV。由于非負性約束的引入，使得NMF能夠學習得到具有局部特征的基矩陣U，也獲得了一種與人們認知中局部構成整體所一致的基于局部的數據表達方法。因此，該方法被廣泛應用到圖像檢索，人臉識別，數字識別，文本分類等等應用中。

在基于內容的圖像檢索應用中，Liang等人將NMF的初始化過程擴展為有監督的初始化，然后使用NMF在隱含語義索引中，用來尋找從底層視覺特征到高層語義特征之間的關系。BeAbdallah等人則采用NMF構建圖像的隱含表達，用來提高圖像的標注準確性。Caicedo等人基于NMF生成多模態圖像表達，并在構建NMF目標函數的時候考慮圖像語義信息。

然而，在傳統的NMF算法框架以及其的各種變種中，研究者多是從如何提高學習得到的特征的局部性，鑒別性和算法模型的凸性方面進行考慮。如何有效地融合圖像所具有的低層視覺特征和高層語義特征，這方面的研究相對比較少。本文依據L1圖在視覺特征的自動選擇特性，構建視覺L1圖約束，同時采用傳統的KNN圖對圖像的語義特征構建語義KNN圖約束，然后將這兩種約束條件引入到傳統的NMF算法框架中，從而在同一NMF算法框架中實現同時對底層視覺特征相似性和高層語義相似性的考慮。基于所提出的算法框架，可以有效地學習出保持圖像視覺與語義相似性的圖像特征基矩陣U。利用該矩陣，可以實現對圖像的檢索。

發明內容

本發明的目的是克服現有基于非負矩陣分解網絡圖像檢索技術的不足，提供一種保持視覺和語義相似性約束的圖像檢索方法。

視覺和語義相似性約束的圖像檢索方法包括如下步驟：

1）采用兩種不同的構圖算法：L1圖和KNN圖，分別對圖像視覺相似性和語義相似性進行建模：

對視覺相似性建模，以圖像集原始視覺特征X＝[x₁,...,x_n]作為L1圖的頂點，L1圖的邊權重矩陣W＝[w₁,...,w_n]，其中w_i計算如下：，