[發(fā)明專利]一種基于魯棒非負(fù)矩陣分解的圖像檢索方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410105511.X
• 申請(qǐng)日: 2014-03-20
• 公開（公告）號(hào): CN103886066B
• 公開（公告）日: 2017-03-29
• 發(fā)明（設(shè)計(jì)）人: 陳晉音;黃堅(jiān)
• 申請(qǐng)（專利權(quán)）人: 杭州禧頌科技有限公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30;G06K9/66
• 代理公司: 杭州求是專利事務(wù)所有限公司33200
• 代理人: 張法高

1.一種基于魯棒非負(fù)矩陣分解的圖像檢索方法，其特征在于包括如下步驟：

1)從公共圖像數(shù)據(jù)集Corel5K中選擇50類共5000張圖像，提取PHOG視覺特征集X＝[x₁,...,x_n]，其中n＝5000，x_i為第i張圖像所對(duì)應(yīng)的PHOG視覺特征向量；將PHOG視覺特征集X作為所要構(gòu)建的L1圖的頂點(diǎn)，L1圖的邊權(quán)重矩陣W＝[w₁,...,w_n]，，其中w_i計(jì)算如下：

min||wi||1s.t.||xi-Xwi||≤ϵ,wii=0∀i---1]]>

其中，x_i為第i幅圖像的視覺特征，w_i為矩陣W的第i列，ε為誤差系數(shù)，w_ii為向量w_i的第i個(gè)分量；

構(gòu)建表征圖像數(shù)據(jù)分布結(jié)構(gòu)關(guān)系的L1圖約束如下：

minRg=Σi=1n||vi-Vwi||2=||V-VW||F2=tr(V(I-W)(I-W)TVT)=tr(VGVT)---2]]>

其中，G＝(I-W)(I-W)^T，V＝[v₁,...,v_n]為圖像集在子空間上的特征表達(dá)，I為單位矩陣；

2)將L1圖約束和稀疏噪聲約束項(xiàng)E加入到傳統(tǒng)的非負(fù)矩陣分解算法框架中，構(gòu)建魯棒非負(fù)矩陣矩陣分解算法模型：

minU,V≥0,E||X-UV-E||F2+λ1·||E||+λ2·||U||F2+λ3·tr(VGVT)---3]]>

其中，λ₁，λ₂和λ₃為正則化參數(shù)，在實(shí)驗(yàn)中分別設(shè)置為0.01，0.001和0.1，U∈R^d×r為保持視覺和語(yǔ)義相似性的圖像基矩陣，V∈R^r×n為圖像基矩陣U所展開的子空間中的特征表達(dá)，E∈R^d×n是稀疏噪聲約束項(xiàng)，d為圖像特征的維度，r為低維特征空間的維度；

3)利用圖像數(shù)據(jù)集對(duì)公式3算法模型進(jìn)行訓(xùn)練，采用迭代優(yōu)化求解，計(jì)算得到保持視覺和語(yǔ)義相似性的圖像基矩陣U和所有圖像在圖像基矩陣U所展開的子空間中的特征表達(dá)V，計(jì)算步驟如下：

i)隨機(jī)初始化U，V和E矩陣，令中間變量X_e＝X-E；

ii)固定E，迭代計(jì)算U和V，計(jì)算公式如下：

Uij←Uij(X~eV~T)ij(UV~V~T)ij---4]]>

Vij←Vij(UTXe+λ3VG-)ij(UTUV+λ3VG+)ij---5]]>

其中X~e=(Xe,0d×r),V~=(V,λ2Ir),]]>G+=12(G+|G|),]]>G-=12(G-|G|),]]>|G|為矩陣G中所有元素取對(duì)應(yīng)絕對(duì)值所構(gòu)成的矩陣；

iii)固定U和V，計(jì)算最佳的E，計(jì)算公式如下：

E=fλ12(X-UV)---6]]>

其中函數(shù)f定義為：

4)在進(jìn)行圖像檢索時(shí)，將作為檢索參考的圖像x轉(zhuǎn)換到圖像基矩陣U所展開的子空間中，得到新的特征表達(dá)v，計(jì)算如下：

v＝(U^TU)^-1U^Tx＝Mx，???8

其中，M＝(U^TU)^-1U^T，U^T為矩陣U轉(zhuǎn)置，(U^TU)^-1為U^TU的逆矩陣；

5)依據(jù)步驟4）得到的v，計(jì)算v與圖像數(shù)據(jù)集中任一圖像x_i的子空間特征表達(dá)v_i之間的距離s_i，計(jì)算公式如下：

s_i＝exp(-||v-v_i||²)???9

最后根據(jù)距離s_i對(duì)圖像數(shù)據(jù)集中所有圖像進(jìn)行排序，返回距離值最小的前K個(gè)圖像給用戶，從而實(shí)現(xiàn)圖像檢索。