协变局部特征聚集的图像特征表示法

摘要

协变局部特征聚集的图像特征表示法，涉及计算机视觉与多媒体信息检索。提取图像局部特征；离线训练一个小的视觉词汇集合；将每幅图的局部特征用简化的费舍尔核方法进行聚集；聚集时，同时考虑每个局部特征的主方向信息,将主方向分为8个量化区间，根据量化后的主方向值，聚集到不同的费舍尔子向量，8个子向量拼接为一个长向量，作为图像的特征表示；将8个费舍尔子向量重组得一系列8维的子向量。对每个子向量进行一维离散余弦变换，变换到该特征的频率域；再对频率域的特征重组，得不同频段的8个子向量，对每个子向量做主成分分析，再对降维后的8个子向量重组得一系列8维的子向量；在子向量上定义相似度度量，以计算图像两两间的相似度。

主权项

协变局部特征聚集的图像特征表示法，其特征在于包括以下步骤：1)提取图像的局部特征，采用描述子进行描述，一幅图像被表示为一系列描述子的集合χ，同时获得每个局部特征的主方向θ；2)用一个独立的图像集，提取并收集其局部特征，从而生成一个由描述子组成的矩阵；采用K平均聚类算法，获得K个聚类中心，K一般设为32至64之间的一个整数值，K个聚类中心作为视觉词汇集C＝{c_1...K}；3)采用如下公式(1)对一幅图的每个局部特征进行简化的费舍尔聚集：其中，q(x)在C中找到最近邻c_i,b＝B(θ)；c_i为视觉词汇集C＝{c_1...K}中离局部特征x(x∈χ)最近的视觉词汇；函数B(θ)对图像局部特征x的主方向θ进行量化，主方向量化为8个量化区段，公式(1)将一个图像的一系列描述子转化为一个长的向量Y表示，根据主方向的量化值，长向量又分为多个子向量，由于使用8个量化区段，因此有8个子向量，即Y＝{P¹,P²,...,P⁸}；4)将获得的8个费舍尔子向量重组，获得一系列8维的子向量；5)再对所述一系列8维的子向量组成的向量进行重组，把所有8维的子向量对映维放到一起，依次排列，获得8个子向量；如果把离散余弦变换得到一系列8维的子向量看作一个有8列的矩阵，这个重组操作相当于对矩阵进行转置；然后，对重组后得到的每个子向量做主成分分析，以降低整个特征的维度；6)再对降维之后的8个子向量进行重组；7)在由一系列8维的子向量拼合成的向量上定义距离度量，以衡量图像两两之间的相似度；距离度量如以下公式(3)：$S(U,V)=\underset{i=1}{\overset{d}{\Sigma }}<u^i,v^i>---\left(3\right)$其中，||uⁱ||₂＝||vⁱ||₂＝1，d是子向量的个数，U和V分别为两幅图像经步骤A至F获得的向量表示，uⁱ和vⁱ是它们的各自的子向量；这里假设它们分别由d个子向量组成；子向量uⁱ和vⁱ进行内积运算。