一种结合视觉显著性与短语的图像检索方法

摘要

本发明公开了一种结合视觉显著性与短语的图像检索方法，包括如下步骤：输入查询图像，将图像解码为YUV色彩空间，并通过对YUV色彩空间的像素进行K均值聚类从而将图像分割为若干超像素单元；对分割后图像的各个超像素单元进行测度计算，并将所得四种测度进行融合，得到超像素精度的显著性图；进行双边高斯滤波，得到像素精度的图像显著性图；对图像显著性图进行自适应阈值分割，得到具有突出显著的目标部分的二值图；构建词典，提取图像显著性区域的视觉词，生成图像的图像描述；计算查询图像与图库中每幅图像的图像相似度。本发明能够更加准确地反映查询图像中的显著性区域，将视觉显著性与短语很好的结合起来，具有良好的检索效果。

主权项

一种结合视觉显著性与短语的图像检索方法，其特征在于，包括如下步骤：S1、输入查询图像，将图像解码为YUV色彩空间，并通过对YUV色彩空间的像素进行K均值聚类从而将查询图像分割为若干超像素单元；S2、对分割后图像的各个超像素单元进行测度计算，得到该查询图像不同参数的测度值，测度计算包括对颜色独立性测度、颜色空间分布测度、运动独立性测度以及运动空间分布测度的计算；S3、将步骤S2所得各参数的测度线性归一化至[0，1]范围之内；对各个超像素单元进行四种测度的融合，得到超像素精度的显著性图；S4、对步骤S3所得超像素精度的显著性图进行双边高斯滤波，得到像素精度的图像显著性图；S5、根据最大类间方差法，对步骤S4所得的图像显著性图进行自适应阈值分割，得到具有突出显著的目标部分的二值图；S6、利用SIFT算法从查询图库中不同类别的图像中提取SIFT特征点，将所有特征点向量集合到一块，利用K‑Means聚类算法合并相似的SIFT特征点，构造一个包含若干个词汇的词典；S7、提取图像显著性区域的视觉词，统计图像显著性图内视觉词的个数，构造视觉短语，生成图像的图像描述；S8、计算查询图像与图库中每幅图像的图像相似度，根据相似度值对图库中的所有图像进行排序，并按要求返回相关图像作为查询结果。