專利名稱：圖像檢索方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像檢索技術(shù)，特別是涉及一種圖像檢索方法和裝置。
背景技術(shù)：
基于關(guān)鍵詞的圖像檢索技術(shù)是當(dāng)前主流的圖像檢索技術(shù)，然而由于錯誤標(biāo)簽的存在以及檢索關(guān)鍵詞語言的模糊性，通過基于關(guān)鍵詞的圖像檢索技術(shù)檢索得到圖像通常不夠準(zhǔn)確。

發(fā)明內(nèi)容
基于此，有必要針對現(xiàn)有圖像檢索技術(shù)的檢索結(jié)果不夠準(zhǔn)確的問題，提供一種能夠提高檢索精度的圖像檢索方法和裝置。一種圖像檢索方法，包括如下步驟獲取檢索關(guān)鍵字，并根據(jù)檢索關(guān)鍵字從數(shù)據(jù)庫中篩選得到圖像集合；根據(jù)圖像特征建立圖像集合的第一譜圖模型，得到圖像集合中的兩兩圖像之間的相似關(guān)系；根據(jù)相似關(guān)系建立半監(jiān)督學(xué)習(xí)模型；根據(jù)半監(jiān)督學(xué)習(xí)模型對圖像集合進行去噪，得到去噪圖像集合；返回去噪圖像集合作為檢索關(guān)鍵字所對應(yīng)的檢索結(jié)果。一種圖像檢索裝置，包括獲取模塊，用于獲取檢索關(guān)鍵字，并根據(jù)檢索關(guān)鍵字從數(shù)據(jù)庫中篩選得到圖像集合；建模模塊，用于根據(jù)圖像特征建立圖像集合的第一譜圖模型，得到圖像集合中的兩兩圖像之間的相似關(guān)系；學(xué)習(xí)模塊，用于根據(jù)相似關(guān)系建立半監(jiān)督學(xué)習(xí)模型；去噪模塊，用于根據(jù)半監(jiān)督學(xué)習(xí)模型對圖像集合進行去噪，得到去噪圖像集合；發(fā)送模塊，用于返回去噪圖像集合作為檢索關(guān)鍵字所對應(yīng)的檢索結(jié)果。上述圖像檢索方法和裝置，通過獲取檢索關(guān)鍵字，并根據(jù)檢索關(guān)鍵字從數(shù)據(jù)庫中篩選得到圖像集合，根據(jù)圖像特征建立圖像集合的第一譜圖模型，得到圖像集合中的兩兩圖像之間的相似關(guān)系，根據(jù)相似關(guān)系建立半監(jiān)督學(xué)習(xí)模型，根據(jù)半監(jiān)督學(xué)習(xí)模型對圖像集合進行去噪，得到去噪圖像集合，返回去噪圖像集合作為檢索關(guān)鍵字所對應(yīng)的檢索結(jié)果，通過在對檢索到的圖像集合進行全局去噪，提高了圖像檢索的精確度。


圖1為一個實施例中圖像檢索方法流程示意圖；圖2為一個實施例中圖像檢索裝置結(jié)構(gòu)示意圖；圖3為在另一個實施例中圖像檢索方法的流程示意圖。
具體實施例方式下面結(jié)合具體的實施例及附圖對圖像檢索方法和裝置的技術(shù)方案進行詳細的描述，以使其更加清楚。如圖1所示，在一個實施例中，一種圖像檢索方法，包括如下步驟S110，獲取檢索關(guān)鍵字，并根據(jù)檢索關(guān)鍵字從數(shù)據(jù)庫中篩選得到圖像集合。本實施例中，獲取用戶在搜索引擎中輸入的用于檢索圖像的字詞作為關(guān)鍵字，根據(jù)該關(guān)鍵字從圖像數(shù)據(jù)庫中或者其他包含有圖的數(shù)據(jù)庫中篩選圖像，可以是根據(jù)對圖像的描述、圖像名稱、圖像所在網(wǎng)頁的內(nèi)容等基于文本的檢索技術(shù)。S130，根據(jù)圖像特征建立圖像集合的第一譜圖模型，得到圖像集合中的兩兩圖像之間的相似關(guān)系。本實施例中，先獲取圖像集合中的獲取圖像特征值，如圖像的RGB值(紅綠藍三個顏色的強度值)、亮度值、色調(diào)、飽和度或者圖層數(shù)等圖像特征。根據(jù)該圖像特征值建立圖像的特征向量，該特征向量是多維向量，每一維通過一種圖像特征值表示。根據(jù)特征向量將圖像集合通過第一節(jié)點集合X = (X1, ···, XnI表示，其中Xn是一個多維向量，每個Xn代表一張圖像，Xn的一個維度表示一個特征值，將圖像通過節(jié)點集合中的一個向量表示，便于后續(xù)計算。根據(jù)第一節(jié)點集合建立關(guān)系矩陣W，當(dāng)i關(guān)j時，Wij = exp (-1 | X1-Xj | |2/ σ 2)，當(dāng)i=j時，Wij = 0，通過關(guān)系矩陣W表示各圖像之間的相似度關(guān)系。進一步的，對相似矩陣W做歸一化處理，將圖像之間的相似度關(guān)系通過O與I之間的數(shù)據(jù)表示，得第一歸一化邊矩陣
S = D_1/2WD_1/2，其中D是對角元素為4 =U; 的對角矩陣，即該對角元素為Wij所在列的所有元素的和。歸一化邊矩陣是基于兩兩節(jié)點之間的相互關(guān)系建立的，可用于發(fā)掘節(jié)點集合的內(nèi)部結(jié)構(gòu)。 S150，根據(jù)相似關(guān)系建立半監(jiān)督學(xué)習(xí)模型。本實施例中，先獲取第一節(jié)點集合中前P個節(jié)點，將P個節(jié)點標(biāo)定為正樣本，例如，對于η個節(jié)點的集合X = (X1,…，χρ, χρ+1,…，χη},其前P個節(jié)點被標(biāo)定為正樣本,P可為預(yù)設(shè)值，也可通過譜聚類算法對節(jié)點結(jié)合進行計算得到。定義查詢向量y，y是一個多維向量，對于已標(biāo)定節(jié)點，y = Yi = I (i ^ P)，對于未標(biāo)定節(jié)點，y = yu = O (p+1 ^ u ^ η), Yi或者yu是多維向量y中的一個維度的值。定義預(yù)測標(biāo)簽向量f，其中fi(l i η)表示節(jié)點Xi預(yù)測標(biāo)簽，f是多維向量。進一步的，根據(jù)定義的y和f建立預(yù)測標(biāo)簽向量f的能量函數(shù)
nff. 2Π
令—~/=)λ)2其中μ是平衡因子，可以是預(yù)設(shè)值，
hM λ/^ιιμ卜丨
f f 2
d =Yil WI彳是平滑風(fēng)險項，若Xi和Xj有較大的Wij，則保持仁和仁更
U V /-尸 I ' ψη 扎
η
接近-ΣΚ -Λ):是經(jīng)驗風(fēng)險項，保持f與原始的標(biāo)定I相比變化不大。最后，根據(jù)該能量函數(shù)E(f)對f求微分可得E(f)的全局最小解f= (1-α)(1-aSrY也就是得到的半監(jiān)督學(xué)習(xí)模型，其中a = 1/(1+μ)，I是單位矩陣，S =D-l/2WD-l/2，其中D是對角元素為4 =[; t %的對角矩陣。將檢索得到的圖像集合中排在前P位的圖像作為正樣本，設(shè)置其標(biāo)簽為1，將圖像集合中其他圖像的標(biāo)簽設(shè)置為0，將設(shè)置好標(biāo)簽的圖像集合組成二進制向量y，通過半監(jiān)督學(xué)習(xí)模型計算，可以求得重新排序分?jǐn)?shù)f。對f種的每以維數(shù)值從大到小排序，可得節(jié)點序列，可以對圖像集合進行重新排序，排在前列的節(jié)點和正樣本中的節(jié)點排列順序比較接近。S170，根據(jù)半監(jiān)督學(xué)習(xí)模型對圖像集合進行去噪，得到去噪圖像集合。在一個實施例中，上述步驟S170具體包括以下步驟根據(jù)半監(jiān)督學(xué)習(xí)模型獲取單節(jié)點預(yù)測的標(biāo)簽，得到標(biāo)簽矩陣F* = (1-QS)-1Ly1.…，yi，-,yn] = (1-asr1其中是基于單節(jié)點標(biāo)定的查詢向量V而對Xi的預(yù)測標(biāo)簽；根據(jù)標(biāo)簽矩陣進行譜聚類分析，得到多個類團；
ryscore 1V、^ t -*根據(jù)所簽矩陣及類團定義所述節(jié)點的主導(dǎo)分?jǐn)?shù)為乃 =LjJ,-根據(jù)不等式Aif)</ 杉(￥(/·''，)判斷噪聲類團，其中Af(該示對類團c中的數(shù)據(jù)取平均，IfU表示對k個類團取平均，β是預(yù)設(shè)值；去除噪聲類團所對應(yīng)的噪聲圖像集合，得到去噪圖像集合。本實施例中，半監(jiān)督模型中的節(jié)點通常會形成主要的類團，而噪聲圖像對應(yīng)的節(jié)點會稀釋類團的密度，可以將位于同一幾何形狀內(nèi)的節(jié)點當(dāng)作同一個類團，而噪聲則是離散的異常值。具體可以通過學(xué)習(xí)一個映射g(·)將原始空間扭曲到新的空間熾力「R",使得所有的異常值能形成一個新的類團，且所有的類團相互分開，這樣便于將噪聲去除。根據(jù)半監(jiān)督學(xué)習(xí)模型獲取單節(jié)點預(yù)測的標(biāo)簽，得到標(biāo)簽矩陣F* = (1-QS)-1Ly1.…，Yi, -,Yn] = (1-a Sr1其中，/·:,4是基于單節(jié)點標(biāo)定的查詢向量V而對Xi的預(yù)測標(biāo)簽，如果Xi和\屬于同一類團的值應(yīng)較大，且<和在各維度k = 1，…，η的值較相近，而異常節(jié)點在幾乎所有維度的值應(yīng)該較小。定義映射g: X -Rn,:然后基于x* = g(x)建立譜圖，得到歸一化邊矩陣s*和歸一化圖拉普拉斯L* =1-S*,令Ην,ΛΧ ι}為L*的特征值和特征向量對，且λ i彡…(λη。L*是塊狀對角矩陣，同一類團之間的元素擁有較大的絕對值。L*較小的部分特征值對應(yīng)的特征向量保持著同樣的塊狀結(jié)構(gòu)，令其組成Uk= [Vl，V2，…，vk]，其中k是X*中類團的數(shù)量，可由L*的從小到大排列的特征值中`第k個與第k+Ι個出現(xiàn)最大間隔值所決定。然后用K均值法將{(人(/,·)}；!,聚成k類，其中包括由離散的噪聲節(jié)點形成的類。如果對F*每行求和，噪聲對應(yīng)的行其和較小。根據(jù)標(biāo)簽矩陣及類團定義Xi的主導(dǎo)分?jǐn)?shù)為Mk胃:同時用C e {I,…，k}
表示類團的標(biāo)號。則可以根據(jù)不等式￥ η < β硬(η)判斷噪聲類團，其中f 表示對類團C中的數(shù)據(jù)取平均，f ο表示對k個類團取平均，β是閾值因子，可以是預(yù)設(shè)值，去除噪聲類團所對應(yīng)的噪聲圖像集合后，即得到去噪圖像集合。S190，返回去噪圖像集合作為檢索關(guān)鍵字所對應(yīng)的檢索結(jié)果。
本實施例中，將去噪后的圖像集合返回給搜索引擎，作為檢索關(guān)鍵字所對應(yīng)的檢索結(jié)果，即完成圖像的檢索。上述圖像檢索方法，通過獲取檢索關(guān)鍵字，并根據(jù)檢索關(guān)鍵字從數(shù)據(jù)庫中篩選得至IJ圖像集合，根據(jù)圖像特征建立圖像集合的第一譜圖模型，得到圖像集合中的兩兩圖像之間的相似關(guān)系，根據(jù)相似關(guān)系建立半監(jiān)督學(xué)習(xí)模型，根據(jù)半監(jiān)督學(xué)習(xí)模型對圖像集合進行去噪，得到去噪圖像集合，返回去噪圖像集合作為檢索關(guān)鍵字所對應(yīng)的檢索結(jié)果，通過在對檢索到的圖像集合進行全局去噪，提高了圖像檢索的精確度。在一個實施例中，上述步驟S190具體包括以下步驟對去噪圖像集合建立第二譜圖模型，得到去噪圖像集合所對應(yīng)的第二節(jié)點集合X ’以及基于X ’的第二歸一化邊矩陣S’ ；根據(jù)譜圖模型建立最大化函數(shù)
權(quán)利要求
1.一種圖像檢索方法，包括如下步驟 獲取檢索關(guān)鍵字，并根據(jù)所述檢索關(guān)鍵字從數(shù)據(jù)庫中篩選得到圖像集合； 根據(jù)圖像特征建立所述圖像集合的第一譜圖模型，得到所述圖像集合中的兩兩圖像之間的相似關(guān)系； 根據(jù)所述相似關(guān)系建立半監(jiān)督學(xué)習(xí)模型； 根據(jù)所述半監(jiān)督學(xué)習(xí)模型對所述圖像集合進行去噪，得到去噪圖像集合； 返回所述去噪圖像集合作為所述檢索關(guān)鍵字所對應(yīng)的檢索結(jié)果。
2.根據(jù)權(quán)利要求1所述的圖像檢索方法，其特征在于，所述根據(jù)圖像特征建立所述圖像集合的第一譜圖模型，得到所述圖像集合中的兩兩圖像之間的相似關(guān)系的步驟包括 獲取圖像特征值，建立圖像的特征向量； 根據(jù)所述特征向量將所述圖像集合通過第一節(jié)點集合X = (X1, ···, χη}表示，其中χη是一個多維向量，χη的一個維度表示一個特征值； 根據(jù)所述第一節(jié)點集合建立關(guān)系矩陣W,其中，當(dāng)i關(guān)j時,Wij = exp (- |χ「χ」| V σ 2);當(dāng) i = j 時，Wij = O ; 對所述相似矩陣W做歸一化處理得第一歸一化邊矩陣S = D_1/2WD_1/2，其中D是對角元素為
3.根據(jù)權(quán)利要求2所述的圖像檢索方法，其特征在于，所述根據(jù)所述相似關(guān)系建立半監(jiān)督學(xué)習(xí)模型的步驟包括 獲取所述第一節(jié)點集合中前P個節(jié)點，將所述P個節(jié)點標(biāo)定為正樣本； 定義查詢向量y，其中對于已標(biāo)定節(jié)點，y = Yi = I (i≤ p)，對于未標(biāo)定節(jié)點，y = yu =O(p+1 ≤ u ≤ η)； 定義預(yù)測標(biāo)簽向量f，其中fi(l ≤ i ≤ η)表示節(jié)點xi預(yù)測標(biāo)簽； 建立所述預(yù)測標(biāo)簽向量f的能量函數(shù)
4.根據(jù)權(quán)利要求3所述的圖像檢索方法，其特征在于，所述根據(jù)所述半監(jiān)督學(xué)習(xí)模型對所述圖像集合進行去噪，得到去噪圖像集合的步驟為 根據(jù)所述半監(jiān)督學(xué)習(xí)模型獲取單節(jié)點預(yù)測的標(biāo)簽，得到標(biāo)簽矩陣F* = (1-QS)-1Ly1.…,Y1, -,yn] = (1-asr1其中是基于單節(jié)點標(biāo)定的查詢向量V而對Xi的預(yù)測標(biāo)簽；根據(jù)所述標(biāo)簽矩陣進行譜聚類分析，得到多個類團； 根據(jù)所述標(biāo)簽矩陣及類團定義所述節(jié)點的主導(dǎo)分?jǐn)?shù)為
5.根據(jù)權(quán)力要求4所述的圖像檢索方法，其特征在于，所述返回所述去噪圖像集合作為所述檢索關(guān)鍵字所對應(yīng)的檢索結(jié)果的步驟為 對所述去噪圖像集合建立第二譜圖模型，得到所述去噪圖像集合所對應(yīng)的第二節(jié)點集合X ’以及基于X ’的第二歸一化邊矩陣s’ ；根據(jù)所述第二譜醒型建立最大化函數(shù)
6.一種圖像檢索裝置，包括 獲取模塊，用于獲取檢索關(guān)鍵字，并根據(jù)所述檢索關(guān)鍵字從數(shù)據(jù)庫中篩選得到圖像集合； 建模模塊，用于根據(jù)圖像特征建立所述圖像集合的第一譜圖模型，得到所述圖像集合中的兩兩圖像之間的相似關(guān)系； 學(xué)習(xí)模塊，用于根據(jù)所述相似關(guān)系建立半監(jiān)督學(xué)習(xí)模型； 去噪模塊，用于根據(jù)所述半監(jiān)督學(xué)習(xí)模型對所述圖像集合進行去噪，得到去噪圖像集合； 發(fā)送模塊，用于返回所述去噪圖像集合作為所述檢索關(guān)鍵字所對應(yīng)的檢索結(jié)果。
7.根據(jù)權(quán)利要求6所述的圖像檢索裝置，其特征在于，所述建模模塊還用于獲取圖像特征值，建立圖像的特征向量，根據(jù)所述特征向量將所述圖像集合通過第一節(jié)點集合X ={χ1; ···, xj表示，其中χη是一個多維向量，χη的一個維度表示一個特征值，根據(jù)所述第一節(jié)點集合建立關(guān)系矩陣W,其中，當(dāng)i關(guān)j時，Wij = exp (- |χ「χ」| I2/。2);當(dāng)i = j時，Wij=0，對所述相似矩陣W做歸一化處理得第一歸一化邊矩陣S = D_1/2WD_1/2，其中D是對角元素為
8.根據(jù)權(quán)利要求7所述的圖像檢索裝置，其特征在于，所述根據(jù)所述學(xué)習(xí)模塊還用于獲取所述第一節(jié)點集合中前P個節(jié)點，將所述P個節(jié)點標(biāo)定為正樣本，定義查詢向量y，其中對于已標(biāo)定節(jié)點，y = Yi = I (i p)，對于未標(biāo)定節(jié)點，y = yu = O (p+1彡u彡η),定義預(yù)測標(biāo)簽向量f，其中fi(l < i < η)表示節(jié)點Xi預(yù)測標(biāo)簽，建立所述預(yù)測標(biāo)簽向量f的能量 函數(shù)
9.根據(jù)權(quán)利要求8所述的圖像檢索轉(zhuǎn)裝置，其特征在于，所述根據(jù)所述去噪模塊還用于根據(jù)所述半監(jiān)督學(xué)習(xí)模型獲取單節(jié)點預(yù)測的標(biāo)簽，得到標(biāo)簽矩陣F*= (1-QS)-1Ly1.-，yi，-,yn] = (1-aSr1其中，<是基于單節(jié)點標(biāo)定的查詢向量V而對Xi的預(yù)測標(biāo)簽，根據(jù)所述標(biāo)簽矩陣進行譜聚類分析，得到多個類團，根據(jù)所述標(biāo)簽矩陣及類團定義所述節(jié)點的主導(dǎo)分?jǐn)?shù)為
10.根據(jù)權(quán)力要求9所述的圖像檢索裝置，其特征在于，所述發(fā)送模塊還用于對所述去噪圖像集合建立第二譜圖模型，得到所述去噪圖像集合所對應(yīng)的第二節(jié)點集合X’以及基于X’的第二歸一化邊矩陣s'，根據(jù)所述第二譜圖模型建立最大化函數(shù)
全文摘要
本發(fā)明提供一種圖像檢索方法和裝置。所述方法包括獲取檢索關(guān)鍵字，并根據(jù)所述檢索關(guān)鍵字從數(shù)據(jù)庫中篩選得到圖像集合；根據(jù)圖像特征建立所述圖像集合的第一譜圖模型，得到所述圖像集合中的兩兩圖像之間的相似關(guān)系；根據(jù)所述相似關(guān)系建立半監(jiān)督學(xué)習(xí)模型；根據(jù)所述半監(jiān)督學(xué)習(xí)模型對所述圖像集合進行去噪，得到去噪圖像集合；返回所述去噪圖像集合作為所述檢索關(guān)鍵字所對應(yīng)的檢索結(jié)果。上述圖像檢索方法和裝置，通過建立圖像集合的譜圖模型，建立半監(jiān)督學(xué)習(xí)模型，根據(jù)半監(jiān)督學(xué)習(xí)模型對圖像集合進行去噪，返回去噪后的圖像集合作為檢索關(guān)鍵字所對應(yīng)的檢索結(jié)果，在對檢索到的圖像集合進行全局去噪，提高了圖像檢索的精確度。
文檔編號G06F17/30GK103064941SQ20121057237
公開日2013年4月24日 申請日期2012年12月25日 優(yōu)先權(quán)日2012年12月25日
發(fā)明者陳世峰, 曹琛 申請人:深圳先進技術(shù)研究院