專利名稱：基于智能計(jì)算的多粒度圖像檢索方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于智能計(jì)算的多粒度圖像檢索方法，屬于圖像處理、模式識(shí)別、 人工智能、檢索技術(shù)和數(shù)據(jù)庫等多個(gè)技術(shù)領(lǐng)域。
背景技術(shù)：
人類對(duì)物質(zhì)世界的感知過程中，大部分的信息來源于視覺圖像。圖像作為一種重 要的信息載體，具有形象直觀、內(nèi)容豐富等特點(diǎn)。如果沒有對(duì)圖像及視頻數(shù)據(jù)的自動(dòng)和有效 的描述，大量信息將淹沒在信息的海洋之中，無法在需要時(shí)被檢索出來。因此，如何快速有 效地存儲(chǔ)，瀏覽，檢索圖像信息成為目前迫切需要解決的問題。由于圖像不同于文本，文本 本身就可以說明其內(nèi)容，而圖像則要靠人們各自的理解來說明其含義，因而圖像檢索比起 文本要困難很多，圖像檢索的研究也成為信息檢索領(lǐng)域的研究熱點(diǎn)。基于內(nèi)容的圖像檢索 技術(shù)(Content-Based Image Retrieval,CBIR)也就應(yīng)運(yùn)而生，涉及計(jì)算機(jī)視覺、圖像處理、 圖像理解、人工智能、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)、數(shù)據(jù)庫及心理學(xué)等眾多領(lǐng)域的技術(shù)，是具有廣闊發(fā) 展前途的研究方向，而且CBIR技術(shù)的研究必將推動(dòng)相關(guān)領(lǐng)域技術(shù)的發(fā)展。哥倫比亞大學(xué)和 麻省理工大學(xué)分別研制出了圖像檢索系統(tǒng)VisualSEEK和photobook，IBM也研制了一個(gè)典 型的圖像管理系統(tǒng)QBIC。我國的數(shù)字圖書館工程現(xiàn)階段只是解決了信息的數(shù)字化、數(shù)據(jù)的 壓縮與存儲(chǔ)、中文全文檢索系統(tǒng)平臺(tái)和搜索引擎問題。基于內(nèi)容的圖像檢索技術(shù)的基本思想是根據(jù)圖像所包含的顏色、紋理、形狀及對(duì) 象的空間關(guān)系等信息，建立圖像的特征矢量，這樣一幅圖像可以用一個(gè)高維特征向量來表 示，然后可以根據(jù)圖像的多維特征矢量進(jìn)行相似性匹配。由于目前圖像認(rèn)知的局限性，提取 的視覺特征與人的理解仍然有很大距離，也就是計(jì)算機(jī)所能識(shí)別的圖像低層內(nèi)容特征并不 能有效地描述人類對(duì)圖像的高層語義的認(rèn)知。而且，隨著應(yīng)用越來越復(fù)雜，特征比較單一的 分析方法越發(fā)顯示出其局域性。這些已有的圖像檢索方法只能對(duì)圖像進(jìn)行簡單分析，提取 一些低層次的特征，如顏色、紋理、形狀等。這些方法基本上都是針對(duì)圖像的某一特征的某 一側(cè)面進(jìn)行分析和考慮的，并沒有全面有效地利用圖像自身所提供的全部信息，而要實(shí)現(xiàn) 有效的圖像檢索需要更高層次、全面的、不同角度的內(nèi)容特征，這也符合人類對(duì)事物的認(rèn)識(shí) 過程。為了全面有效的反應(yīng)圖像的自身信息進(jìn)而達(dá)到理想的圖像檢索效果，本發(fā)明專利 將智能計(jì)算理論引入到圖像檢索領(lǐng)域，提出了基于內(nèi)容的多粒度圖像檢索技術(shù)；提出了可 用于圖像檢索領(lǐng)域的多目標(biāo)粒子群優(yōu)化算法、微分進(jìn)化算法、模糊神經(jīng)網(wǎng)絡(luò)等優(yōu)化技術(shù)。

發(fā)明內(nèi)容
本發(fā)明需要解決的問題是應(yīng)用智能計(jì)算計(jì)算理論，研究多粒度下的基于內(nèi)容的圖 像檢索，從而提出一種能有效地提高系統(tǒng)的查全率和查準(zhǔn)率的圖像檢索方法。本發(fā)明的結(jié) 構(gòu)示意圖見圖1。智能計(jì)算理論是從若干個(gè)不同的側(cè)面來獲得目標(biāo)事物的信息，再將所獲得的信息經(jīng)過一定的邏輯或者豐富的想象綜合起來得到完整的概念。目前已有的圖像檢索算法基本 上都是針對(duì)圖像的某一特征的某一側(cè)面進(jìn)行分析和考慮的，并沒有全面有效的利用圖像自 身所提供的所有信息。本發(fā)明對(duì)圖像進(jìn)行合理的多粒度劃分，針對(duì)圖像在不同粒度下的表 現(xiàn)得到不同粒度下的特征，獲得不同的粒度表現(xiàn)，然后根據(jù)智能計(jì)算理論對(duì)已得到的不同 特征進(jìn)行綜合處理，進(jìn)而以合成后的屬性函數(shù)來完成圖像檢索。主要包括圖像的多粒度劃 分；圖像多粒度特征的選??；智能計(jì)算理論下多粒度特征的合成；多粒度特征合成中的智 能自適應(yīng)參數(shù)優(yōu)化；構(gòu)建智能化的自適應(yīng)的圖像檢索系統(tǒng)。與采用單一屬性特征的圖像檢 索方法相比，基于智能計(jì)算理論的圖像檢索方法能夠更大程度上的利用圖像自身所提供的 信息，實(shí)現(xiàn)圖像內(nèi)容的全面表達(dá)。


圖1為本發(fā)明的流程圖。具體實(shí)施方法1.圖像的多粒度劃分對(duì)一個(gè)圖像處理問題可以用(X，f，Τ)這樣一個(gè)三元組來表示。當(dāng)(X，f，Τ)和一 個(gè)等價(jià)關(guān)系R給定之后，可以得到(X，f，T)對(duì)應(yīng)于等價(jià)關(guān)系R的粒度表示([X]，[f]，[T])， 其中R對(duì)應(yīng)于一定的粒度。也就是，對(duì)于圖像檢索問題而言，在某個(gè)粒度下，如果X為圖像 中的像素，T為像素間的相似關(guān)系結(jié)構(gòu)，f為圖像在該粒度下的特征屬性函數(shù)，則圖像在該 特征粒度下對(duì)應(yīng)的粒度表現(xiàn)為([X]，[f]，[Τ])。其定義如下[X]定義[X]為對(duì)應(yīng)于等價(jià)關(guān)系R的商集。[Τ]設(shè) T 是拓?fù)?，則定義商拓?fù)鋄T] =(U)p-1 (u) e T,U e [X]},p :X — [X]是自然投影。[f]設(shè)屬性函數(shù) f:X —Y，定義[f] :[X] — Y。2.圖像多粒度特征的選取在圖像檢索領(lǐng)域中，粒度的選擇和等價(jià)關(guān)系的構(gòu)造關(guān)鍵在于對(duì)屬性函數(shù)f取不同 的粒度來實(shí)現(xiàn)顆?；磮D像的特征提取算法的設(shè)計(jì)和選擇。本發(fā)明針對(duì)圖像檢索的實(shí)際 應(yīng)用問題，提出不同粒度空間下的特征提取算法。(1)針對(duì)圖像的局部顏色粒度空間，提出在子塊分割和區(qū)域劃分的基礎(chǔ)上，利用快 速離散余弦變換(DCT)和特殊奇異值分解(SVD)對(duì)圖像進(jìn)行特征提取的算法。(2)針對(duì)圖像自相似粒度，提出圖像的自相似特征提取算法，并構(gòu)造該粒度下的等 價(jià)關(guān)系。其具體做法為①值域塊和定義域塊的劃分以大小為MXNX3的RGB彩色圖像P為例.首先對(duì)彩色圖像P進(jìn)行值域塊的劃 分，將其分割成η個(gè)互不相交的值域塊風(fēng)KL1, η = (MXN)/(LXL)，每個(gè)值域塊的大小為
LXLX3，則圖像戶= 代,且Ri η Rj= φ,i≠j.再將圖像P劃分為大小相同的可以相互交 /=1
錯(cuò)的定義域塊{AHm = (M-L+l) (N-L+1)，其大小也為LXLX3.②自相似特征編碼對(duì)于任意值域塊Ri,在所有的定義域塊中尋找除自身以外與其最相似的定義域塊Dj.這種映射關(guān)系用一個(gè)三元組(AXi，Ayi, ni)標(biāo)記，其中(Axi，Ayi)為Dj相對(duì)于Ri的 左上角相對(duì)坐標(biāo)，Hi為旋轉(zhuǎn)、反射變換的編號(hào).設(shè)值域塊Ri中各像素點(diǎn)的RGB分量分別為& = (rrl,rr2, -rrk)T,rg = (rgl，rg2，… rgk)T, rb = (rbl，rb2，"^Jt，定義域塊Dj中各像素點(diǎn)的RGB分量分別為dr = (drl, dr2,… drk)T，dg = (dgl，dg2，-dgk)T, db = (dbl, db2, .··(! /，定義評(píng)測指標(biāo) E 為E (Ri, Dj) = Il dr-rr Il ^ Il dg-rg Il ^ Il db-rb Il ！其中Il · Il 向量的1-范數(shù).這里對(duì)Ri和Dj的操作都是三維的，即對(duì)于子塊的 RGB分量看作一個(gè)整體同時(shí)進(jìn)行操作。對(duì)于每個(gè)Ri根據(jù)評(píng)測指標(biāo)E搜索具有最小E值的定 義域塊Dj，這樣就得到了彩色圖像P的自相似特征編碼，記為{ ,}!,，COi = (Axi, AyijHi), 這將作為對(duì)彩色圖像P進(jìn)行自相似特征提取的依據(jù)。③中心擴(kuò)散算法塊匹配的計(jì)算量是驚人的，對(duì)于每一個(gè)值域塊Ri,其要進(jìn)行的定義域塊的匹配次 數(shù)為m，則η個(gè)值域塊的匹配次數(shù)為mXn次.對(duì)于一幅256X256的圖像來說，若取L = 4， 則要完成的匹配次數(shù)為262180864.對(duì)于傳統(tǒng)的灰度圖像分形編碼來說，圖像中的許多子 塊具有“近距自相似性”，據(jù)此，對(duì)于彩色圖像和本文提出的自相似特征編碼方法，提出中心 擴(kuò)散算法來減少計(jì)算量。中心擴(kuò)散算法能夠在保證一定匹配誤差的基礎(chǔ)上使匹配速度得到 顯著提高。與局部搜索不同的是，當(dāng)全圖中沒有滿足誤差條件的匹配塊時(shí)，算法返回的是具 有最小誤差的匹配塊，即最優(yōu)匹配塊，而對(duì)于滿足誤差條件的D塊，則在寬泛的誤差下完成 匹配，這對(duì)檢索效果幾乎沒有影響。④基于自相似特征編碼的特征提取本發(fā)明提出對(duì)自相似特征編碼進(jìn)行特殊奇異值分解(SVD)來提取特征向量的方 法，對(duì)圖像P按照如下算法進(jìn)行特征向量的提取(a)將圖像P 的自相似特征編碼泣= KK^n= (MXN)/(LXL), ω = (Axyi, Ayi, Hi)中的Axi，Ayi分量按照R塊的劃分方法分別組成矩陣X，Y;(b)對(duì)X，Y分別進(jìn)行奇異值分解得到奇異值向量Cx，Cy,并將Cx，Cy首尾相接組成 特征向量[…,crc丨”,cf，…,Cf，其中⑶為奇異值向量Cx的第k個(gè)分量，k = 1,2,…，L，C )同理。3.智能計(jì)算屬性合成最優(yōu)準(zhǔn)則函數(shù)的設(shè)計(jì)對(duì)于已獲得的不同粒度下的屬性函數(shù)，要結(jié)合圖像檢索問題本身進(jìn)行最優(yōu)準(zhǔn)則函 數(shù)的設(shè)計(jì)和選擇，屬性函數(shù)合成必須滿足如下合成原則設(shè)已知(X1, f\，T1)和(X2, f2，T2)，求其合成粒度(X3, f3，T3)，即要求屬性函數(shù)滿足 如下條件 Pif3 = 4，i = 1，2Pi (X3, f3, T3) — (Xi, fi Ti)是投影，i = 1，2 ；②設(shè)D (f，fi; f2)是某一給定的最優(yōu)判別準(zhǔn)則，則有D(f3, f1 f2) = minD(f, f1 f2)或=maxD(f，f\，f2)其中min(max)是對(duì)一切滿足上式的X3上的一切屬性函數(shù)f取的。對(duì)于更一般的情況，即所得信息有誤差的情況，令Yi是Xi上一切屬性函數(shù)組成的函數(shù)空間，并設(shè)Yi上有一距離Cli，使(Ypdi)是一距離空間，i = 1，2，3，則D(f3, f1 f2) = minD(f, f1 f2)= min ((I1 (P1Ff1) 2+d2 (p2f-f2)2)其中min是對(duì)Y3上一切函數(shù)f取的。4.采用多目標(biāo)優(yōu)化算法對(duì)多粒度表現(xiàn)進(jìn)行參數(shù)優(yōu)化在獲得圖像不同粒度下的表現(xiàn)后，如何構(gòu)造并優(yōu)化參數(shù)使最優(yōu)準(zhǔn)則函數(shù)達(dá)到最 優(yōu)，最終將歸結(jié)為多目標(biāo)優(yōu)化問題。本發(fā)明針對(duì)多粒度下的不同表現(xiàn)，提出粒子群多目標(biāo)優(yōu) 化算法、微分進(jìn)化算法，將多個(gè)粒度表示作為目標(biāo)進(jìn)行參數(shù)優(yōu)化，充分發(fā)揮不同粒度下的最 大優(yōu)勢，在最大程度上體現(xiàn)圖像的內(nèi)容特征，以實(shí)現(xiàn)更優(yōu)的圖像檢索效果。5.多粒度特征的最優(yōu)化整合利用模糊神經(jīng)網(wǎng)絡(luò)對(duì)多粒度特征描述進(jìn)行最優(yōu)化整合，不同的特征整合方法將在 不同場景發(fā)揮各自的優(yōu)勢，根據(jù)各種不同場景的需求，利用模糊神經(jīng)網(wǎng)絡(luò)對(duì)多粒度特征描 述進(jìn)行最優(yōu)化整合，是實(shí)現(xiàn)最終檢索結(jié)果的重要環(huán)節(jié)，需要根據(jù)不同的場景優(yōu)化不同的參 數(shù)，從而達(dá)到最優(yōu)的檢索效果。本發(fā)明將個(gè)體多粒度特征的模糊空間劃分及其生成的模糊 規(guī)則庫轉(zhuǎn)換成等價(jià)的神經(jīng)網(wǎng)絡(luò)形式。本發(fā)明從解釋性角度出發(fā)，選擇包含變量選擇的網(wǎng)格 劃分方法進(jìn)行輸入輸出模糊空間劃分，同時(shí)將改進(jìn)的Mamdani模糊推理法即廣義模糊加權(quán) 推理法轉(zhuǎn)換成等價(jià)的神經(jīng)網(wǎng)絡(luò)形式。兩者通過模糊規(guī)則生成策略構(gòu)建的初始模糊系統(tǒng)是一 個(gè)新穎的模型，為模糊系統(tǒng)精確性和解釋性折中問題的研究搭建了一個(gè)很好的平臺(tái)。
權(quán)利要求
基于智能計(jì)算的多粒度圖像檢索方法，包括如下步驟步驟1對(duì)圖像進(jìn)行多粒度劃分步驟2圖像多粒度特征的選取步驟3設(shè)計(jì)多粒度屬性合成中的最優(yōu)準(zhǔn)則函數(shù)步驟4采用多目標(biāo)優(yōu)化算法對(duì)多粒度進(jìn)行參數(shù)優(yōu)化步驟5利用模糊神經(jīng)網(wǎng)絡(luò)對(duì)多粒度特征進(jìn)行描述進(jìn)行最優(yōu)化整合
2.根據(jù)權(quán)利要求1所述的基于智能計(jì)算的多粒度圖像檢索方法，其特征在于將粒計(jì) 算應(yīng)用于圖像檢索領(lǐng)域，全面有效地更大程度上的利用圖像自身所提供的信息，實(shí)現(xiàn)有效 的圖像檢索需要更高層次、全面的、不同角度的內(nèi)容特征，完成圖像內(nèi)容的全面表達(dá)，進(jìn)而 達(dá)到理想的圖像檢索效果。
3.根據(jù)權(quán)利要求1所述的不同粒度下的特征提取算法，其特征如下針對(duì)圖像的局部 顏色粒度，提出在子塊分割和區(qū)域劃分的基礎(chǔ)上，利用快速離散余弦變換(DCT)和特殊奇 異值分解(SVD)對(duì)圖像進(jìn)行特征提取的算法，從而構(gòu)造該粒度下的等價(jià)關(guān)系；針對(duì)圖像自相似粒度表現(xiàn)，提出圖像的自相似特征提取算法，并構(gòu)造該粒度下的等價(jià) 關(guān)系，其具體做法是步驟一值域塊和定義域塊的劃分，以大小為MXNX3的RGB彩色圖像P為例.首先 對(duì)彩色圖像P進(jìn)行值域塊的劃分，將其分割成η個(gè)互不相交的值域塊怵KL1,η = (MXN)/(LXL)，每個(gè)值域塊的大小為LXLX3，貝丨J圖像尸= 代,且Ri η Rj = Φ , i ^ j.再將圖j=l J像P劃分為大小相同的可以相互交錯(cuò)的定義域塊{A，m = (M-L+l) (N-L+1)，其大小也為 LXLX3；步驟二 自相似特征編碼對(duì)于任意值域塊Ri,在所有的定義域塊中尋找除自身以外 與其最相似的定義域塊Dj.這種映射關(guān)系用一個(gè)三元組(AXi，Ayi, η,)標(biāo)記，其中(AXi， Ayi)為Dj相對(duì)于Ri的左上角相對(duì)坐標(biāo)，Hi為旋轉(zhuǎn)、反射變換的編號(hào).設(shè)值域塊Ri中各像素點(diǎn)的RGB分量分別為& = (rrl, rr2, -rrk)T, rg = (rgl，rg2,… rgk)T, rb = (rbl，rb2，"^Jt，定義域塊Dj中各像素點(diǎn)的RGB分量分別為dr = (drl, dr2,… drk)T，dg = (dgl，dg2，-dgk)T, db = (dbl, db2, .··(! /，定義評(píng)測指標(biāo) E 為E (Ri, Dj) = Il dr-rr Il ^ Il dg-rg Il ^ Il db-rb Il !其中Il · Il1為向量的1-范數(shù).這里對(duì)Di和A的操作都是三維的，即對(duì)于子塊的RGB 分量看作一個(gè)整體同時(shí)進(jìn)行操作。對(duì)于每個(gè)Ri根據(jù)評(píng)測指標(biāo)E搜索具有最小E值的定義 域塊Dj，這樣就得到了彩色圖像P的自相似特征編碼，記為^KL1，ω i = ( Δ Xi，Δ yi，ni)，這 將作為對(duì)彩色圖像P進(jìn)行自相似特征提取的依據(jù)；步驟三中心擴(kuò)散算法塊匹配的計(jì)算量是驚人的，對(duì)于每一個(gè)值域塊Ri,其要進(jìn)行的 定義域塊的匹配次數(shù)為m，則η個(gè)值域塊的匹配次數(shù)為mXn次.對(duì)于一幅256X256的圖 像來說，若取L = 4，則要完成的匹配次數(shù)為262180864.對(duì)于傳統(tǒng)的灰度圖像分形編碼來 說，圖像中的許多子塊具有“近距自相似性”，據(jù)此，對(duì)于彩色圖像和本文提出的自相似特征 編碼方法，提出中心擴(kuò)散算法來減少計(jì)算量。中心擴(kuò)散算法能夠在保證一定匹配誤差的基 礎(chǔ)上使匹配速度得到顯著提高。與局部搜索不同的是，當(dāng)全圖中沒有滿足誤差條件的匹配 塊時(shí)，算法返回的是具有最小誤差的匹配塊，即最優(yōu)匹配塊，而對(duì)于滿足誤差條件的D塊，則在寬泛的誤差下完成匹配，這對(duì)檢索效果幾乎沒有影響；步驟四基于自相似特征編碼的特征提取本發(fā)明提出對(duì)自相似特征編碼進(jìn)行奇異值 分解(SVD)來提取特征向量的方法，對(duì)圖像P按照如下算法進(jìn)行特征向量的提取(a)將圖像P 的自相似特征編碼CT = 二，η = (MXN)/(LXL), ω, = (Axi, AyijHi) 中的Axi，Ayi分量按照R塊的劃分方法分別組成矩陣X，Y;(b)對(duì)X，Y分別進(jìn)行奇異值分解得到奇異值向量Cx，Cy，并將Cx，Cy首尾相接組成 特征向量(，其中C 為奇異值向量Cx的第k個(gè)分量， * = 1,2，…,1，邙>同理。使用這些特征向量作為圖像的自相似特征，得到圖像的自相似特征 粒度。
4.根據(jù)權(quán)利要求1所述的多利多屬性合成中的最優(yōu)準(zhǔn)則函數(shù)，其特征在于對(duì)于已獲 得的不同粒度的屬性函數(shù)，要結(jié)合圖像檢索問題本身進(jìn)行最優(yōu)準(zhǔn)則函數(shù)的設(shè)計(jì)和選擇，屬 性函數(shù)合成必須滿足如下合成原則設(shè)已知(X1, T1)和(X2, f2，T2)，求其合成粒度(X3, f3，T3)，即要求屬性函數(shù)滿足如下 條件① Pif3 = i = 1,2Pi (X3, f3，T3) — (Xi，Ti)是投影，i = 1,2 ； ②設(shè)D(f，fi; f2)是某一給定的最優(yōu)判別準(zhǔn)則，則有 D(f3, f1 f2) = minD(f, f1 f2) 或=maxD(f, f1 f2)其中min(max)是對(duì)一切滿足上式的X3上的一切屬性函數(shù)f取的。 對(duì)于更一般的情況，即所得信息有誤差的情況，令Yi是Xi上一切屬性函數(shù)組成的函數(shù) 空間，并設(shè)Yi上有一距離Cli，使(Ypdi)是一距離空間，i = 1，2，3，則 D(f3, f1 f2) = minD(f, f1 f2)=minWi (P1H1)^d2 (p2f-f2)2) 其中min是對(duì)Y3上一切函數(shù)f取的。
5.根據(jù)權(quán)利要求1所述的采用多目標(biāo)優(yōu)化算法對(duì)多粒度進(jìn)行參數(shù)優(yōu)化，其特征在于 采用了粒子群多目標(biāo)優(yōu)化算法、微分進(jìn)化算法，將多個(gè)粒度作為多目標(biāo)進(jìn)行參數(shù)優(yōu)化，充分 發(fā)揮不同粒度下的最大優(yōu)勢，在最大程度上體現(xiàn)圖像的內(nèi)容特點(diǎn)，以實(shí)現(xiàn)更優(yōu)的圖像檢索 效果。
6.根據(jù)權(quán)利要求5所述的多粒度特征描述的最優(yōu)化整合，其特征在于從解釋性角度 出發(fā)，選擇包含變量選擇的網(wǎng)格劃分法進(jìn)行輸入輸出模糊空間劃分，同時(shí)改進(jìn)的Mamdani 模糊推論法即廣義模糊加權(quán)推論法轉(zhuǎn)換成等價(jià)的神經(jīng)網(wǎng)絡(luò)形式。
全文摘要
本發(fā)明涉及一種基于智能計(jì)算的多粒度圖像檢索方法，屬于圖像處理、模式識(shí)別、人工智能、檢索技術(shù)和數(shù)據(jù)庫等多個(gè)技術(shù)領(lǐng)域。本發(fā)明對(duì)圖像進(jìn)行合理的多粒度劃分，針對(duì)圖像在不同粒度下的表現(xiàn)得到不同粒度下的特征，獲得不同的粒度表現(xiàn)，然后應(yīng)用智能計(jì)算理論對(duì)已得到的不同特征進(jìn)行綜合處理，進(jìn)而以合成后的屬性函數(shù)來完成圖像檢索。主要包括圖像的多粒度劃分；圖像多粒度特征的選?。恢悄苡?jì)算下多粒度特征的合成；多粒度特征合成中的智能自適應(yīng)參數(shù)優(yōu)化；構(gòu)建智能化的自適應(yīng)的圖像檢索系統(tǒng)。與采用單一屬性特征的圖像檢索方法相比，基于智能計(jì)算多粒度合成的圖像檢索方法能夠更大程度上的利用圖像自身所提供的信息，實(shí)現(xiàn)圖像內(nèi)容的全面表達(dá)。
文檔編號(hào)G06N3/02GK101930452SQ20101021613
公開日2010年12月29日 申請(qǐng)日期2010年7月2日 優(yōu)先權(quán)日2010年7月2日
發(fā)明者周春光, 張利彪, 許相莉 申請(qǐng)人:吉林大學(xué)