一種基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法
【專利摘要】本發(fā)明公開一種基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法，包括步驟如下：步驟1：使用多張圖像作為關(guān)鍵圖，以進(jìn)行圖像檢索；步驟2：分別對(duì)每張關(guān)鍵圖提取特征集合；步驟3：使用事先建立的單詞表，并通過(guò)頻率直方圖的方式，來(lái)表征每張關(guān)鍵圖的特征；步驟4：對(duì)每張關(guān)鍵圖的直方圖計(jì)算交集，以組合成新的直方圖；步驟5：使用步驟4生成的直方圖在特征庫(kù)中進(jìn)行檢索。本發(fā)明的多張關(guān)鍵圖特性，增加了圖像內(nèi)容檢索的多樣性，也為圖像檢索提供了一種有效的檢索模型。
【專利說(shuō)明】—種基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及的是一種圖像內(nèi)容檢索方法,具體是一種基于BOF(Bag-Of-Features)模型的圖像內(nèi)容檢索方法。

【背景技術(shù)】
[0002]隨著互聯(lián)網(wǎng)多媒體的廣泛應(yīng)用，以及多媒體云服務(wù)的日益興起，海量圖像與視頻的快速和精確檢索成為一種迫切的需求與挑戰(zhàn)。如何組織、表達(dá)、存儲(chǔ)、管理、查詢和檢索這些海量數(shù)據(jù)，是對(duì)傳統(tǒng)數(shù)據(jù)庫(kù)技術(shù)的一個(gè)重大挑戰(zhàn)，是迫切需要解決的問(wèn)題，同時(shí)這也成為近幾十年來(lái)國(guó)內(nèi)外討論和研究的熱點(diǎn)。
[0003]目前圖像檢索可以被分兩大類:基于文本的檢索和基于內(nèi)容的檢索。基于文本的檢索，是通過(guò)人工對(duì)圖片進(jìn)行注解，再使用文本的搜索方式進(jìn)行檢索。該方式易于理解，實(shí)現(xiàn)簡(jiǎn)單，但它過(guò)于依賴人對(duì)圖片的主觀感知并且注解工作量大。而基于內(nèi)容的檢索，是使用可視特征進(jìn)行檢索，并融合了計(jì)算機(jī)視覺(jué)、圖像處理、圖像理解和數(shù)據(jù)庫(kù)等多個(gè)領(lǐng)域的技術(shù)成果，以避免人工描述的主觀性。它允許用戶輸入一張圖片，以查找相似內(nèi)容的圖片。
[0004]經(jīng)過(guò)對(duì)現(xiàn)有技術(shù)的檢索發(fā)現(xiàn)，中國(guó)專利文獻(xiàn)號(hào)CN103473327A，
【公開日】2013_12_25記載了一種“圖像檢索方法與系統(tǒng)”，該技術(shù)針對(duì)給定的查詢文本和/或查詢圖片，分別根據(jù)文本相關(guān)性和圖片內(nèi)容相關(guān)性，綜合考慮并得出文本相似度和圖片內(nèi)容相似度，最終返回一個(gè)綜合的排序列表。該專利使用傳統(tǒng)的圖像內(nèi)容檢索方式，只能輸入一張查詢圖像。


【發(fā)明內(nèi)容】

[0005]針對(duì)上述現(xiàn)有技術(shù)中存在的技術(shù)問(wèn)題，本發(fā)明提出一種基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法。在以圖搜圖的過(guò)程中，可以使用多張圖像作為關(guān)鍵圖，該方法為圖像內(nèi)容的檢索提供了一種新的有效思路，對(duì)于用戶希望輸入多張關(guān)鍵圖來(lái)提升檢索效果的時(shí)候?qū)⒎浅Ｓ行?，其作為一個(gè)新興研究方向，具有很大的發(fā)展空間。
[0006]為達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案如下:
[0007]基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法，包括如下步驟:
[0008]步驟1:使用多張圖像作為關(guān)鍵圖，以進(jìn)行圖像檢索；
[0009]步驟2:分別對(duì)每張關(guān)鍵圖提取特征集合；
[0010]步驟3:使用事先建立的單詞表，并通過(guò)頻率直方圖的方式，來(lái)表征每張關(guān)鍵圖的特征；
[0011]步驟4:對(duì)每張關(guān)鍵圖的直方圖計(jì)算交集，以組合成新的直方圖；
[0012]步驟5:使用步驟4生成的直方圖在特征庫(kù)中進(jìn)行檢索。
[0013]根據(jù)步驟1，所述的關(guān)鍵圖可以存在多張，并且每張關(guān)鍵圖的圖像內(nèi)容在視覺(jué)上存在一定相似度，不能是毫無(wú)關(guān)聯(lián)的幾張圖像。
[0014]根據(jù)步驟2，所述的特征集為提取的圖像特征需要為圖像內(nèi)容的局部特征，例如SIFT (Scale-1nvariant feature transform)、LBP (Local Binary Patterns),并且提取出的局部特征存在多個(gè)以形成一個(gè)集合。
[0015]根據(jù)步驟3，所述的單詞表為全體局部特征的集合，可以對(duì)預(yù)先準(zhǔn)備的圖像庫(kù)中的圖像進(jìn)行局部特征提取，通過(guò)使用分類或聚類算法，如K-Means、支持向量機(jī)SVM，對(duì)這些局部特征進(jìn)行訓(xùn)練，以形成分類后的視覺(jué)特征，這組特征即可以構(gòu)成單詞表。
[0016]特征的表征方式，具體包括如下步驟:
[0017]步驟3.1:對(duì)步驟2中提取的每張關(guān)鍵圖的局部特征分別進(jìn)行統(tǒng)計(jì)，計(jì)算其在單詞表中出現(xiàn)的次數(shù)；
[0018]步驟3.2:以視覺(jué)特征為橫坐標(biāo)，次數(shù)為縱坐標(biāo)，對(duì)統(tǒng)計(jì)結(jié)果建立直方圖；
[0019]步驟3.3:對(duì)建立的直方圖進(jìn)行歸一化。
[0020]根據(jù)步驟4，所述的直方圖的交集計(jì)算方法，即利用下面的公式計(jì)算:
[0021]H1111 n ( > /)"...)


J
[0022]H= (H1, H2,...)
[0023]其中，i代表第i個(gè)視覺(jué)特征，Ai和Bi分別代表了不同關(guān)鍵圖的第i個(gè)視覺(jué)特征的出現(xiàn)頻率，Hi即為第i個(gè)視覺(jué)特征相交后的結(jié)果，H即為最終得到的直方圖。
[0024]根據(jù)步驟5，所述的特征庫(kù)為為可搜索到的全體圖像，通過(guò)步驟I至步驟4所生成的所有直方圖特征的數(shù)據(jù)集合。
[0025]本發(fā)明所提供的基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法，在以圖搜圖的過(guò)程中，可以使用多張圖像作為關(guān)鍵圖。其采用BOF(Bag-Of-Features)模型，首先分別對(duì)每張關(guān)鍵圖提取特征詞匯，并用特征詞匯的頻率直方圖表征每張關(guān)鍵圖，再對(duì)所有頻率直方圖利用取交集的方法進(jìn)行組合，最終使用組合后的特征進(jìn)行檢索，以完成圖像搜索過(guò)程。本發(fā)明的多張關(guān)鍵圖特性，增加了圖像內(nèi)容檢索的多樣性，也為圖像檢索提供了一種有效的檢索模型。

【專利附圖】

【附圖說(shuō)明】
[0026]通過(guò)閱讀參照以下附圖對(duì)非限制性實(shí)施例所作的詳細(xì)描述，本發(fā)明的其它特征、目的和優(yōu)點(diǎn)將會(huì)變得更明顯:
[0027]圖1是本發(fā)明的預(yù)處理流程圖；
[0028]圖2是本發(fā)明的檢索流程圖；
[0029]圖3是本發(fā)明的模型框架圖。

【具體實(shí)施方式】
[0030]下面結(jié)合具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。以下實(shí)施例將有助于本領(lǐng)域的技術(shù)人員進(jìn)一步理解本發(fā)明，但不以任何形式限制本發(fā)明。應(yīng)當(dāng)指出的是，對(duì)本領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。
[0031]本發(fā)明提供的基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法，是通過(guò)以下方案實(shí)現(xiàn)的:算法采用了 BOF模型，首先分別對(duì)每張關(guān)鍵圖提取SIFT和LBP特征，并通過(guò)加權(quán)K-Means聚類以獲得局部特征的詞匯，進(jìn)而使用頻率直方圖來(lái)表征每張關(guān)鍵圖，再通過(guò)對(duì)直方圖做交集的方法對(duì)這些直方圖進(jìn)行組合，最終使用組合后的特征進(jìn)行相似度檢索，以完成圖像搜索過(guò)程。算法可以分為兩個(gè)流程，預(yù)處理過(guò)程和檢索過(guò)程。
[0032]如圖1所示，預(yù)處理流程具體步驟如下:
[0033]第一步特征提取。掃描圖像數(shù)據(jù)庫(kù)，提取SIFT和LBP特征。其中SIFT描述子采用128維特征，LBP特征使用剛性分割的方式，將輸入的關(guān)鍵圖分割為16x16的塊，并使用等價(jià)二值模式進(jìn)行特征提取，并獲得59維的直方圖；
[0034]第二步構(gòu)建單詞表。使用加權(quán)K-means方法對(duì)SIFT和LBP特征分別構(gòu)建單詞表，其中單詞表大小為N，SIFT特征的單詞表大小所占權(quán)重為w ；
[0035]第三步產(chǎn)生描述。經(jīng)過(guò)聚類后，每幅圖像均可使用頻率直方圖來(lái)描述單詞表中詞匯在圖像中的出現(xiàn)頻率，為每幅圖像生成頻率直方圖，并記錄到特征數(shù)據(jù)庫(kù)中。至此預(yù)處理過(guò)程完畢。
[0036]如圖2所示，圖像檢索流程具體步驟如下:
[0037]第一步特征提取。用戶輸入多張查詢圖像，對(duì)每幅圖像分別提取SIFT和LBP特征，提取方式與預(yù)處理過(guò)程相同；
[0038]第二步特征組合。對(duì)每幅輸入圖像，將SIFT和LBP特征分別映射到單詞表中的詞匯，并使用直方圖統(tǒng)計(jì)每個(gè)局部特征出現(xiàn)的頻率，形成頻率直方圖；
[0039]第三步查詢圖像特征合并。使用直方圖相加或直方圖相交的方法，將多張查詢圖像的特征直方圖進(jìn)行合并，生成最終查詢用的直方圖；
[0040]第四步掃描特征數(shù)據(jù)庫(kù)，將直方圖與特征庫(kù)進(jìn)行比對(duì)。使用直方圖相交的距離測(cè)算方式來(lái)進(jìn)行相似度度量，并將結(jié)果進(jìn)行排序。
[0041]在上述預(yù)處理和圖像檢索過(guò)程中，涉及到了如下技術(shù)細(xì)節(jié):B0F模型的運(yùn)用、SIFT-LBP特征的提取、加權(quán)K-Means聚類方法、頻率直方圖的組合方式。以下分別針對(duì)這四個(gè)細(xì)節(jié)作出說(shuō)明:
[0042]BOF模型的運(yùn)用
[0043]BOF模型借鑒了 BOW模型的思想，將圖像描述成一些局部特征的集合，以表征圖像。它從每張圖像中提取SIFT和LBP局部特征，組合后使用K-means算法進(jìn)行聚類以產(chǎn)生單詞表，并將圖像使用頻率直方圖進(jìn)行描述。當(dāng)一張圖像被搜索時(shí)，僅需要使用直方圖相交進(jìn)行匹配，產(chǎn)生一個(gè)相似度排序，最終得到檢索結(jié)果。
[0044]在本發(fā)明中，由于涉及到輸入多張關(guān)鍵圖，因此算法框架模型需要略做改進(jìn)。如圖3所示，為本文算法的框架模型。在該模型的應(yīng)用中，涉及到了四個(gè)關(guān)鍵點(diǎn):局部特征、單詞表、描述方式和輸入關(guān)鍵圖的特征組合。
[0045](I)局部特征
[0046]BOF模型比較重要的一個(gè)思想便是使用一些局部特征來(lái)表述圖像。一張圖像可以被分成多個(gè)小的圖像塊，通過(guò)分別提取這些塊的特征，以形成一個(gè)圖像塊集合。通常，圖像塊的分割有兩種，典型的，使用SIFT特征作為局部特征，由于SIFT算法包含了關(guān)鍵點(diǎn)的探測(cè)過(guò)程，因此每個(gè)SIFT關(guān)鍵點(diǎn)均可被視為某圖像塊的中心，可以定義一個(gè)以此為中心的小正方形塊，來(lái)完成柔性分割。結(jié)合其他局部描述子，即可從圖像塊中提取特征，形成視覺(jué)詞匯。如果不采用這類方法，也可以使用剛性劃分的方式，將圖像進(jìn)行分割，再進(jìn)行提取。本發(fā)明對(duì)這兩種形式均進(jìn)行了采用，對(duì)于SIFT特征則使用其算法本身，形成一個(gè)128維的向量特征集合，對(duì)于LBP特征使用了剛性的劃分，單獨(dú)生成特征集合。
[0047](2)單詞表
[0048]單詞表即為全體視覺(jué)詞匯的集合。對(duì)圖像庫(kù)中的圖像進(jìn)行局部特征提取，通過(guò)使用分類或聚類算法對(duì)這些圖像塊特征進(jìn)行訓(xùn)練，以形成分類后的視覺(jué)詞匯。這樣任何一副圖像均可用單詞表中的視覺(jué)詞匯來(lái)進(jìn)行描述。本發(fā)明的分類，采用了 K-Means聚類算法，由于其算法高效易用，也廣泛被研究人員所接受并使用于BOF模型之中。當(dāng)SIFT和LBP局部特征被提取后，使用K-Means對(duì)整個(gè)集合進(jìn)行訓(xùn)練，最終產(chǎn)生聚類結(jié)果，每個(gè)SIFT特征和LBP特征均可被單詞表中詞匯替代，來(lái)描述圖像。
[0049](3)描述方式
[0050]圖像的描述使用了頻率直方圖的方式，統(tǒng)計(jì)圖像中出現(xiàn)詞匯的頻率，形成一個(gè)直方圖，來(lái)表征圖像。相似度檢測(cè)便直接通過(guò)比較兩個(gè)直方圖來(lái)得到。本發(fā)明使用的距離公式為直方圖相交。對(duì)于給定的圖像A和圖像B，直方圖相交可以定義為:
[0051]d(A’ B) = 1- ^ min(",，Ai)
[0052]其中，a,和匕分別代表圖像A和圖像B第i個(gè)視覺(jué)詞匯的出現(xiàn)頻率(i的范圍取決于單詞表的大小)。
[0053]給定一張圖像Q，Q與圖像數(shù)據(jù)庫(kù)中每張圖像的距離均會(huì)被計(jì)算，從而可以獲取每張圖像與Q的相似度度量，并以此為依據(jù)進(jìn)行排序，而最相似的一組圖像則為我們所查詢的圖像集合。
[0054](4)輸入關(guān)鍵圖的特征組合
[0055]在多個(gè)輸入關(guān)鍵圖的情況下，關(guān)鍵圖在進(jìn)行SIFT-LBP特征提取后需要組合特征，這樣才能使用BOF模型。對(duì)于每張輸入查詢圖像，均提取SIFT-LBP特征，使用單詞表詞匯來(lái)描述圖像，并各自生成頻率直方圖。針對(duì)每個(gè)直方圖，采用了對(duì)直方圖計(jì)算交集的方法進(jìn)行特征組合。最后使用組合后的直方圖，進(jìn)行相似度匹配。
[0056]SIFT-LBP特征的提取
[0057]本發(fā)明在預(yù)處理時(shí)，SIFT特征與LBP特征將被分別計(jì)算，并形成自己獨(dú)立的單詞表。其中，LBP特征的提取使用了剛性分割的方式，將圖像分割為16x16的圖像塊，并提取等價(jià)二值模式。最終SIFT特征與LBP特征將在最終的直方圖特征描述時(shí)進(jìn)行組合。其構(gòu)建過(guò)程如下:
[0058]第一步使用128維的SIFT算法對(duì)圖像進(jìn)行特征提?。?br> [0059]第二步將圖像分割為16x16的圖像塊，并對(duì)每塊區(qū)域提取出等價(jià)二值模式。與第一種方法不同的是，這里提取的LBP特征使用了直方圖的方式表征為一個(gè)59維的特征向量;
[0060]第三步對(duì)于SIFT和LBP特征集合，使用K-Means聚類方法分別建立單詞表。使用BOF模型進(jìn)行表征時(shí)，則會(huì)將兩個(gè)特征的頻率直方圖一起進(jìn)行計(jì)算。
[0061 ] 加權(quán)K-Means聚類方法
[0062]K-means聚類由于其簡(jiǎn)單高效性,而廣泛為圖像處理領(lǐng)域所使用。在BoF模型中，它經(jīng)常被用作特征分類的手段，以構(gòu)造一個(gè)單詞表。在SIFT-LBP的特征組合方式中，SIFT特征的數(shù)量與LBP特征的數(shù)量差距可能較大，會(huì)導(dǎo)致SIFT特征主導(dǎo)了組合特征的效果，而LBP特征受到了一定的限制。此外，在統(tǒng)計(jì)直方圖頻率時(shí)，SIFT特征與LBP特征的結(jié)合也需要參數(shù)進(jìn)行平衡，以獲得最佳的效果。因此這里引入了參數(shù)w(0〈w〈l)，以平衡兩個(gè)特征的組合效果:
[0063]Nlbp = (1-W).N
[0064]Nsift = w.N
[0065]其中，N是預(yù)定義的聚類類別總量，即單詞表的詞匯種類總數(shù)。Nsift和Nlbp分別為SIFT單詞表和LBP單詞表的詞匯種類總數(shù)。
[0066]頻率直方圖的組合方式
[0067]計(jì)算直方圖的交集可以保留多張關(guān)鍵圖的特征，其計(jì)算方法按如下表示:
[0068]Hi — I ill i n (Aj, Bj,...)


I
[0069]H= (H1, H2,...)
[0070]其中，i代表第i個(gè)視覺(jué)特征，Ai和Bi分別代表了不同關(guān)鍵圖的第i個(gè)視覺(jué)特征的出現(xiàn)頻率，Hi即為第i個(gè)視覺(jué)特征相交后的結(jié)果，H即為最終得到的直方圖。
[0071]盡管本發(fā)明的內(nèi)容已經(jīng)通過(guò)上述優(yōu)選實(shí)施例作了詳細(xì)介紹，但應(yīng)當(dāng)認(rèn)識(shí)到上述的描述不應(yīng)被認(rèn)為是對(duì)本發(fā)明的限制。在本領(lǐng)域技術(shù)人員閱讀了上述內(nèi)容后，對(duì)于本發(fā)明的多種修改和替代都將是顯而易見(jiàn)的。因此，本發(fā)明的保護(hù)范圍應(yīng)由所附的權(quán)利要求來(lái)限定。
【權(quán)利要求】
1.一種基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法，其特征在于，包括如下步驟: 步驟1:使用多張圖像作為關(guān)鍵圖，以進(jìn)行圖像檢索； 步驟2:分別對(duì)每張關(guān)鍵圖提取特征集合； 步驟3:使用事先建立的單詞表，并通過(guò)頻率直方圖的方式，來(lái)表征每張關(guān)鍵圖的特征； 步驟4:對(duì)每張關(guān)鍵圖的直方圖計(jì)算交集，以組合成新的直方圖； 步驟5:使用步驟4生成的直方圖在特征庫(kù)中進(jìn)行檢索。
2.根據(jù)權(quán)利要求1所述的基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法，其特征在于，步驟2中的每張關(guān)鍵圖的圖像內(nèi)容在視覺(jué)上存在一定相似度，不能是毫無(wú)關(guān)聯(lián)的幾張圖像。
3.根據(jù)權(quán)利要求2所述的基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法，其特征在于，步驟2中的特征集合為: 特征A:提取的圖像特征需要為圖像內(nèi)容的局部特征； 特征B:提取出的局部特征存在多個(gè)以形成一個(gè)集合。
4.根據(jù)權(quán)利要求3所述的基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法，其特征在于，步驟3中的單詞表為全體局部特征的集合，通過(guò)對(duì)預(yù)先準(zhǔn)備的圖像庫(kù)中的圖像進(jìn)行局部特征提取，使用分類或聚類算法，對(duì)這些局部特征進(jìn)行訓(xùn)練，以形成分類后的視覺(jué)特征，該視覺(jué)特征即構(gòu)成單詞表。
5.根據(jù)權(quán)利要求4所述的基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法，其特征在于，所述相似度的測(cè)量是通過(guò)兩個(gè)圖像的直方圖相交進(jìn)行圖像距離的計(jì)算、并以此為依據(jù)進(jìn)行排序來(lái)判斷的，對(duì)于給定的圖像A和圖像B，直方圖相交定義為: ?{Λ, B) = I — ^ in i n (Bj, )


i = l 其中，％和匕分別代表圖像A和圖像B第i個(gè)視覺(jué)詞匯的出現(xiàn)頻率，i的范圍取決于單詞表的大小。
6.根據(jù)權(quán)利要求4所述的基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法，其特征在于，所述的局部特征包括SIFT和LBP特征。
7.根據(jù)權(quán)利要求6所述的基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法，其特征在于，所述SIFT特征與LBP特征被分別計(jì)算，并形成自己獨(dú)立的單詞表，其中，LBP特征的提取使用剛性分割的方式，將圖像分割為16x16的圖像塊，并提取等價(jià)二值模式，其構(gòu)建過(guò)程如下: 第一步使用128維的SIFT算法對(duì)圖像進(jìn)行特征提??； 第二步將圖像分割為16x16的圖像塊，并對(duì)每塊區(qū)域提取出等價(jià)二值模式，這里提取的LBP特征使用了直方圖的方式表征為一個(gè)59維的特征向量； 第三步對(duì)于SIFT和LBP特征集合，使用使用分類或聚類算法分別建立單詞表。
8.根據(jù)權(quán)利要求7所述的基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法，其特征在于，使用加權(quán)K-Means聚類方法對(duì)局部特征進(jìn)行訓(xùn)練構(gòu)造單詞表，在統(tǒng)計(jì)直方圖頻率時(shí)，引入?yún)?shù)W，0<w<l, w是SIFT特征的單詞表大小所占權(quán)重，以平衡SIFT特征與LBP特征的組合效果:
nLBP = (!I).N NsiFT =WN 其中，N是預(yù)定義的聚類類別總量，即單詞表的詞匯種類總數(shù)，Nsift和Nlbp分別為SIFT單詞表和LBP單詞表的詞匯種類總數(shù)。
9.根據(jù)權(quán)利要求4所述的基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法，其特征在于，步驟3主要由如下形式表述: 步驟3.1:對(duì)步驟2中提取的每張關(guān)鍵圖的局部特征分別進(jìn)行統(tǒng)計(jì)，計(jì)算其在單詞表中出現(xiàn)的次數(shù)； 步驟3.2:以視覺(jué)特征為橫坐標(biāo)，次數(shù)為縱坐標(biāo)，對(duì)統(tǒng)計(jì)結(jié)果建立直方圖； 步驟3.3:對(duì)建立的直方圖進(jìn)行歸一化。
10.根據(jù)權(quán)利要求5所述的基于多張關(guān)鍵圖的圖像內(nèi)容檢索方法，其特征在于，步驟4中計(jì)算直方圖的交集是通過(guò)下面的公式計(jì)算: Hi = Z in i n (Ai, Hi,…)
H = (H1, H2,...) 其中，i代表第i個(gè)視覺(jué)特征，Ai和Bi分別代表了不同關(guān)鍵圖的第i個(gè)視覺(jué)特征的出現(xiàn)頻率，Hi即為第i個(gè)視覺(jué)特征相交后的結(jié)果，H即為最終得到的直方圖。
【文檔編號(hào)】G06F17/30GK104317946SQ201410608236
【公開日】2015年1月28日 申請(qǐng)日期:2014年10月31日 優(yōu)先權(quán)日:2014年10月31日
【發(fā)明者】孫錟鋒, 蔣興浩, 曹晉其, 余昊, 何沛松 申請(qǐng)人:上海交通大學(xué)