本發(fā)明涉及數(shù)據(jù)庫領(lǐng)域，具體涉及一種圖像數(shù)據(jù)庫的管理方法。

背景技術(shù)：

隨著移動互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等技術(shù)的興起，全球范圍內(nèi)數(shù)據(jù)量迅猛增長，大數(shù)據(jù)時代己經(jīng)來臨。伴隨著大數(shù)據(jù)的產(chǎn)生，其在現(xiàn)代社會和經(jīng)濟(jì)活動中發(fā)揮著極其重要的作用。

大規(guī)模數(shù)據(jù)給傳統(tǒng)的多媒體研究，尤其是基于圖像的應(yīng)用和研究帶來了新的挑戰(zhàn)和機(jī)遇。

數(shù)據(jù)庫是按照數(shù)據(jù)結(jié)構(gòu)來組織、存儲和管理數(shù)據(jù)的倉庫，它產(chǎn)生于距今六十多年前，隨著信息技術(shù)和市場的發(fā)展，特別是二十世紀(jì)九十年代以后，數(shù)據(jù)管理不再僅僅是存儲和管理數(shù)據(jù)，而轉(zhuǎn)變成用戶所需要的各種數(shù)據(jù)管理的方式。數(shù)據(jù)庫有很多種類型，從最簡單的存儲有各種數(shù)據(jù)的表格到能夠進(jìn)行海量數(shù)據(jù)存儲的大型數(shù)據(jù)庫系統(tǒng)都在各個方面得到了廣泛的應(yīng)用。在信息化社會，充分有效地管理和利用各類信息資源，是進(jìn)行科學(xué)研究和決策管理的前提條件。數(shù)據(jù)庫技術(shù)是管理信息系統(tǒng)、辦公自動化系統(tǒng)、決策支持系統(tǒng)等各類信息系統(tǒng)的核心部分，是進(jìn)行科學(xué)研究和決策管理的重要技術(shù)手段。

技術(shù)實現(xiàn)要素：

針對上述問題，本發(fā)明提供一種圖像數(shù)據(jù)庫的管理方法。

本發(fā)明的目的采用以下技術(shù)方案來實現(xiàn)：

一種圖像數(shù)據(jù)庫的管理方法，其特征是，能夠?qū)D像進(jìn)行檢索且能夠?qū)?shù)據(jù)庫管理員操作權(quán)限進(jìn)行控制，對數(shù)據(jù)庫管理員操作權(quán)限進(jìn)行控制通過以下步驟實現(xiàn)：

(1)通過權(quán)限控制接口，對數(shù)據(jù)庫管理員是否為受限狀態(tài)進(jìn)行設(shè)置；

(2)設(shè)置數(shù)據(jù)庫管理員運(yùn)行狀態(tài)；

(3)將數(shù)據(jù)庫管理員的運(yùn)行狀態(tài)保存成為一個布爾值，如果該值為真，則表示數(shù)據(jù)庫管理員運(yùn)行于不能訪問私有對象的受限模式；如果該值為假，則表示數(shù)據(jù)庫管理員運(yùn)行于權(quán)限開放模式。

優(yōu)選地：通過增加SQL語句設(shè)置數(shù)據(jù)庫管理員運(yùn)行狀態(tài)。

優(yōu)選地，其特征在于：通過對所述SQL語句進(jìn)行解析和執(zhí)行，將數(shù)據(jù)庫管理員的運(yùn)行狀態(tài)保存成為布爾值。

本發(fā)明的有益效果為：通過關(guān)鍵詞和標(biāo)記的運(yùn)用，預(yù)先將數(shù)據(jù)庫劃分為多個子數(shù)據(jù)庫，檢索時先在相關(guān)度高的子數(shù)據(jù)庫中進(jìn)行檢索，減少了計算量，提高了運(yùn)算速度；基于單詞包表示圖像時，提出了加權(quán)表示和第一視覺相似度，減少了時間開銷；基于特征組合表示圖像時，利用了局部特征之間的空間包含關(guān)系，提出將相關(guān)的局部特征組合在一起以增強(qiáng)其視覺表達(dá)能力；該特征組合不但具有良好的尺度和旋轉(zhuǎn)不變性，而且還能夠自然地利用各特征元素之間的相對位置信息進(jìn)行局部幾何校驗，剔除可能存在的錯誤匹配，以提高圖像檢索的準(zhǔn)確率；特征量化以及組合表達(dá)大幅地提高了檢索的精度。

附圖說明

利用附圖對本發(fā)明作進(jìn)一步說明，但附圖中的實施例不構(gòu)成對本發(fā)明的任何限制，對于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得其它的附圖。

圖1是一種圖像數(shù)據(jù)庫的管理方法的示意圖。

圖2是一種圖像數(shù)據(jù)庫的管理方法的另一示意圖。

具體實施方式

結(jié)合以下實施例對本發(fā)明作進(jìn)一步描述。

實施例1：一種圖像數(shù)據(jù)庫的管理方法，其特征是，能夠?qū)D像進(jìn)行檢索且能夠?qū)?shù)據(jù)庫管理員操作權(quán)限進(jìn)行控制，對數(shù)據(jù)庫管理員操作權(quán)限進(jìn)行控制通過以下步驟實現(xiàn)：

(1)通過權(quán)限控制接口，對數(shù)據(jù)庫管理員是否為受限狀態(tài)進(jìn)行設(shè)置；

(2)設(shè)置數(shù)據(jù)庫管理員運(yùn)行狀態(tài)；

(3)將數(shù)據(jù)庫管理員的運(yùn)行狀態(tài)保存成為一個布爾值，如果該值為真，則表示數(shù)據(jù)庫管理員運(yùn)行于不能訪問私有對象的受限模式；如果該值為假，則表示數(shù)據(jù)庫管理員運(yùn)行于權(quán)限開放模式。

優(yōu)選地：通過增加SQL語句設(shè)置數(shù)據(jù)庫管理員運(yùn)行狀態(tài)。

優(yōu)選地，其特征在于：通過對所述SQL語句進(jìn)行解析和執(zhí)行，將數(shù)據(jù)庫管理員的運(yùn)行狀態(tài)保存成為布爾值。

優(yōu)選地，其特征是，圖像檢索通過以下步驟實現(xiàn)：

(1)由云服務(wù)器獲取信息數(shù)據(jù)，將圖像信息和非圖像信息進(jìn)行分類后，分別儲存到圖像數(shù)據(jù)庫和非圖像數(shù)據(jù)庫中，并將來源相同的圖像信息和非圖像信息作標(biāo)記；

(2)將非圖像數(shù)據(jù)庫按照預(yù)先設(shè)定的多個關(guān)鍵詞劃分為多個第一子數(shù)據(jù)庫，同時按照所述關(guān)鍵詞對非圖像信息進(jìn)行分類，分別儲存到對應(yīng)的所述第一子數(shù)據(jù)庫中，未匹配到關(guān)鍵詞的非圖像信息單獨(dú)劃分為一類；

(3)將圖像數(shù)據(jù)庫按照所述關(guān)鍵詞劃分為多個第二子數(shù)據(jù)庫，并對圖像信息根據(jù)與其來源相同的非圖像信息進(jìn)行分類，分別儲存到對應(yīng)所述第二子數(shù)據(jù)庫中，無來源相同標(biāo)記的圖像信息，或者其對應(yīng)的非圖像信息未匹配到關(guān)鍵詞的圖像信息單獨(dú)劃分為一類；

(4)當(dāng)用戶輸入關(guān)鍵詞進(jìn)行檢索時，按照輸入的關(guān)鍵詞與預(yù)先設(shè)定的關(guān)鍵詞的相關(guān)度排序依次在各個第一字?jǐn)?shù)據(jù)庫和第二子數(shù)據(jù)庫中分別進(jìn)行檢索，并分別輸出圖像數(shù)據(jù)和非圖像數(shù)據(jù)的檢索結(jié)果；每個第二子數(shù)據(jù)庫的圖像檢索中還提供了通過輸入查詢圖像I_p來檢索相似圖像的功能，該功能由以下步驟實現(xiàn)：

(1-1)采用SIFT特征對圖像局部區(qū)域進(jìn)行描述；

(1‐2)基于單詞包的圖像表示：

a.采用基于單詞包模型對局部特征進(jìn)行量化，設(shè)由M個局部特征向量組成的樣本空間X＝{x₁,…,x_M}，以無監(jiān)督方式快速聚類生成初始視覺碼本，采用最近鄰策略建立局部特征x_j與相對應(yīng)的視覺單詞的映射關(guān)系，j＝1,…,M；

b.設(shè)碼本空間中包含N個視覺單詞，則任一圖像表示為高維稀疏向量{w₁,…,w_N}，w_i表示視覺單詞i的權(quán)值，i＝1,…,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示該圖像中視覺單詞i出現(xiàn)的次數(shù)，t_i表示圖像數(shù)據(jù)庫中視覺單詞i出現(xiàn)的總次數(shù)，f_i表示圖像數(shù)據(jù)庫中包含視覺單詞i的圖像數(shù)目；

對權(quán)值w_i進(jìn)行歸一化處理，令∑_iδ_i＝1，此時任一圖像的高維稀疏向量表示為{δ₁,…,δ_N}；

c.對于任意兩幅圖像p和q，定義兩幅圖像之間的第一視覺相似度S(p,q)：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{\left(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}\right)}^2}}$

S(p,q)越大，表明兩幅圖像越接近。

優(yōu)選地，其特征是，圖像檢索步驟(4)還包括：

(1‐3)基于特征組合的圖像表示:

a、將包含一個具有較大尺度的主特征和由這個主特征空間覆蓋的若干個具有較小尺度的元素特征的集合定義為特征組合，給定任一圖像P，抽取其包含的特征組合集其中，C_l＝(Z_l,Y_l)；

式中，C_l表示第l個特征組合，Z_l為第l個特征組合的主特征，Y_l為第l個特征組合的一組元素特征，Z_l和Y_l滿足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l對應(yīng)的局部空間區(qū)域完全被主特征C_l的局部空間覆蓋，a(·)表示覆蓋空間區(qū)域的面積；

b、對于任意兩個特征組合C_f(Z_f,Y_f)和C_g(Z_g,Y_g)，定義兩個特征組合的第二視覺相似度R：

當(dāng)cos(Z_f，Z_g)＞T₁時：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)T₁≥cos(Z_f，Z_g)＞T₂時：

R(C_f,C_g)＝0.5{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)cos(Z_f，Z_g)≤T₂時：

R(C_f,C_g)＝0

式中，T₁＝(0.8，1)，T₁＝(0.5，0.8]，cos(·，·)表示兩個特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征數(shù)；

(1‐4)圖像檢索：對于給定的查詢圖像I_p，首先提取其特征組合集，將每個特征的主特征映射到視覺單詞，找出包含該視覺單詞的數(shù)據(jù)庫圖像I_q，計算其與查詢圖像的相似度距離，通過將相似度距離與設(shè)定閾值比較，完成圖像檢索；

所述的相似度距離采用以下公式計算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示兩幅圖像的第一視覺相似度度量，maxR(I_p,I_q)表示對兩幅圖像的所有特征組合進(jìn)行第二視覺相似度度量的最大值。

在本實施例的一種圖像數(shù)據(jù)庫的管理方法中，通過關(guān)鍵詞和標(biāo)記的運(yùn)用，預(yù)先將數(shù)據(jù)庫劃分為多個子數(shù)據(jù)庫，檢索時先在相關(guān)度高的子數(shù)據(jù)庫中進(jìn)行檢索，減少了計算量，提高了運(yùn)算速度；基于單詞包表示圖像時，提出了加權(quán)表示和第一視覺相似度，減少了時間開銷；基于特征組合表示圖像時，利用了局部特征之間的空間包含關(guān)系，提出將相關(guān)的局部特征組合在一起以增強(qiáng)其視覺表達(dá)能力；該特征組合不但具有良好的尺度和旋轉(zhuǎn)不變性，而且還能夠自然地利用各特征元素之間的相對位置信息進(jìn)行局部幾何校驗，剔除可能存在的錯誤匹配，以提高圖像檢索的準(zhǔn)確率；特征量化以及組合表達(dá)大幅地提高了檢索的精度；T₁＝0.95，T₂＝0.78，檢索精度提高了50％，檢索速度提高了1％。

實施例2：一種圖像數(shù)據(jù)庫的管理方法，其特征是，能夠?qū)D像進(jìn)行檢索且能夠?qū)?shù)據(jù)庫管理員操作權(quán)限進(jìn)行控制，對數(shù)據(jù)庫管理員操作權(quán)限進(jìn)行控制通過以下步驟實現(xiàn)：

(1)通過權(quán)限控制接口，對數(shù)據(jù)庫管理員是否為受限狀態(tài)進(jìn)行設(shè)置；

(2)設(shè)置數(shù)據(jù)庫管理員運(yùn)行狀態(tài)；

(3)將數(shù)據(jù)庫管理員的運(yùn)行狀態(tài)保存成為一個布爾值，如果該值為真，則表示數(shù)據(jù)庫管理員運(yùn)行于不能訪問私有對象的受限模式；如果該值為假，則表示數(shù)據(jù)庫管理員運(yùn)行于權(quán)限開放模式。

優(yōu)選地：通過增加SQL語句設(shè)置數(shù)據(jù)庫管理員運(yùn)行狀態(tài)。

優(yōu)選地，其特征在于：通過對所述SQL語句進(jìn)行解析和執(zhí)行，將數(shù)據(jù)庫管理員的運(yùn)行狀態(tài)保存成為布爾值。

優(yōu)選地，其特征是，圖像檢索通過以下步驟實現(xiàn)：

(1)由云服務(wù)器獲取信息數(shù)據(jù)，將圖像信息和非圖像信息進(jìn)行分類后，分別儲存到圖像數(shù)據(jù)庫和非圖像數(shù)據(jù)庫中，并將來源相同的圖像信息和非圖像信息作標(biāo)記；

(2)將非圖像數(shù)據(jù)庫按照預(yù)先設(shè)定的多個關(guān)鍵詞劃分為多個第一子數(shù)據(jù)庫，同時按照所述關(guān)鍵詞對非圖像信息進(jìn)行分類，分別儲存到對應(yīng)的所述第一子數(shù)據(jù)庫中，未匹配到關(guān)鍵詞的非圖像信息單獨(dú)劃分為一類；

(3)將圖像數(shù)據(jù)庫按照所述關(guān)鍵詞劃分為多個第二子數(shù)據(jù)庫，并對圖像信息根據(jù)與其來源相同的非圖像信息進(jìn)行分類，分別儲存到對應(yīng)所述第二子數(shù)據(jù)庫中，無來源相同標(biāo)記的圖像信息，或者其對應(yīng)的非圖像信息未匹配到關(guān)鍵詞的圖像信息單獨(dú)劃分為一類；

(4)當(dāng)用戶輸入關(guān)鍵詞進(jìn)行檢索時，按照輸入的關(guān)鍵詞與預(yù)先設(shè)定的關(guān)鍵詞的相關(guān)度排序依次在各個第一字?jǐn)?shù)據(jù)庫和第二子數(shù)據(jù)庫中分別進(jìn)行檢索，并分別輸出圖像數(shù)據(jù)和非圖像數(shù)據(jù)的檢索結(jié)果；每個第二子數(shù)據(jù)庫的圖像檢索中還提供了通過輸入查詢圖像I_p來檢索相似圖像的功能，該功能由以下步驟實現(xiàn)：

(1-1)采用SIFT特征對圖像局部區(qū)域進(jìn)行描述；

(1‐2)基于單詞包的圖像表示：

a.采用基于單詞包模型對局部特征進(jìn)行量化，設(shè)由M個局部特征向量組成的樣本空間X＝{x₁,…,x_M}，以無監(jiān)督方式快速聚類生成初始視覺碼本，采用最近鄰策略建立局部特征x_j與相對應(yīng)的視覺單詞的映射關(guān)系，j＝1,…,M；

b.設(shè)碼本空間中包含N個視覺單詞，則任一圖像表示為高維稀疏向量{w₁,…,w_N}，w_i表示視覺單詞i的權(quán)值，i＝1,…,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示該圖像中視覺單詞i出現(xiàn)的次數(shù)，t_i表示圖像數(shù)據(jù)庫中視覺單詞i出現(xiàn)的總次數(shù)，f_i表示圖像數(shù)據(jù)庫中包含視覺單詞i的圖像數(shù)目；

對權(quán)值w_i進(jìn)行歸一化處理，令∑_iδ_i＝1，此時任一圖像的高維稀疏向量表示為{δ₁,…,δ_N}；

c.對于任意兩幅圖像p和q，定義兩幅圖像之間的第一視覺相似度S(p,q)：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{\left(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}\right)}^2}}$

S(p,q)越大，表明兩幅圖像越接近。

優(yōu)選地，其特征是，圖像檢索步驟(4)還包括：

(1‐3)基于特征組合的圖像表示:

a、將包含一個具有較大尺度的主特征和由這個主特征空間覆蓋的若干個具有較小尺度的元素特征的集合定義為特征組合，給定任一圖像P，抽取其包含的特征組合集其中，C_l＝(Z_l,Y_l)；

式中，C_l表示第l個特征組合，Z_l為第l個特征組合的主特征，Y_l為第l個特征組合的一組元素特征，Z_l和Y_l滿足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l對應(yīng)的局部空間區(qū)域完全被主特征C_l的局部空間覆蓋，a(·)表示覆蓋空間區(qū)域的面積；

b、對于任意兩個特征組合C_f(Z_f,Y_f)和C_g(Z_g,Y_g)，定義兩個特征組合的第二視覺相似度R：

當(dāng)cos(Z_f，Z_g)＞T₁時：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)T₁≥cos(Z_f，Z_g)＞T₂時：

R(C_f,C_g)＝0.5{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)cos(Z_f，Z_g)≤T₂時：

R(C_f,C_g)＝0

式中，T₁＝(0.8，1)，T₁＝(0.5，0.8]，cos(·，·)表示兩個特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征數(shù)；

(1‐4)圖像檢索：對于給定的查詢圖像I_p，首先提取其特征組合集，將每個特征的主特征映射到視覺單詞，找出包含該視覺單詞的數(shù)據(jù)庫圖像I_q，計算其與查詢圖像的相似度距離，通過將相似度距離與設(shè)定閾值比較，完成圖像檢索；

所述的相似度距離采用以下公式計算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示兩幅圖像的第一視覺相似度度量，maxR(I_p,I_q)表示對兩幅圖像的所有特征組合進(jìn)行第二視覺相似度度量的最大值。

在本實施例的一種圖像數(shù)據(jù)庫的管理方法中，通過關(guān)鍵詞和標(biāo)記的運(yùn)用，預(yù)先將數(shù)據(jù)庫劃分為多個子數(shù)據(jù)庫，檢索時先在相關(guān)度高的子數(shù)據(jù)庫中進(jìn)行檢索，減少了計算量，提高了運(yùn)算速度；基于單詞包表示圖像時，提出了加權(quán)表示和第一視覺相似度，減少了時間開銷；基于特征組合表示圖像時，利用了局部特征之間的空間包含關(guān)系，提出將相關(guān)的局部特征組合在一起以增強(qiáng)其視覺表達(dá)能力；該特征組合不但具有良好的尺度和旋轉(zhuǎn)不變性，而且還能夠自然地利用各特征元素之間的相對位置信息進(jìn)行局部幾何校驗，剔除可能存在的錯誤匹配，以提高圖像檢索的準(zhǔn)確率；特征量化以及組合表達(dá)大幅地提高了檢索的精度；T₁＝0.95，T₂＝0.78，檢索精度提高了50％，檢索速度提高了1％。

實施例3：一種圖像數(shù)據(jù)庫的管理方法，其特征是，能夠?qū)D像進(jìn)行檢索且能夠?qū)?shù)據(jù)庫管理員操作權(quán)限進(jìn)行控制，對數(shù)據(jù)庫管理員操作權(quán)限進(jìn)行控制通過以下步驟實現(xiàn)：

(1)通過權(quán)限控制接口，對數(shù)據(jù)庫管理員是否為受限狀態(tài)進(jìn)行設(shè)置；

(2)設(shè)置數(shù)據(jù)庫管理員運(yùn)行狀態(tài)；

(3)將數(shù)據(jù)庫管理員的運(yùn)行狀態(tài)保存成為一個布爾值，如果該值為真，則表示數(shù)據(jù)庫管理員運(yùn)行于不能訪問私有對象的受限模式；如果該值為假，則表示數(shù)據(jù)庫管理員運(yùn)行于權(quán)限開放模式。

優(yōu)選地：通過增加SQL語句設(shè)置數(shù)據(jù)庫管理員運(yùn)行狀態(tài)。

優(yōu)選地，其特征在于：通過對所述SQL語句進(jìn)行解析和執(zhí)行，將數(shù)據(jù)庫管理員的運(yùn)行狀態(tài)保存成為布爾值。

優(yōu)選地，其特征是，圖像檢索通過以下步驟實現(xiàn)：

(1)由云服務(wù)器獲取信息數(shù)據(jù)，將圖像信息和非圖像信息進(jìn)行分類后，分別儲存到圖像數(shù)據(jù)庫和非圖像數(shù)據(jù)庫中，并將來源相同的圖像信息和非圖像信息作標(biāo)記；

(2)將非圖像數(shù)據(jù)庫按照預(yù)先設(shè)定的多個關(guān)鍵詞劃分為多個第一子數(shù)據(jù)庫，同時按照所述關(guān)鍵詞對非圖像信息進(jìn)行分類，分別儲存到對應(yīng)的所述第一子數(shù)據(jù)庫中，未匹配到關(guān)鍵詞的非圖像信息單獨(dú)劃分為一類；

(3)將圖像數(shù)據(jù)庫按照所述關(guān)鍵詞劃分為多個第二子數(shù)據(jù)庫，并對圖像信息根據(jù)與其來源相同的非圖像信息進(jìn)行分類，分別儲存到對應(yīng)所述第二子數(shù)據(jù)庫中，無來源相同標(biāo)記的圖像信息，或者其對應(yīng)的非圖像信息未匹配到關(guān)鍵詞的圖像信息單獨(dú)劃分為一類；

(4)當(dāng)用戶輸入關(guān)鍵詞進(jìn)行檢索時，按照輸入的關(guān)鍵詞與預(yù)先設(shè)定的關(guān)鍵詞的相關(guān)度排序依次在各個第一字?jǐn)?shù)據(jù)庫和第二子數(shù)據(jù)庫中分別進(jìn)行檢索，并分別輸出圖像數(shù)據(jù)和非圖像數(shù)據(jù)的檢索結(jié)果；每個第二子數(shù)據(jù)庫的圖像檢索中還提供了通過輸入查詢圖像I_p來檢索相似圖像的功能，該功能由以下步驟實現(xiàn)：

(1-1)采用SIFT特征對圖像局部區(qū)域進(jìn)行描述；

(1‐2)基于單詞包的圖像表示：

a.采用基于單詞包模型對局部特征進(jìn)行量化，設(shè)由M個局部特征向量組成的樣本空間X＝{x₁,…,x_M}，以無監(jiān)督方式快速聚類生成初始視覺碼本，采用最近鄰策略建立局部特征x_j與相對應(yīng)的視覺單詞的映射關(guān)系，j＝1,…,M；

b.設(shè)碼本空間中包含N個視覺單詞，則任一圖像表示為高維稀疏向量{w₁,…,w_N}，w_i表示視覺單詞i的權(quán)值，i＝1,…,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示該圖像中視覺單詞i出現(xiàn)的次數(shù)，t_i表示圖像數(shù)據(jù)庫中視覺單詞i出現(xiàn)的總次數(shù)，f_i表示圖像數(shù)據(jù)庫中包含視覺單詞i的圖像數(shù)目；

對權(quán)值w_i進(jìn)行歸一化處理，令∑_iδ_i＝1，此時任一圖像的高維稀疏向量表示為{δ₁,…,δ_N}；

c.對于任意兩幅圖像p和q，定義兩幅圖像之間的第一視覺相似度S(p,q)：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{\left(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}\right)}^2}}$

S(p,q)越大，表明兩幅圖像越接近。

優(yōu)選地，其特征是，圖像檢索步驟(4)還包括：

(1‐3)基于特征組合的圖像表示:

a、將包含一個具有較大尺度的主特征和由這個主特征空間覆蓋的若干個具有較小尺度的元素特征的集合定義為特征組合，給定任一圖像P，抽取其包含的特征組合集其中，C_l＝(Z_l,Y_l)；

式中，C_l表示第l個特征組合，Z_l為第l個特征組合的主特征，Y_l為第l個特征組合的一組元素特征，Z_l和Y_l滿足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l對應(yīng)的局部空間區(qū)域完全被主特征C_l的局部空間覆蓋，a(·)表示覆蓋空間區(qū)域的面積；

b、對于任意兩個特征組合C_f(Z_f,Y_f)和C_g(Z_g,Y_g)，定義兩個特征組合的第二視覺相似度R：

當(dāng)cos(Z_f，Z_g)＞T₁時：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)T₁≥cos(Z_f，Z_g)＞T₂時：

R(C_f,C_g)＝0.5{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)cos(Z_f，Z_g)≤T₂時：

R(C_f,C_g)＝0

式中，T₁＝(0.8，1)，T₁＝(0.5，0.8]，cos(·，·)表示兩個特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征數(shù)；

(1‐4)圖像檢索：對于給定的查詢圖像I_p，首先提取其特征組合集，將每個特征的主特征映射到視覺單詞，找出包含該視覺單詞的數(shù)據(jù)庫圖像I_q，計算其與查詢圖像的相似度距離，通過將相似度距離與設(shè)定閾值比較，完成圖像檢索；

所述的相似度距離采用以下公式計算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示兩幅圖像的第一視覺相似度度量，maxR(I_p,I_q)表示對兩幅圖像的所有特征組合進(jìn)行第二視覺相似度度量的最大值。

在本實施例的一種圖像數(shù)據(jù)庫的管理方法中，通過關(guān)鍵詞和標(biāo)記的運(yùn)用，預(yù)先將數(shù)據(jù)庫劃分為多個子數(shù)據(jù)庫，檢索時先在相關(guān)度高的子數(shù)據(jù)庫中進(jìn)行檢索，減少了計算量，提高了運(yùn)算速度；基于單詞包表示圖像時，提出了加權(quán)表示和第一視覺相似度，減少了時間開銷；基于特征組合表示圖像時，利用了局部特征之間的空間包含關(guān)系，提出將相關(guān)的局部特征組合在一起以增強(qiáng)其視覺表達(dá)能力；該特征組合不但具有良好的尺度和旋轉(zhuǎn)不變性，而且還能夠自然地利用各特征元素之間的相對位置信息進(jìn)行局部幾何校驗，剔除可能存在的錯誤匹配，以提高圖像檢索的準(zhǔn)確率；特征量化以及組合表達(dá)大幅地提高了檢索的精度；T₁＝0.95，T₂＝0.78，檢索精度提高了50％，檢索速度提高了1％。

實施例4：一種圖像數(shù)據(jù)庫的管理方法，其特征是，能夠?qū)D像進(jìn)行檢索且能夠?qū)?shù)據(jù)庫管理員操作權(quán)限進(jìn)行控制，對數(shù)據(jù)庫管理員操作權(quán)限進(jìn)行控制通過以下步驟實現(xiàn)：

(1)通過權(quán)限控制接口，對數(shù)據(jù)庫管理員是否為受限狀態(tài)進(jìn)行設(shè)置；

(2)設(shè)置數(shù)據(jù)庫管理員運(yùn)行狀態(tài)；

(3)將數(shù)據(jù)庫管理員的運(yùn)行狀態(tài)保存成為一個布爾值，如果該值為真，則表示數(shù)據(jù)庫管理員運(yùn)行于不能訪問私有對象的受限模式；如果該值為假，則表示數(shù)據(jù)庫管理員運(yùn)行于權(quán)限開放模式。

優(yōu)選地：通過增加SQL語句設(shè)置數(shù)據(jù)庫管理員運(yùn)行狀態(tài)。

優(yōu)選地，其特征在于：通過對所述SQL語句進(jìn)行解析和執(zhí)行，將數(shù)據(jù)庫管理員的運(yùn)行狀態(tài)保存成為布爾值。

優(yōu)選地，其特征是，圖像檢索通過以下步驟實現(xiàn)：

(1)由云服務(wù)器獲取信息數(shù)據(jù)，將圖像信息和非圖像信息進(jìn)行分類后，分別儲存到圖像數(shù)據(jù)庫和非圖像數(shù)據(jù)庫中，并將來源相同的圖像信息和非圖像信息作標(biāo)記；

(2)將非圖像數(shù)據(jù)庫按照預(yù)先設(shè)定的多個關(guān)鍵詞劃分為多個第一子數(shù)據(jù)庫，同時按照所述關(guān)鍵詞對非圖像信息進(jìn)行分類，分別儲存到對應(yīng)的所述第一子數(shù)據(jù)庫中，未匹配到關(guān)鍵詞的非圖像信息單獨(dú)劃分為一類；

(3)將圖像數(shù)據(jù)庫按照所述關(guān)鍵詞劃分為多個第二子數(shù)據(jù)庫，并對圖像信息根據(jù)與其來源相同的非圖像信息進(jìn)行分類，分別儲存到對應(yīng)所述第二子數(shù)據(jù)庫中，無來源相同標(biāo)記的圖像信息，或者其對應(yīng)的非圖像信息未匹配到關(guān)鍵詞的圖像信息單獨(dú)劃分為一類；

(4)當(dāng)用戶輸入關(guān)鍵詞進(jìn)行檢索時，按照輸入的關(guān)鍵詞與預(yù)先設(shè)定的關(guān)鍵詞的相關(guān)度排序依次在各個第一字?jǐn)?shù)據(jù)庫和第二子數(shù)據(jù)庫中分別進(jìn)行檢索，并分別輸出圖像數(shù)據(jù)和非圖像數(shù)據(jù)的檢索結(jié)果；每個第二子數(shù)據(jù)庫的圖像檢索中還提供了通過輸入查詢圖像I_p來檢索相似圖像的功能，該功能由以下步驟實現(xiàn)：

(1-1)采用SIFT特征對圖像局部區(qū)域進(jìn)行描述；

(1‐2)基于單詞包的圖像表示：

a.采用基于單詞包模型對局部特征進(jìn)行量化，設(shè)由M個局部特征向量組成的樣本空間X＝{x₁,…,x_M}，以無監(jiān)督方式快速聚類生成初始視覺碼本，采用最近鄰策略建立局部特征x_j與相對應(yīng)的視覺單詞的映射關(guān)系，j＝1,…,M；

b.設(shè)碼本空間中包含N個視覺單詞，則任一圖像表示為高維稀疏向量{w₁,…,w_N}，w_i表示視覺單詞i的權(quán)值，i＝1,…,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示該圖像中視覺單詞i出現(xiàn)的次數(shù)，t_i表示圖像數(shù)據(jù)庫中視覺單詞i出現(xiàn)的總次數(shù)，f_i表示圖像數(shù)據(jù)庫中包含視覺單詞i的圖像數(shù)目；

對權(quán)值w_i進(jìn)行歸一化處理，令∑_iδ_i＝1，此時任一圖像的高維稀疏向量表示為{δ₁,…,δ_N}；

c.對于任意兩幅圖像p和q，定義兩幅圖像之間的第一視覺相似度S(p,q)：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{\left(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}\right)}^2}}$

S(p,q)越大，表明兩幅圖像越接近。

優(yōu)選地，其特征是，圖像檢索步驟(4)還包括：

(1‐3)基于特征組合的圖像表示:

a、將包含一個具有較大尺度的主特征和由這個主特征空間覆蓋的若干個具有較小尺度的元素特征的集合定義為特征組合，給定任一圖像P，抽取其包含的特征組合集其中，C_l＝(Z_l,Y_l)；

式中，C_l表示第l個特征組合，Z_l為第l個特征組合的主特征，Y_l為第l個特征組合的一組元素特征，Z_l和Y_l滿足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l對應(yīng)的局部空間區(qū)域完全被主特征C_l的局部空間覆蓋，a(·)表示覆蓋空間區(qū)域的面積；

b、對于任意兩個特征組合C_f(Z_f,Y_f)和C_g(Z_g,Y_g)，定義兩個特征組合的第二視覺相似度R：

當(dāng)cos(Z_f，Z_g)＞T₁時：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)T₁≥cos(Z_f，Z_g)＞T₂時：

R(C_f,C_g)＝0.5{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)cos(Z_f，Z_g)≤T₂時：

R(C_f,C_g)＝0

式中，T₁＝(0.8，1)，T₁＝(0.5，0.8]，cos(·，·)表示兩個特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征數(shù)；

(1‐4)圖像檢索：對于給定的查詢圖像I_p，首先提取其特征組合集，將每個特征的主特征映射到視覺單詞，找出包含該視覺單詞的數(shù)據(jù)庫圖像I_q，計算其與查詢圖像的相似度距離，通過將相似度距離與設(shè)定閾值比較，完成圖像檢索；

所述的相似度距離采用以下公式計算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示兩幅圖像的第一視覺相似度度量，maxR(I_p,I_q)表示對兩幅圖像的所有特征組合進(jìn)行第二視覺相似度度量的最大值。

在本實施例的一種圖像數(shù)據(jù)庫的管理方法中，通過關(guān)鍵詞和標(biāo)記的運(yùn)用，預(yù)先將數(shù)據(jù)庫劃分為多個子數(shù)據(jù)庫，檢索時先在相關(guān)度高的子數(shù)據(jù)庫中進(jìn)行檢索，減少了計算量，提高了運(yùn)算速度；基于單詞包表示圖像時，提出了加權(quán)表示和第一視覺相似度，減少了時間開銷；基于特征組合表示圖像時，利用了局部特征之間的空間包含關(guān)系，提出將相關(guān)的局部特征組合在一起以增強(qiáng)其視覺表達(dá)能力；該特征組合不但具有良好的尺度和旋轉(zhuǎn)不變性，而且還能夠自然地利用各特征元素之間的相對位置信息進(jìn)行局部幾何校驗，剔除可能存在的錯誤匹配，以提高圖像檢索的準(zhǔn)確率；特征量化以及組合表達(dá)大幅地提高了檢索的精度；T₁＝0.95，T₂＝0.78，檢索精度提高了50％，檢索速度提高了1％。

實施例5：一種圖像數(shù)據(jù)庫的管理方法，其特征是，能夠?qū)D像進(jìn)行檢索且能夠?qū)?shù)據(jù)庫管理員操作權(quán)限進(jìn)行控制，對數(shù)據(jù)庫管理員操作權(quán)限進(jìn)行控制通過以下步驟實現(xiàn)：

(1)通過權(quán)限控制接口，對數(shù)據(jù)庫管理員是否為受限狀態(tài)進(jìn)行設(shè)置；

(2)設(shè)置數(shù)據(jù)庫管理員運(yùn)行狀態(tài)；

(3)將數(shù)據(jù)庫管理員的運(yùn)行狀態(tài)保存成為一個布爾值，如果該值為真，則表示數(shù)據(jù)庫管理員運(yùn)行于不能訪問私有對象的受限模式；如果該值為假，則表示數(shù)據(jù)庫管理員運(yùn)行于權(quán)限開放模式。

優(yōu)選地：通過增加SQL語句設(shè)置數(shù)據(jù)庫管理員運(yùn)行狀態(tài)。

優(yōu)選地，其特征在于：通過對所述SQL語句進(jìn)行解析和執(zhí)行，將數(shù)據(jù)庫管理員的運(yùn)行狀態(tài)保存成為布爾值。

優(yōu)選地，其特征是，圖像檢索通過以下步驟實現(xiàn)：

(1)由云服務(wù)器獲取信息數(shù)據(jù)，將圖像信息和非圖像信息進(jìn)行分類后，分別儲存到圖像數(shù)據(jù)庫和非圖像數(shù)據(jù)庫中，并將來源相同的圖像信息和非圖像信息作標(biāo)記；

(2)將非圖像數(shù)據(jù)庫按照預(yù)先設(shè)定的多個關(guān)鍵詞劃分為多個第一子數(shù)據(jù)庫，同時按照所述關(guān)鍵詞對非圖像信息進(jìn)行分類，分別儲存到對應(yīng)的所述第一子數(shù)據(jù)庫中，未匹配到關(guān)鍵詞的非圖像信息單獨(dú)劃分為一類；

(3)將圖像數(shù)據(jù)庫按照所述關(guān)鍵詞劃分為多個第二子數(shù)據(jù)庫，并對圖像信息根據(jù)與其來源相同的非圖像信息進(jìn)行分類，分別儲存到對應(yīng)所述第二子數(shù)據(jù)庫中，無來源相同標(biāo)記的圖像信息，或者其對應(yīng)的非圖像信息未匹配到關(guān)鍵詞的圖像信息單獨(dú)劃分為一類；

(4)當(dāng)用戶輸入關(guān)鍵詞進(jìn)行檢索時，按照輸入的關(guān)鍵詞與預(yù)先設(shè)定的關(guān)鍵詞的相關(guān)度排序依次在各個第一字?jǐn)?shù)據(jù)庫和第二子數(shù)據(jù)庫中分別進(jìn)行檢索，并分別輸出圖像數(shù)據(jù)和非圖像數(shù)據(jù)的檢索結(jié)果；每個第二子數(shù)據(jù)庫的圖像檢索中還提供了通過輸入查詢圖像I_p來檢索相似圖像的功能，該功能由以下步驟實現(xiàn)：

(1-1)采用SIFT特征對圖像局部區(qū)域進(jìn)行描述；

(1‐2)基于單詞包的圖像表示：

a.采用基于單詞包模型對局部特征進(jìn)行量化，設(shè)由M個局部特征向量組成的樣本空間X＝{x₁,…,x_M}，以無監(jiān)督方式快速聚類生成初始視覺碼本，采用最近鄰策略建立局部特征x_j與相對應(yīng)的視覺單詞的映射關(guān)系，j＝1,…,M；

b.設(shè)碼本空間中包含N個視覺單詞，則任一圖像表示為高維稀疏向量{w₁,…,w_N}，w_i表示視覺單詞i的權(quán)值，i＝1,…,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示該圖像中視覺單詞i出現(xiàn)的次數(shù)，t_i表示圖像數(shù)據(jù)庫中視覺單詞i出現(xiàn)的總次數(shù)，f_i表示圖像數(shù)據(jù)庫中包含視覺單詞i的圖像數(shù)目；

對權(quán)值w_i進(jìn)行歸一化處理，令∑_iδ_i＝1，此時任一圖像的高維稀疏向量表示為{δ₁,…,δ_N}；

c.對于任意兩幅圖像p和q，定義兩幅圖像之間的第一視覺相似度S(p,q)：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{\left(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}\right)}^2}}$

S(p,q)越大，表明兩幅圖像越接近。

優(yōu)選地，其特征是，圖像檢索步驟(4)還包括：

(1‐3)基于特征組合的圖像表示:

a、將包含一個具有較大尺度的主特征和由這個主特征空間覆蓋的若干個具有較小尺度的元素特征的集合定義為特征組合，給定任一圖像P，抽取其包含的特征組合集其中，C_l＝(Z_l,Y_l)；

式中，C_l表示第l個特征組合，Z_l為第l個特征組合的主特征，Y_l為第l個特征組合的一組元素特征，Z_l和Y_l滿足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l對應(yīng)的局部空間區(qū)域完全被主特征C_l的局部空間覆蓋，a(·)表示覆蓋空間區(qū)域的面積；

b、對于任意兩個特征組合C_f(Z_f,Y_f)和C_g(Z_g,Y_g)，定義兩個特征組合的第二視覺相似度R：

當(dāng)cos(Z_f，Z_g)＞T₁時：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)T₁≥cos(Z_f，Z_g)＞T₂時：

R(C_f,C_g)＝0.5{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

當(dāng)cos(Z_f，Z_g)≤T₂時：

R(C_f,C_g)＝0

式中，T₁＝(0.8，1)，T₁＝(0.5，0.8]，cos(·，·)表示兩個特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征數(shù)；

(1‐4)圖像檢索：對于給定的查詢圖像I_p，首先提取其特征組合集，將每個特征的主特征映射到視覺單詞，找出包含該視覺單詞的數(shù)據(jù)庫圖像I_q，計算其與查詢圖像的相似度距離，通過將相似度距離與設(shè)定閾值比較，完成圖像檢索；

所述的相似度距離采用以下公式計算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示兩幅圖像的第一視覺相似度度量，maxR(I_p,I_q)表示對兩幅圖像的所有特征組合進(jìn)行第二視覺相似度度量的最大值。

在本實施例的一種圖像數(shù)據(jù)庫的管理方法中，通過關(guān)鍵詞和標(biāo)記的運(yùn)用，預(yù)先將數(shù)據(jù)庫劃分為多個子數(shù)據(jù)庫，檢索時先在相關(guān)度高的子數(shù)據(jù)庫中進(jìn)行檢索，減少了計算量，提高了運(yùn)算速度；基于單詞包表示圖像時，提出了加權(quán)表示和第一視覺相似度，減少了時間開銷；基于特征組合表示圖像時，利用了局部特征之間的空間包含關(guān)系，提出將相關(guān)的局部特征組合在一起以增強(qiáng)其視覺表達(dá)能力；該特征組合不但具有良好的尺度和旋轉(zhuǎn)不變性，而且還能夠自然地利用各特征元素之間的相對位置信息進(jìn)行局部幾何校驗，剔除可能存在的錯誤匹配，以提高圖像檢索的準(zhǔn)確率；特征量化以及組合表達(dá)大幅地提高了檢索的精度；T₁＝0.95，T₂＝0.78，檢索精度提高了50％，檢索速度提高了1％。

最后應(yīng)當(dāng)說明的是，以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對本發(fā)明保護(hù)范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細(xì)地說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實質(zhì)和范圍。