CN106407323A - 一种基于差异度空间距离的图片检索方法 - Google Patents

Abstract

本发明涉及一种基于差异度空间距离的图片检索方法，该方法包括如下步骤：(1)采用特征量识别模型提取待检索的图片的特征量；(2)计算待检索的图片的特征量与待检索的图片库中的每个图片的差异度空间距离值；(3)对计算的差异度空间距离值进行排序并将差异度空间距离值小于设定值的图片作为检索结果并输出。与现有技术相比，本发明图片检索准确率高。

Description

一种基于差异度空间距离的图片检索方法

技术领域

本发明涉及一种图片检索方法，尤其是涉及一种基于差异度空间距离的图片检索方法。

背景技术

在很多应用中，基于内容的图片检索(即以图搜图)是重要的一个环节，但是这个问题至今仍然是困难的，原因在于现实中的图片有太多的复杂性：不同的视角、不同的光照强度、不同的背景、不同的色调以及实际图片中可能出现的部分遮挡。

在进行图片检索时寻找两个图片之间的相似度度量是关键部分，不恰当的度量可能导致掩盖关键特征，得不到有用的结果。而正确反映图片差异的度量，会提高准确率，在实际使用场景中也会具有更好的稳定性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于差异度空间距离的图片检索方法。

本发明的目的可以通过以下技术方案来实现：

一种基于差异度空间距离的图片检索方法，该方法包括如下步骤：

(1)采用特征量识别模型提取待检索的图片的特征量；

(2)计算待检索的图片的特征量与待检索的图片库中的每个图片的差异度空间距离值；

(3)对计算的差异度空间距离值进行排序并将差异度空间距离值小于设定值的图片作为检索结果并输出。

所述的特征量识别模型为深度卷积神经网络特征量识别模型。

所述的图片的特征量包括颜色特征、形状特征和纹理特征。

步骤(2)中的差异度空间距离值通过计算两个图片特征量的余弦相似性得到，具体为：

(201)将两个图片的特征量表示为向量形式，分别为a＝(x₁₁，x₁₂，……x_1n)以及b＝(x₂₁，x₂₂，……x_2n)，向量中的元素记作x_ij，x_ij表示第i个图片的第j个特征量，i＝1,2，j＝1,2，……n，n为特征量总个数；

(202)求取向量a和b的余弦相似性A作为两个图片的差异度空间距离值，所述的余弦相似性A通过下式计算得到：

步骤(3)计算的差异度空间距离值按照从小到大顺序进行排序，差异度空间距离值越小，两个图片相似度越高。

与现有技术相比，本发明具有如下优点：

(1)采用深度卷积神经网络特征量识别模型对图片特这个量进行识别，识别准确率高，提高后续采用特征量计算差异度空间距离值的准确性；

(2)采用两个图片的余弦相似性作为差异度空间距离值差异度空间距离值，提高度量准确率，使得检索的图片更加准确，在不同的实际应用场景中具有很好的效果。

附图说明

图1为基于差异度空间距离的图片检索方法的流程框图。

图2和图3分别为实施例中的实验结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

在Joint Embeddings of Shapes and Images via CNN Image Purification(SIGGRAPH Asia 2015)论文中，作者提出了一种基于高维空间的图片检索方法，其中最重要的部分之一就是高维空间的定义，文章中距离的度量采用的是朴素的欧几里德几何距离，然而稍微分析之后就可以发现这种简单的度量并不是最佳方案。

首先，不同属性明显是不同的，彼此不能替代。例如，二维样本(身高,体重)，有三个样本：a(180,50)，b(190,50)，c(180,60)。那么a与b之间的欧氏距离等于a与c之间的欧氏距离，但是身高的10cm真的等价于体重的10kg吗，因此简单地用欧氏距离来衡量这些样本间的相似度很有问题。同样，图片的不同像素点也是不同的，彼此不可替代。

第二：不同属性值的变化范围是不同的，因而数值变化范围大的属性将显著地影响相似度，所以需要将各属性归一化。例如，加入用向量(字数,影响力因子)来度量论文之间的差异，显然简单的欧式距离会认为字数差别大的文章差异也大，这显然是不合理的。在图片识别中，同样一匹马，在深色和浅色背景中的两张图片，由于背景像素数值的差异，欧式距离会认为这两张图片的距离很大，然而这明显与我们的本意不相符。

本实施例基于差异度空间距离的图片检索方法的流程框图如图1所示，该方法包括如下步骤：

步骤1：采用特征量识别模型提取待检索的图片的特征量；

步骤2：计算待检索的图片的特征量与待检索的图片库中的每个图片的差异度空间距离值；

步骤3：对计算的差异度空间距离值进行排序并将差异度空间距离值小于设定值的图片作为检索结果并输出。

所述的特征量识别模型为深度卷积神经网络特征量识别模型。

所述的图片的特征量包括颜色特征、形状特征和纹理特征。

考虑同一张图片在不同颜色背景之下，像素点的值的变化是无关紧要的，相互之间的关系才是核心的区别，这种区别可以很好地用图片特征量向量的余弦相似性来度量。因此步骤2中的差异度空间距离值通过计算两个图片特征量的余弦相似性得到，具体为：

(201)将两个图片的特征量表示为向量形式，分别为a＝(x₁₁，x₁₂，……x_1n)以及b＝(x₂₁，x₂₂，……x_2n)，向量中的元素记作x_ij，x_ij表示第i个图片的第j个特征量，i＝1,2，j＝1,2，……n，n为特征量总个数；

(202)求取向量a和b的余弦相似性A作为两个图片的差异度空间距离值，所述的余弦相似性A通过下式计算得到：

步骤3计算的差异度空间距离值按照从小到大顺序进行排序，差异度空间距离值越小，两个图片相似度越高。

采用上述方法进行多次实验，图2和图3为选取的其中两次实验的结果。图2中第一行第一个图片为待检索的图片，其余为检索结果。图3中第一行第一个图片为待检索的图片，其余为检索结果。图片检索准确率为81.3％，准确率较高。

Claims (5)

1.一种基于差异度空间距离的图片检索方法，其特征在于，该方法包括如下步骤：

(1)采用特征量识别模型提取待检索的图片的特征量；

(2)计算待检索的图片的特征量与待检索的图片库中的每个图片的差异度空间距离值；

(3)对计算的差异度空间距离值进行排序并将差异度空间距离值小于设定值的图片作为检索结果并输出。

2.根据权利要求1所述的一种基于差异度空间距离的图片检索方法，其特征在于，所述的特征量识别模型为深度卷积神经网络特征量识别模型。

3.根据权利要求1所述的一种基于差异度空间距离的图片检索方法，其特征在于，所述的图片的特征量包括颜色特征、形状特征和纹理特征。

4.根据权利要求1所述的一种基于差异度空间距离的图片检索方法，其特征在于，步骤(2)中的差异度空间距离值通过计算两个图片特征量的余弦相似性得到，具体为：

(201)将两个图片的特征量表示为向量形式，分别为a＝(x₁₁，x₁₂，……x_1n)以及b＝(x₂₁，x₂₂，……x_2n)，向量中的元素记作x_ij，x_ij表示第i个图片的第j个特征量，i＝1,2，j＝1,2，……n，n为特征量总个数；

(202)求取向量a和b的余弦相似性A作为两个图片的差异度空间距离值，所述的余弦相似性A通过下式计算得到：

$A=\frac{x_{11}{x}_{21}+x_{12}{x}_{22}+...+x_{1n}{x}_{2n}}{\sqrt{x_{11}^2+x_{12}^2+\mathrm{...}+x_{1n}^2}\·\sqrt{x_{21}^2+x_{22}^2+\mathrm{...}+x_{2n}^2}}.$

5.根据权利要求4所述的一种基于差异度空间距离的图片检索方法，其特征在于，步骤(3)计算的差异度空间距离值按照从小到大顺序进行排序，差异度空间距离值越小，两个图片相似度越高。