CN103177105A - 一种图像检索方法及装置 - Google Patents

Abstract

本发明实施例提供了一种图像检索方法及装置，提取待检索图像的多个局部特征；从上述多个局部特征中，确定包含的信息量大于预设信息量阈值的高信息量局部特征；从图像库中的图像中，确定出具有与上述高信息量局部特征匹配的局部特征的相似图像，作为上述待检索图像对应的图像检索结果。本发明解决了现有技术中基于待检索图像的局部特征进行图像检索的准确性较低的问题。本发明涉及图像检索技术领域。

Description

一种图像检索方法及装置

技术领域

本发明涉及图像检索技术领域，尤其涉及一种图像检索方法及装置。

背景技术

随着数字化技术的飞速发展，海量的数据信息日益膨胀，图像作为一种内容丰富，表达直观的多媒体信息长期以来一直受到人们的关注。使图像信息资源的管理和检索显得日益重要。图像检索正是在这种背景下应运而生。

传统的基于文本的图像检索（TBIR，Text-based Image Retrieval）技术，首先通过人工对待检索图像用文本进行描述，将该描述作为该待检索图像的文本特征，然后利用基于文本的数据库管理系统进行图像检索，检索操作为基于该待检索图像的文本特征进行精确匹配或概率匹配。TBIR技术在图像的内容比较单一、主题突出时是一种简单易行的方法。然而当图像的数量非常大时，图像场景复杂时，由于依赖于人工对图像进行描述的费时费力，而且人工的描述往往是不准确或不完整的，还不可避免地带有主观偏差。此外，图像中所包含的丰富的视觉特征（颜色或纹理等）往往无法用文本进行客观地描述。

随着图像库规模的日益庞大，人工描述带来的问题变得更加突出，基于内容的图像检索（CBIR，Content-based Image Retrieval）技术应运而生。CBIR技术自动提取每幅图像的视觉内容特征作为其描述，并且在图像检索时，从数据库中查找具有该视觉内容特征的图像。局部特征描述是CBIR技术中图像特征描述的重要方法，局部特征描述从图像的局部结构出发，描述了图像中的局部区域信息，可以使用图像的多个局部特征描述该图像。

由于图像的各个区域之间在像素、颜色或是纹理方面的差异，图像的各个局部特征包含的信息量是不同的。现有技术中，基于CBIR的图像检索技术，使用待检索图像的局部特征进行图像检索，当所使用的局部特征不能准确描述该待检索图像的主要特征时，所检索出来的图像可能不是该待检索图像的相似图像，导致图像检索的准确性较低。

发明内容

本发明实施例提供了一种图像检索方法及装置，用以解决现有技术中基于待检索图像的局部特征进行图像检索的准确性较低的问题。

基于上述问题，本发明实施例提供的一种图像检索方法，包括：

提取待检索图像的多个局部特征；

从所述多个局部特征中，确定包含的信息量大于预设信息量阈值的高信息量局部特征；

从图像库中的图像中，确定出具有与所述高信息量局部特征匹配的局部特征的相似图像，作为所述待检索图像对应的图像检索结果。

本发明实施例提供的一种图像检索装置，包括：

局部特征提取模块，用于提取待检索图像的多个局部特征；

局部特征筛选模块，用于从所述局部特征提取模块提取的所述多个局部特征中，确定包含的信息量大于预设信息量阈值的高信息量局部特征；

局部特征匹配模块，用于从图像库中的图像中，确定出具有与所述高信息量局部特征匹配的局部特征的相似图像，作为所述待检索图像对应的图像检索结果。

本发明实施例的有益效果包括：

本发明实施例提供的一种图像检索方法及装置，从提取出的待检索图像的多个局部特征中，确定包含的信息量大于预设信息量阈值的高信息量局部特征，使用该高信息量局部特征与图像库中的图像的局部特征进行匹配，将具有匹配的局部特征的图像确定为该待检索图像的相似图像。由于该高信息量局部特征所包含的信息量较大，相比包含的信息量较少的局部特征，能够更准确的描述该待检索图像的主要特征，从而使得使用待检索图像的该高信息量局部特征进行图像检索，与现有技术中使用待检索图像的包含的信息量较少的局部特征进行图像检索时相比，提高了图像检索的准确性。

附图说明

图1为本发明实施例提供的一种图像检索方法的流程图；

图2为本发明实施例一提供的一种图像检索方法的流程图；

图3为本发明实施例二提供的一种图像检索方法的流程图；

图4为本发明实施例提供的一种图像检索装置的结构图。

具体实施方式

下面结合说明书附图，对本发明实施例提供的一种图像检索方法及装置的具体实施方式进行说明。

本发明实施例提供的一种图像检索方法，如图1所示，具体包括以下步骤：

S101、提取待检索图像的多个局部特征。

S102、从上述多个局部特征中，确定包含的信息量大于预设信息量阈值的高信息量局部特征。

S103、从图像库中的图像中，确定出具有与上述高信息量局部特征匹配的局部特征的相似图像，作为上述待检索图像对应的图像检索结果。

进一步地，上述步骤S102中，从上述多个局部特征中，确定包含的信息量大于预设信息量阈值的高信息量局部特征可以通过如下方式实现：

第一种方式：分别确定上述多个局部特征各自对应的局部特征区域的像素方差；从上述多个局部特征中，确定像素方差大于预设像素方差阈值的局部特征为高信息量局部特征。

第二种方式：分别确定上述多个局部特征各自对应的局部特征区域的信息熵；从上述多个局部特征中，确定信息熵大于预设信息熵阈值的局部特征为高信息量局部特征。

进一步地，上述步骤S103中，对于提取出的待检索图像的多个局部特征，从图像库中确定该待检索图像的相似图像时，可以指定匹配的局部特征的个数，即当图像库中的某个图像具有指定个数的局部特征与该待检索图像的提取的局部特征匹配时，将该图像作为待检索图像的相似图像。

为了更好的说明本发明提供的一种图像检索方法，本发明提供了具体的实施例：

实施例一：

图2为实施例一提供的一种图像检索方法的流程图，实施例一提供的一种图像检索方法具体步骤如下：

S201、提取待检索图像的多个局部特征。

具体实施时，可以采用现有技术中的尺度不变特征变换（SIFT，ScaleInvariant Feature Transform）算法、加速稳健特征（SURF，Speeded-UP RobustFeature）算法等提取待检索图像的多个局部特征。

S202、分别确定上述多个局部特征各自对应的局部特征区域的像素方差。

本步骤中，可以采用如下方式确定一个局部特征对应的局部特征区域的像素方差，具体步骤包括：

确定该局部特征的局部特征向量；

根据上述局部特征向量的各分量值和上述局部特征向量的维数，确定上述局部特征向量的各分量值的平均值；

根据上述局部特征向量的各分量值，以及确定的上述局部特征向量的各分量值的平均值，确定上述局部特征向量的各分量值的方差或者均方差；

将上述局部特征向量的各分量值的方差或者均方差确定为该局部特征对应的局部特征区域的像素方差。

下面举例说明：

假设采用SIFT算法对待检索图像进行局部特征提取，并为该局部特征生成局部特征对应的128维局部特征向量为F=[f₁ f₂……f₁₂₈]，该局部特征向量F的各分量的平均值为

则

局部特征向量F的各分量值的方差为：

局部特征向量F的各分量值的均方差为：根据实际需要，将局部特征向量F的各分量值的方差或者均方差确定为该局部特征对应的局部特征区域的像素方差；

进一步地，采用SIFT算法为待检索图像提取局部特征时，该局部特征对应的局部特征向量F的分量表征该局部特征对应的局部特征区域中，一个子区域的一个方向的方向梯度，本步骤中，局部特征向量F的各分量值的方差或者均方差越大，表征该局部特征区域中方向梯度值的变化越大，则该局部特征区域包含的信息量越大；

同理，采用其他算法为待检索图像提取局部特征时，该局部特征对应的局部特征向量的某个分量可以表征该局部特征区域中像素的灰度，本步骤中，局部特征向量的各分量值的方差或者均方差越大，表征该局部特征区域中像素的灰度值的变化越大，则该局部特征区域包含的信息量越大。

进一步地，将该像素方差先进行变形（包括加减某个阈值或者乘以某个系数），再与对应的预设像素方差阈值作比对也属于本申请的保护范围。

S203、从上述多个局部特征中，确定像素方差大于预设像素方差阈值的局部特征为高信息量局部特征。

本步骤中，因为局部特征对应的局部特征区域中的像素方差表征了该局部特征区域的指定属性（如像素灰度、子区域向量方向梯度等）的变化程度，该局部特征区域的像素方差越大，表征该局部特征区域的指定属性（如像素灰度、子区域向量方向梯度等）的变化越大，那么该局部特征区域所包含的信息量越大。

S204、获取图像库中的图像的各局部特征。

本步骤中，可以通过提取图像库中的图像的局部特征确定图像库中的图像的各局部特征。

进一步地，该提取图像库中的图像的各局部特征的步骤可以在获取该各局部特征时执行，也可以在获取该各局部特征之前预先执行。

进一步地，对于提取到的图像库中的图像的局部特征可以确定包含的信息量大于预设信息量阈值的高信息量局部特征，用于后续步骤中与待检索图像的局部特征进行匹配。

进一步地，步骤S204的执行与上述步骤S201-S203的执行没有先后顺序，可以先执行步骤S201-S203，再执行步骤S204，也可以先执行步骤S204，再执行步骤S201-S203。

S205、分别确定上述图像库中的图像的各局部特征与上述待检索图像的高信息量局部特征之间的相似度。

本步骤中，可以使用上述图像库中的图像的各局部特征向量与上述待检索图像的高信息量局部特征对应的局部特征向量之间的距离，表征上述图像库中的图像的各局部特征与上述待检索图像的高信息量局部特征之间的相似度。

进一步地，若步骤S204中对于提取到的图像库中的图像的局部特征，确定出了包含的信息量大于预设信息量阈值的高信息量局部特征，则在本步骤中，使用图像库中图像的高信息量局部特征与待检索图像的高信息量局部特征进行相似度确定。

进一步地，当图像库的图像数量较大时，将图像库的图像的局部特征逐一与待检索图像进行局部特征匹配会很耗时，可以利用位置敏感哈希（LSH，Locality Sensitive Hashing）、K维树（KD-TREE，K-dimension tree）等索引方法与本发明实施例相结合进行图像检索。

S206、将图像库中相似度大于预设相似度阈值的局部特征向量对应的局部特征所归属的图像确定为所述待检索图像的相似图像。

本步骤中，若使用图像库中的图像的各局部特征向量与待检索图像的高信息量局部特征对应的局部特征向量之间的距离，表征上述图像库中的图像的各局部特征与上述待检索图像的高信息量局部特征之间的相似度，则在上述S204中获取图像库中的图像的各局部特征的步骤，可以通过如下步骤实现：提取图像库中的图像的局部特征；分别确定提取的图像库中的图像的各局部特征的局部特征向量。

进一步地，可以将图像库中与待检索图像的高信息量局部特征对应的局部特征向量之间的距离小于预设距离阈值的各局部特征向量对应的局部特征所归属的图像，确定为待检索图像的相似图像。

实施例二：

图3为实施例二提供的一种图像检索方法的流程图，实施例二提供的一种图像检索方法具体步骤如下：

S301、提取待检索图像的多个局部特征。

S302、分别确定上述多个局部特征各自对应的局部特征区域的信息熵。

本步骤中，采用如下方式确定一个局部特征对应的局部特征区域的信息熵，具体包括：

$H\left(F\right)=-\underset{i=a}{\overset{b}{\mathrm{\Σ}}}{p}_i\left(F\right){\log }_2{p}_i\left(F\right);$

$p_i\left(F\right)=\frac{\left|\right\{k|f_k=i\}|}{n};$

其中，H(F)为该局部特征对应的局部特征区域的信息熵；

F=[f₁ f₂……f_n]为该局部特征的n维局部特征向量，局部特征向量F中的分量f_k为[a，b]中整数，k为[1，n]中的整数；

p_i(F)表征局部特征向量F的分量中，分量值为i的分量的数量占分量总数的比例。

进一步地，[a，b]可以为步骤S301中提取的特征向量F中的分量f_k的取值范围，也可以为将步骤S301中提取的特征向量F中的分量f_k量化后f_k的取值范围。例如[a，b]可以取[0,255]或者[0,5]等，也就是说，根据提取局部特征并生成特征向量F时，F中的各分量f_k之间的比例关系，将特征向量F中的分量f_k量化为[0,255]或者[0,5]中的值，即f_k的取值范围为[0,255]或者[0,5]。a和b的取值根据实际计算时的需要确定。[a，b]可以确定后续步骤中预设信息熵阈值的值。

下面举例说明：

假设采用SIFT算法对待检索图像进行局部特征提取，并为该局部特征生成局部特征对应的128维局部特征向量为F=[f₁ f₂……f₁₂₈]，且将局部特征向量F中的分量f_k量化为[0，255]中整数，k为[1，128]中的整数，则

$p_i\left(F\right)=\frac{\left|\right\{k|f_k=i\}|}{128},$ $H\left(F\right)=-\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{p}_i\left(F\right){\log }_2{p}_i\left(F\right)$

其中，p_i(F)为取值为i的分量f_k的数量占分量总数128的比例；H(F)为局部特征F对应的局部特征区域的信息熵。

进一步地，采用SIFT算法从待检索图像提取的局部特征，该局部特征对应的局部特征向量F的分量表征该局部特征对应的局部特征区域中，一个子区域的一个方向的方向梯度，本步骤中，局部特征向量F的各分量值的信息熵越大，表征该局部特征区域中各子区域的方向梯度的无序程度越大，则该局部特征区域包含的信息量越大；

同理，采用其他算法从待检索图像提取的局部特征，该局部特征对应的局部特征向量的某个分量可以表征该局部特征区域中像素的灰度，本步骤中，局部特征向量的各分量值的信息熵越大，表征该局部特征区域中灰度值的变化越大，则该局部特征区域包含的信息量越大。

进一步地，将该信息熵的计算方法先进行变形（包括加减某个阈值或者乘以某个系数），再与预设信息熵阈值作比对也属于本申请的保护范围。

S303、从上述多个局部特征中，确定信息熵大于预设信息熵阈值的局部特征为高信息量局部特征。

本步骤中，因为局部特征对应的局部特征区域中的信息熵表征了该局部特征区域的指定属性（如像素灰度、子区域向量方向梯度等）的变化程度，该局部特征区域信息熵越大，表征该局部特征区域的指定属性（如像素灰度、子区域向量方向梯度等）的变化越大，那么该局部特征区域所包含的信息量越大。

进一步地，该预设信息熵阈值可以根据步骤S302中特征向量F中的分量f_k的取值范围确定。

S304、获取图像库中的图像的各高信息量局部特征。

本步骤中，可以采用如下步骤确定图像库中的图像的各高信息量局部特征：提取图像库中的图像的局部特征；从图像库中的图像的多个局部特征中，确定包含的信息量大于预设信息量阈值的高信息量局部特征。

进一步地，该确定图像库中的图像的各高信息量局部特征的步骤可以在获取该各高信息量局部特征时执行，也可以在获取该各高信息量局部特征之前预先执行。

进一步地，步骤S304的执行与上述步骤S301-S303的执行没有先后顺序，可以先执行步骤S301-S303，再执行步骤S304，也可以先执行步骤S304，再执行步骤S301-S303。

S305、分别确定上述图像库中的图像的各高信息量局部特征与上述待检索图像的高信息量局部特征之间的相似度。

S306、将图像库中相似度大于预设相似度阈值的高信息量局部特征所归属的图像确定为上述待检索图像的相似图像。

基于同一发明构思，本发明实施例还提供了一种图像检索装置，由于这些装置所解决问题的原理与前述一种图像检索方法相似，因此该装置的实施可以参见前述方法的实施，重复之处不再赘述。

本发明实施例提供了一种图像检索装置，如图4所示，包括如下模块：

局部特征提取模块401，用于提取待检索图像的多个局部特征；

局部特征筛选模块402，用于从上述局部特征提取模块401提取的多个局部特征中，确定包含的信息量大于预设信息量阈值的高信息量局部特征；

局部特征匹配模块403，用于从图像库中的图像中，确定出具有与上述高信息量局部特征匹配的局部特征的相似图像，作为上述待检索图像对应的图像检索结果。

进一步地，上述局部特征筛选模块402具体用于分别确定上述多个局部特征各自对应的局部特征区域的像素方差；从上述多个局部特征中，确定像素方差大于预设像素方差阈值的局部特征为高信息量局部特征；或者

分别确定上述多个局部特征各自对应的局部特征区域的信息熵；从上述多个局部特征中，确定信息熵大于预设信息熵阈值的局部特征为高信息量局部特征。

进一步地，上述局部特征筛选模块402具体用于采用如下方式确定一个局部特征对应的局部特征区域的像素方差：确定该局部特征的局部特征向量；根据上述局部特征向量的各分量值和上述局部特征向量的维数，确定上述局部特征向量的各分量值的平均值；根据上述局部特征向量的各分量值，以及确定的上述局部特征向量的各分量值的平均值，确定上述局部特征向量的各分量值的方差或者均方差；将上述局部特征向量的各分量值的方差或者均方差确定为该局部特征对应的局部特征区域的像素方差。

进一步地，上述局部特征筛选模块402具体用于采用如下公式确定一个局部特征对应的局部特征区域的信息熵：

$H\left(F\right)=-\underset{i=a}{\overset{b}{\mathrm{\Σ}}}{p}_i\left(F\right){\log }_2{p}_i\left(F\right);$

$p_i\left(F\right)=\frac{\left|\right\{k|f_k=i\}|}{n};$

其中，H(F)为该局部特征对应的局部特征区域的信息熵；F=[f₁ f₂……f_n]为该局部特征的n维局部特征向量，上述局部特征向量中的分量f_k为[a，b]中整数，k为[1，n]中的整数；p_i(F)表征上述局部特征向量的分量中，分量值为i的分量的数量占分量总数的比例。

进一步地，上述局部特征匹配模块403具体用于提取图像库中的图像的局部特征；分别确定提取的上述图像库中的图像的各局部特征的局部特征向量；分别确定上述图像库中的图像的各局部特征向量与上述高信息量局部特征对应的局部特征向量之间的相似度；将图像库中相似度大于预设相似度阈值的局部特征向量对应的局部特征所归属的图像确定为上述待检索图像的相似图像。

本发明实施例提供的一种图像检索方法及装置，从提取出的待检索图像的多个局部特征中，确定包含的信息量大于预设信息量阈值的高信息量局部特征，使用该高信息量局部特征与图像库中的图像的局部特征进行匹配，将具有匹配的局部特征的图像确定为该待检索图像的相似图像。由于该高信息量局部特征所包含的信息量较大，相比包含的信息量较少的局部特征，能够更准确的描述该待检索图像的主要特征，从而使得使用待检索图像的该高信息量局部特征进行图像检索，与现有技术中使用待检索图像的包含的信息量较少的局部特征进行图像检索时相比，提高了图像检索的准确性。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明实施例可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

本领域技术人员可以理解附图只是一个优选实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域技术人员可以理解实施例中的装置中的模块可以按照实施例描述进行分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种图像检索方法，其特征在于，包括：

提取待检索图像的多个局部特征；

从所述多个局部特征中，确定包含的信息量大于预设信息量阈值的高信息量局部特征；

从图像库中的图像中，确定出具有与所述高信息量局部特征匹配的局部特征的相似图像，作为所述待检索图像对应的图像检索结果。

2.如权利要求1所述的方法，其特征在于，从所述多个局部特征中，确定包含的信息量大于预设信息量阈值的高信息量局部特征，具体包括：

分别确定所述多个局部特征各自对应的局部特征区域的像素方差；从所述多个局部特征中，确定像素方差大于预设像素方差阈值的局部特征为高信息量局部特征；或者

分别确定所述多个局部特征各自对应的局部特征区域的信息熵；从所述多个局部特征中，确定信息熵大于预设信息熵阈值的局部特征为高信息量局部特征。

3.如权利要求2所述的方法，其特征在于，采用如下方式确定一个局部特征对应的局部特征区域的像素方差：

确定该局部特征的局部特征向量；

根据所述局部特征向量的各分量值和所述局部特征向量的维数，确定所述局部特征向量的各分量值的平均值；

根据所述局部特征向量的各分量值，以及确定的所述局部特征向量的各分量值的平均值，确定所述局部特征向量的各分量值的方差或者均方差；

将所述局部特征向量的各分量值的方差或者均方差确定为该局部特征对应的局部特征区域的像素方差。

4.如权利要求2所述的方法，其特征在于，采用如下公式确定一个局部特征对应的局部特征区域的信息熵：

$H\left(F\right)=-\underset{i=a}{\overset{b}{\mathrm{\Σ}}}{p}_i\left(F\right){\log }_2{p}_i\left(F\right);$

$p_i\left(F\right)=\frac{\left|\right\{k|f_k=i\}|}{n};$

其中，H(F)为该局部特征对应的局部特征区域的信息熵；

F=[f₁ f₂……f_n]为该局部特征的n维局部特征向量，[a，b]为所述局部特征向量F中的分量f_k的取值范围，k为[1，n]中的整数；

p_i(F)表征所述局部特征向量的分量中，分量值为i的分量的数量占分量总数的比例。

5.如权利要求1所述的方法，其特征在于，从图像库中的图像中，确定出具有与所述高信息量局部特征匹配的局部特征的相似图像，具体包括：

提取图像库中的图像的局部特征；

分别确定所述图像库中的图像的各局部特征与所述高信息量局部特征之间的相似度；

将图像库中相似度大于预设相似度阈值的局部特征所归属的图像确定为所述待检索图像的相似图像。

6.一种图像检索装置，其特征在于，包括：

局部特征提取模块，用于提取待检索图像的多个局部特征；

局部特征筛选模块，用于从所述局部特征提取模块提取的所述多个局部特征中，确定包含的信息量大于预设信息量阈值的高信息量局部特征；

局部特征匹配模块，用于从图像库中的图像中，确定出具有与所述高信息量局部特征匹配的局部特征的相似图像，作为所述待检索图像对应的图像检索结果。

7.如权利要求6所述的装置，其特征在于，所述局部特征筛选模块具体用于分别确定所述多个局部特征各自对应的局部特征区域的像素方差；从所述多个局部特征中，确定像素方差大于预设像素方差阈值的局部特征为高信息量局部特征；或者

分别确定所述多个局部特征各自对应的局部特征区域的信息熵；从所述多个局部特征中，确定信息熵大于预设信息熵阈值的局部特征为高信息量局部特征。

8.如权利要求6所述的装置，其特征在于，所述局部特征筛选模块具体用于采用如下方式确定一个局部特征对应的局部特征区域的像素方差：

确定该局部特征的局部特征向量；根据所述局部特征向量的各分量值和所述局部特征向量的维数，确定所述局部特征向量的各分量值的平均值；根据所述局部特征向量的各分量值，以及确定的所述局部特征向量的各分量值的平均值，确定所述局部特征向量的各分量值的方差或者均方差；将所述局部特征向量的各分量值的方差或者均方差确定为该局部特征对应的局部特征区域的像素方差。

9.如权利要求6所述的装置，其特征在于，所述局部特征筛选模块具体用于采用如下公式确定一个局部特征对应的局部特征区域的信息熵：

$H\left(F\right)=-\underset{i=a}{\overset{b}{\mathrm{\Σ}}}{p}_i\left(F\right){\log }_2{p}_i\left(F\right);$

$p_i\left(F\right)=\frac{\left|\right\{k|f_k=i\}|}{n};$

其中，H(F)为该局部特征对应的局部特征区域的信息熵；F=[f₁ f₂……f_n]为该局部特征的n维局部特征向量，所述局部特征向量中的分量f_k为[a，b]中整数，k为[1，n]中的整数；p_i(F)表征所述局部特征向量的分量中，分量值为i的分量的数量占分量总数的比例。

10.如权利要求6所述的装置，其特征在于，所述局部特征匹配模块具体用于提取图像库中的图像的局部特征；分别确定所述图像库中的图像的各局部特征与所述高信息量局部特征之间的相似度；将图像库中相似度大于预设相似度阈值的局部特征所归属的图像确定为所述待检索图像的相似图像。

Images