CN108897746A - 一种图像检索方法 - Google Patents

Abstract

本发明公开了一种图像检索方法，通过检索系统对检索结果再次做检索，结果显示，查全率和查准率比现有技术都得到了很大的提高，本发明对商标检索领域的应用具有非常大的潜力。

Description

一种图像检索方法

技术领域

本发明涉及图像检索方法，特别涉及一种应用于商标领域的图像检索方法。

背景技术

在现代信息社会，多媒体技术迅速发展，视频和图片等数据爆炸式增长，图像语言作 为一种包含大量信息的信息体成为传播交流信息的重要载体。然而面对海量的图像数据， 如何快速有效地组织和检索图像信息，成为人们越来越关心的问题，图像检索就是信息时 代催生的新兴领域。为此，人们一直在研究各种图像的检索方法，如何提取图像特征到如 何匹配图像，多种算法也出现了。

在图像检索的现有技术中，例如单纯地应用角点匹配法，查全率和查准率还不是特别 高；哈希算法是指将任意内容映射为一个固定长度字符串的算法，一般用在快速查找中， 也是在图像检索领域应用十分广泛的，因为它的速度相对比较快，但是因为此算法对位置 十分敏感，因此带来的误差非常大，导致结果不是很理想；梯度方向直方图(Hog)是一种 基于边缘梯度方向的统计特征，常用于行人检测，它经常用于多尺度区域统计特征，优点 是稳定性高，且也有对位置敏感的缺点。

所以需要研究一种稳定性高、对位置敏感度不高且兼顾查全率和查准率的检索方法。

发明内容

本发明的目的在于提供一种图像检索方法，具有很高的稳定性、对位置不敏感且相比 现有技术查全率及查准率提高了很多。

为实现上述目的，本发明提供如下技术方案：一种图像检索方法，包括以下步骤：

一种图像检索方法，包括以下步骤：

S1用户输入检索对象给检索系统；

S2对检索对象进行分块；所述检索系统对检索对象进行分块，形成不同的第一图像窗口， 提取出第一图像窗口的第一图像特征文件；分块包括窗口大小及滑动步长两个参数；

S3对检索库中的所有对象进行分块；检索系统按照同步骤S1和步骤S2中的分块对检索 库中的所有对象进行同样的操作，分块形成第二图像窗口及对应的第二图像特征文件；

S4检索系统进行比对；将第一图像特征文件与第二图像特征文件进行比对，得到相似结 果；

S5检索系统将所述相似结果作为第二检索对象，按照S2-S4再次检索，得到第二相似结 果；

S6检索系统将第二相似结果进行排序展示。

进一步地，所述提取特征采用的是梯度方向直方图方法。

进一步地，所述提取特征采用的是哈希算法。

进一步地，在执行步骤S4之前，先对第一图像窗口与第二图像窗口进行相似性判断， 筛选出具有相似可能性的结果后再执行S4；

进一步地，相似性条件的判断如下：

(1)待比较窗口的中心位置B_i-j，目标窗口中心位置A_i，偏移范围为u，偏移范围u的取值范围为0.4～0.6。满足关系如下：且 且

(2)设A_i的长宽比B_i-j的长宽比则有且

进一步地，在步骤S4中，对匹配结果执行如下步骤：

S510对于检索对象中的任意窗口，计算与之相匹配的第二图像窗口的汉明距离，得到最小 汉明距离；

S511定义相似阈值，最小汉明距离小于相似阈值时，标记为相似窗口；

进一步地，在步骤S5之前执行如下步骤：

S710检索系统将相似结果采用尺度-空间一致法做进一步分析如下：设一对匹配窗口 {(x₁,y₁),(x₁′,y₁′)}:{(x₂,y₂),(x₂′,y₂′)}(其中(x₁,y₁)、(x₁′,y₁′)分别表示窗口1左上角和右下 角坐标，(x₂,y₂)、(x′₂,y′₂)表示窗口2左上角和右下角坐标，则存在空间变换模 使得可求解出L；

S711采用RANSAC算法排除错误的相似窗口，保留在尺度上和空间位置上都具有一致性的 相似结果。

进一步地，在步骤S711后，执行如下步骤：

S810分割出相似区域；检索系统定义一个自适应性阈值，根据自适应性阈值分割出相似 区域；

S811统计相似结果中匹配窗口的数目；检索系统定义匹配权重，将相似结果中的匹配窗 口进行加权叠加，统计覆盖每个匹配窗口中心点(anchor point)的匹配窗口的数目。

进一步地，所述匹配权重的范围为0.5到1.5。

进一步地，所述匹配权重的取值由匹配窗口的汉明距离决定，即汉明距离越小，匹配 权重越大。

进一步地，本发明还提供了所述的图像检索方法在商标检索中的应用。

本发明的有益效果：采用分块的方式，使得检索系统能在分块的基础上对检索图像进 行分块分割，使得特征提取更加精准；通过相似条件地判断缩小了计算量；通过设置权重， 使得结果更加精准；通过将第一次检索结果再次检索，得到的查全查准率更高。

附图说明

图1图示了本发明实施例5的流程步骤图。

图2图示了本发明实施例5的图像梯度方向量化示意图；

图3图示了本发明实施例5的相似窗口加权叠加示意图；

图4图示了本发明实施例5中区域相似性计算的示意图；

图5图示了本发明实施例5中的检索结果排列图。

具体实施方式

下面将结合本发明的实施例中的附图，对本发明的实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基 于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其 他实施例，都属于本发明保护的范围。

实施例1

一种图像检索方法，包括以下步骤：

S1用户输入检索对象给检索系统；

S2对检索对象进行分块；所述检索系统对检索对象进行分块，形成不同的第一图像窗口， 提取出第一图像窗口的第一图像特征文件；分块包括细窗口大小及细滑动步长两个参数；

S3对检索库中的所有对象进行分块；检索系统按照同步骤S1和步骤S2中的分块对检索 库中的所有对象进行同样的操作，分块形成第二图像窗口及对应的第二图像特征文件；

S4检索系统进行比对；将第一图像特征文件与第二图像特征文件进行比对，得到相似结 果；

S5检索系统将所述相似结果作为第二检索对象，按照S2-S4再次检索，得到第二相似结 果；

S6检索系统将第二相似结果进行排序展示。

进一步地，所述提取特征采用的是梯度方向直方图方法。

进一步地，在执行步骤S4之前，先对第一图像窗口与第二图像窗口进行相似性判断， 筛选出具有相似可能性的结果后再执行S4；

进一步地，相似性条件的判断如下：

(1)待比较窗口的中心位置B_i-j，目标窗口中心位置A_i，偏移范围为u，满足关系如下：且且

(2)设A_i的长宽比B_i-j的长宽比则有且

本实施例的实施方式不仅具有提取图像特征更加准确，查全查准率更高，且通过增加 对第一图像窗口与第二图像窗口进行相似性判断，有效地缩小了计算量，使得对图像检索 的效率大大提高。

实施例2

一种图像检索方法，包括以下步骤：

S1用户输入检索对象给检索系统；

S2对检索对象进行分块；所述检索系统对检索对象进行分块，形成不同的第一图像窗口， 提取出第一图像窗口的第一图像特征文件；分块包括细窗口大小及细滑动步长两个参数；

S3对检索库中的所有对象进行分块；检索系统按照同步骤S1和步骤S2中的分块对检索 库中的所有对象进行同样的操作，分块形成第二图像窗口及对应的第二图像特征文件；

S4检索系统进行比对；将第一图像特征文件与第二图像特征文件进行比对，得到相似结 果；

S5检索系统将所述相似结果作为第二检索对象，按照S2-S4再次检索，得到第二相似结 果；

S6检索系统将第二相似结果进行排序展示。

进一步地，所述提取特征采用的是梯度方向直方图方法。

进一步地，所述提取特征采用的是哈希算法。

进一步地，在执行步骤S4之前，先对第一图像窗口与第二图像窗口进行相似性判断， 筛选出具有相似可能性的结果后再执行S4；

进一步地，相似性条件的判断如下：

(1)待比较窗口的中心位置B_i-j，目标窗口中心位置A_i，偏移范围为u，满足关系如下：且且

(2)设A_i的长宽比B_i-j的长宽比则有且

进一步地，在步骤S4中，对匹配结果执行如下步骤：

S510对于检索对象中的任意窗口，计算与之相匹配的第二图像窗口的汉明距离，得到最小 汉明距离；

S511定义相似阈值，最小汉明距离小于相似阈值时，标记为相似窗口；

与实施例1不同的是，本实施例通过增加计算汉明距离，从而判断匹配的第二图像窗 口是否真的算有效相似窗口，不仅进一步缩小了计算量，且提高了查准率。

实施例3

一种图像检索方法，包括以下步骤：

S1用户输入检索对象给检索系统；

S2对检索对象进行分块；所述检索系统对检索对象进行分块，形成不同的第一图像窗口， 提取出第一图像窗口的第一图像特征文件；分块包括细窗口大小及细滑动步长两个参数；

S3对检索库中的所有对象进行分块；检索系统按照同步骤S1和步骤S2中的分块对检索 库中的所有对象进行同样的操作，分块形成第二图像窗口及对应的第二图像特征文件；

S4检索系统进行比对；将第一图像特征文件与第二图像特征文件进行比对，得到相似结 果；

S5检索系统将所述相似结果作为第二检索对象，按照S2-S4再次检索，得到第二相似结 果；

S6检索系统将第二相似结果进行排序展示。

进一步地，所述提取特征采用的是梯度方向直方图方法。

进一步地，所述提取特征采用的是哈希算法。

进一步地，在执行步骤S4之前，先对第一图像窗口与第二图像窗口进行相似性判断， 筛选出具有相似可能性的结果后再执行S4；

进一步地，相似性条件的判断如下：

(1)待比较窗口的中心位置B_i-j，目标窗口中心位置A_i，偏移范围为u，满足关系如下：且且

(2)设A_i的长宽比B_i-j的长宽比则有且

进一步地，在步骤S4中，对匹配结果执行如下步骤：

S510对于检索对象中的任意窗口，计算与之相匹配的第二图像窗口的汉明距离，得到最小 汉明距离；

S511定义相似阈值，最小汉明距离小于相似阈值时，标记为相似窗口；

进一步地，在步骤S5之前执行如下步骤：

S710检索系统将相似结果采用尺度-空间一致法做进一步分析如下：设一对匹配窗口 {(x₁,y₁),(x₁′,y₁′)}:{(x₂,y₂),(x₂′,y₂′)}(其中(x₁,y₁)、(x₁′,y₁′)分别表示窗口1左上角和右下 角坐标，(x₂,y₂)、(x′₂,y′₂)表示窗口2左上角和右下角坐标，则存在空间变换模 使得可求解出L；

S711采用RANSAC算法排除错误的相似窗口，保留在尺度上和空间位置上都具有一致性的 相似结果。

与实施例2不同的是，本实施例增加分析尺度-空间一致性的算法，使得相似窗口的 判断进一步地精准，进一步地提高了查准率。

实施例4

一种图像检索方法，包括以下步骤：

S1用户输入检索对象给检索系统；

S2对检索对象进行分块；所述检索系统对检索对象进行分块，形成不同的第一图像窗口， 提取出第一图像窗口的第一图像特征文件；分块包括细窗口大小及细滑动步长两个参数；

S3对检索库中的所有对象进行分块；检索系统按照同步骤S1和步骤S2中的分块对检索 库中的所有对象进行同样的操作，分块形成第二图像窗口及对应的第二图像特征文件；

S4检索系统进行比对；将第一图像特征文件与第二图像特征文件进行比对，得到相似结 果；

S5检索系统将所述相似结果作为第二检索对象，按照S2-S4再次检索，得到第二相似结 果；

S6检索系统将第二相似结果进行排序展示。

进一步地，所述提取特征采用的是梯度方向直方图方法。

进一步地，所述提取特征采用的是哈希算法。

进一步地，在执行步骤S4之前，先对第一图像窗口与第二图像窗口进行相似性判断， 筛选出具有相似可能性的结果后再执行S4；

进一步地，相似性条件的判断如下：

(1)待比较窗口的中心位置B_i-j，目标窗口中心位置A_i，偏移范围为u，满足关系如下：且且

(2)设A_i的长宽比B_i-j的长宽比则有且

进一步地，在步骤S4中，对匹配结果执行如下步骤：

S510对于检索对象中的任意窗口，计算与之相匹配的第二图像窗口的汉明距离，得到最小 汉明距离；

S511定义相似阈值，最小汉明距离小于相似阈值时，标记为相似窗口；

进一步地，在步骤S5之前执行如下步骤：

S710检索系统将相似结果采用尺度-空间一致法做进一步分析如下：设一对匹配窗口 {(x₁,y₁),(x₁′,y₁′)}:{(x₂,y₂),(x₂′,y₂′)}(其中(x₁,y₁)、(x₁′,y₁′)分别表示窗口1左上角和右下 角坐标，(x₂,y₂)、(x′₂,y′₂)表示窗口2左上角和右下角坐标，则存在空间变换模 使得可求解出L；

S711采用RANSAC算法排除错误的相似窗口，保留在尺度上和空间位置上都具有一致性的 相似结果。

进一步地，在步骤S711后，执行如下步骤：

S810分割出相似区域；检索系统定义一个自适应性阈值，根据自适应性阈值分割出相似 区域；

S811统计相似结果中匹配窗口的数目；检索系统定义匹配权重，将相似结果中的匹配窗 口进行加权叠加，统计覆盖每个匹配窗口中心点的匹配窗口的数目。

进一步地，所述匹配权重的范围为0.5到1.5。

进一步地，所述匹配权重的取值由匹配窗口的汉明距离决定，即汉明距离越小，匹配 权重越大。

与实施例3不同的是，本实施例增加了分割相似区域的算法，进一步提高了查准率。

实施例5

用户输入检索对象I_w×h给检索系统，检索系统操作如下：

定义窗口的尺寸和滑动步长如表1(σ₁＝0.8,σ₂＝0.6,σ₃＝0.4)，滑动步长参数μ(取 0.1或0.2)，窗口水平方向步长step_x＝wμ，垂直方向步长step_y＝hμ。

表1：

将每个窗口以图像I_w×h左上角为起点，按照滑动步长step_x、step_y依次从左到右从上 到下滑动，取得一系列第一窗口图像(共计t个)集合R＝{R_i},i＝0,1,…,t.

提取第一窗口图像R_i提取区域图像特征f_i。

①对于任一图像窗口R_i，计算水平和垂直方向的梯度。

计算方法:[G_h,G_v]＝gradient(R_i)，采用方向模板[-1,0,1],计算R_i中任一像素点(x,y)的水平梯度G_h(x,y)和垂直梯度G_v(x,y)。

则(x,y)点的方向角度θ＝arctan(G_v/G_h)，取值0～360度。

②量化梯度方向，得到梯度方向直方图。将①中得到的梯度方向根据附图2示意的8 方向进行量化，统计所有像素点的梯度方向得到梯度方向直方图。传统的量化方法如图2所示，采用就近方向量化的原则，将实际的梯度方向量化至最近的量化方向上。

传统的方向量化方法过于严苛，导致梯度方向量化后的特征鲁棒性较差，对方向较为 敏感，为此，本发明提出一种模糊量化方法，将一个梯度方向量化至其相邻的两个bin中， 即将一个方向用投影至相邻两个方向的分量表示，如某像素点(x,y)的梯度方向为θ(x,y)， 其相邻的两个Bin分别为θ_k、θ_k+1，则该梯度方向点量化至θ_k的分量为量化至 θ_k+1的分量为将①中得到的梯度方向根据上述模糊量化方法进行量化，统计所 有像素点的模糊梯度方向得到梯度方向直方图。

最后，R_i的梯度方向直方图为

③计算归一化梯度方向直方图。

方法一：基于目标像素点总数的归一化方法。

R_i梯度方向直方图归一化直方图为该直方图 归一化方法使特征具有良好的尺度一致性，同时体现出各个梯度方向相对统计分布信息。 缺点是某个bin梯度点数目的变化将影响整体直方图的相对统计分布。

方法二：基于区域面积参数的归一化方法。

R_i的大小为w_i×h_i，梯度方向直方图面积参数基于面积参数的归一化直方图为

面积参数通过面积开方来计算将使特征具有相对较好的尺度一致性。基于面积参数的 直方图归一化方法，既包含了特征窗口中边缘信息的丰富程度，又可反映各个梯度方向统 计分布信息，单个bin的变化不会影响其他bin的值。缺点是各个bin之间的差异性可能 缩小，对于边缘丰富的窗口，每个bin的取值相对较大，存在多个较大值；而对于边缘比较稀疏的窗口，每个bin的取值都较小，存在多个较小值。

方法三：基于目标像素点总数及区域面积参数二者结合的归一化方法。

基于以上分析，将两种归一化方法相结合，既保证各个bin之间的相对独立性，又兼 顾各个bin统计分布的差异性。

R_i的大小为w_i×h_i，梯度方向直方图基于目标像素总数的归一 化直方图为基于面积参数的归一化直方图为

则结合二者的归一化直方图定义为：

0＜w₁,w₂＜1；w₁+w₂＝1

其中α＝0.125为8方向归一化直方图的均值。

④直方图特征编码。经过步骤③(方法一)得到R_i的归一化直方图其中0＜h_uj＜1,j＝0,1,…,7。为了节约计算机计算资源，将上述浮点数据进行编码。

直方图归一化之后按照各个区间梯度点均匀概率分布的原则计算量化区间 (0，0.098)，(0.098，0.134)，(0.134，0.18)，(0.18，0.24)，(0.24，1)，该量化区间的计算由当前样本集 合进行统计计算实验得到。对落在这5个区间的数据进行编码分别为： 0000，0001，0011，0111，1111.编码之后将各个bin的码字级联得到为 一段长度为4×8＝32位的二进制串即f_i。

以检索图像和数据库中任意图像为例：对检索图像中的任意窗口 A_i，遍历数据库中图像中所有符合相似可能性条件的窗口B_j,j＝k₁,k₂,...，计算得到 的相似距离为查找出最相似的窗口如果相似距离在相 似阈值范围内则标记这一对相似窗口，即d_min-i＜T_sim，T_sim为经验值，在本实施例中取值约 为0.4～0.6。

这里相似距离计算如下：设窗口A_i特征向量经过编码后的二值特征串为f_i，滑窗B_j特 征向量经过编码后的二值特征串为g_j，则A_i和B_i-j之间的相似性距离d_ij通过汉明距离进行 计算：其中f_i ^k表示二进制串f_i的第k位，表示二进制串g_j的第k位，表示异或操作，α的取值等于f_i及g_j长度的倒数。

这里的相似判断条件如下：

(1)窗口B_j的中心位置在A_i中心位置附近的一定范围内，允许偏移范围为u＝0.5(偏 移范围，窗口中心位置按照图形长宽的比例计算，偏移也按照长宽的比例计算，这里，允 许偏移范围为长或宽的二分之一，建议取值范围0.4～0.6)，即且同理且

(2)设A_i的长宽比B_j的长宽比则有且即相似的窗口必须有相近的长宽比。

通过上述操作得到A和B相似窗口的匹配集合{A_i：B_j}，由于是全局尺度间的查找模式， 其中可能存在不符合空间一致性的匹配对。下面将从所有这些结果中筛选正确的匹配结果。

经过全局范围内的尺度间搜索匹配，能查找到一些正确的匹配窗口，也包含了一些错 误的匹配，一种是尺度匹配错误，另一种是位置匹配错误，采用尺度-空间一致性的方法 消除错误匹配。

采用改进的RANSAC(随机抽样一致性)算法排除错误的匹配对，保留在尺度上和空间 位置上都具有一致性的匹配对，步骤如下：

(1).对匹配数据集合{A_i：B_j}中的任意一对匹配窗口，计算出变换矩阵L，记为模型M， 模型的定义如下：

变换模型：设一对匹配窗口{(x₁,y₁),(x₁′,y₁′)}:{(x₂,y₂),(x₂′,y₂′)}(其中(x₁,y₁)、(x₁′,y₁′) 分别表示窗口A_i的左上角和右下角坐标，(x₂,y₂)、(x₂′,y₂′)表示窗口B_j左上角和右下角坐 标)，则存在空间变换模型使得其中a₁、a₂为 特定匹配窗口相关的缩放参数，t_x、t_y是与特定匹配窗口相关的平移参数，可求解出L。

(2).计算数据集中所有数据与模型M的投影误差，若误差小于阈值，加入内点集I；

(3).如果当前内点集I中元素个数大于最优内点集I_best,则更新I_best＝I；

(4).遍历数据集合中的所有数据，重复上述步骤。

(5).最优内点集I_best中的样本即为正确的匹配样本，最终得到正确匹配样本集合I_best＝{A_i：B_j}。

见附图3所示：对于分别定义矩阵

(1)对于I_best＝{A_i：B_j}的任意一对匹配窗口{(x₁,y₁),₍x₁′,y₁′)}:{(x₂,y₂),₍x₂′,y₂′)}(其 中(x₁,y₁)、(x₁′,y₁′)分别表示窗口A_i的左上角和右下角坐标，(x₂,y₂)、(x₂′,y₂′)表示窗口B_j左上角和右下角坐标)，其相似性距离为d_ij，定义加权系数ω_ii＝min(2,2.67-3.33d_ij)，则有

(2)遍历I_best＝{A_i：B_j}中的所有匹配样本重复(1)，更新和

(3)将和通过采样缩小为CA_10×10和CB_10×10.

(4)定义初始阈值矩阵

T₀的设定和具体滑窗的规格有关。设在集合I_best＝{A_i：B_j}所有属于的所有窗 口的总面积为s_A，则自适应的阈值矩阵为T_A＝κT₀(s_A/(100w₁h₁))^α，在集合I_best＝{A_i：B_j}所有属于的所有窗口的总面积为s_B，则自适应的阈值矩阵为 T_B＝κT₀(s_B/(100w₂h₂))^α，这里κ＝0.2,α＝0.7为经验值，随着滑动窗口规格的变化参数 应进行适应性的调整。

则有相似区域分割矩阵矩阵中不为0 的部分表示图像中的候选相似区域。

对于上述得到的CA_10×10和CB_10×10中表示的相似区域，分割出A图的相似区域ROI_A及B图的相似区域ROI_B，按照上述的方法进行区域内相似窗口匹配，查找方法为局部邻域查找。步骤如下：

对ROI_A中的任意滑动窗口A_i，遍历数据库中图像ROI_B中所有符合相似可能性条件的 窗口B_j,j＝k₁,k₂,...，计算得到的相似距离为查找出最相似的窗口如果相似距离在相似阈值范围内则标记这一对相似窗口，即 d_min-i＜T_sim，T_sim为经验值，在本例中取值约为0.4～0.6.

这里相似距离计算如下：设滑窗A_i特征向量经过编码后的二值特征串为f_i，滑窗B_j特 其中f_i ^k表示二进制串f_i的第k位，表示二进制串g_j的第k位， 表示异或操作，α的取值等于f_i及g_j长度的倒数。

这里的相似可能性条件如下：

(1)窗口B_j的中心位置在A_i中心位置附近的一定范围内，允许变换范围为u＝0.2(偏 移范围，建议取值范围0.1～0.3)，即且同理且这里A_i和B_i-j的位置均为在ROI区域中的相对位置。

(2)设A_i的长宽比B_j的长宽比则有且即相似的窗口必须有相近的长宽比。

通过上述操作得到ROI_A和ROI_B相似窗口的匹配集合{A_i：B_j}。

ROI区域中滑窗的相似性以滑窗中心点的相似性来代替，如图4中pA(u,v)为图A中的一个包含窗口的中心点，则该点的相似性由所有以该点为中心的窗口的对应相似性的均值来计算:

则AB中两个ROI区域的相似距离为：

其中，n_A、n_B分别为ROI_A、ROI_B中包含窗口中心点的数目，λ为相似面积参数，和n_A、n_B成反比，相似区域总面积越大，λ越小。

相似性排序返回结果

对检索图像Q，及数据库中图像D＝{D₁,D₂,...,D_N}中的任意图像D_i(i＝1,2,…,N)计算 得到相似性距离d_i，根据相似性距离从小到大进行排序返回最终的排序结果。

一幅检索图Q₀经过一次检索返回的相似图形的排序序列为{S₀}＝[I₀₁,I₀₂,…,I_0k,…]， 取相似性最高的TOP k个图形作为检索图形依此进行检索分别得到检索序列{S_m}＝[I_m1,I_m2,…,I_mk,…],m＝1,…,k，最终的综合检索结果集合 S＝{S₀∪S₁∪…∪S_m∪…}＝{s_t}。定义相关排序的权值矩阵w₀＝[w_ij]，其中 w_ij＝max(2-(i+j)/L,1),L≥2k，L为权值参数，集合S中相同元素的权值叠加 其中最终S按照从大到小进行排序。

该方法融合了相关图像的多次检索的排序结果，出现次数较多的图像具有较高的权重， 排序靠前的图像具有较高的权重，充分挖掘了图像之间的相关性。

最终检索效果图排序如图5所示，其中检索对象标示为00000，横向排列的均为由输 入检索对象00000后出现的相似结果排列，结果显示(见附图5及表2)，本实施例的图 像检索方法不仅查全率和查准率都优于现有技术。

表2：

其中，表2中，r-measure与p-measure的意义如下：检索图像q经过查询得到的有序的查询结果中，有n幅图像和q相似，r₁,r₂,…,r_n为这n幅图像在全部检索结果排序位置，

其中，r-measure表示目标图像在查询结果中的平均位置，该指标跟相关图像的数目 有关，在同样数目的相关图像的情况下，r-measure越小说明相关图像越靠前，系统的检索准确度越高，当相关图像全部排在前面的时候，r-measure的取值为相关图像数目的中值。p-measure反映了相关图像靠前排列的程度，该指标数值越接近于1表示检索准确度 越高。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽 管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以 对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡 在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像检索方法，其特征在于，包括以下步骤：

S1用户输入检索对象给检索系统；

S2对检索对象进行分块；所述检索系统对检索对象进行分块，形成不同的第一图像窗口，提取出第一图像窗口的第一图像特征文件；分块包括细窗口大小及细滑动步长两个参数；

S3对检索库中的所有对象进行分块；检索系统按照同步骤S1和步骤S2中的分块对检索库中的所有对象进行同样的操作，分块形成第二图像窗口及对应的第二图像特征文件；

S4检索系统进行比对；将第一图像特征文件与第二图像特征文件进行比对，得到相似结果；

S5检索系统将所述相似结果作为第二检索对象，按照S2-S4再次检索，得到第二相似结果；

S6检索系统将第二相似结果进行排序展示。

2.根据权利要求1所述的图像检索方法，其特征在于：所述提取特征采用的是梯度方向直方图方法。

3.根据权利要求1所述的图像检索方法，其特征在于：所述提取特征采用的是哈希算法。

4.根据权利要求1所述的图像检索方法，其特征在于：在执行步骤S4之前，先对第一图像窗口与第二图像窗口进行相似性判断，筛选出具有相似可能性的结果后再执行S4。

5.根据权利要求4所述的图像检索方法，其特征在于：相似性条件的判断如下：

(1)待比较窗口的中心位置B_i-j，目标窗口中心位置A_i，偏移范围为u，满足关系如下：且且

(2)设A_i的长宽比B_i-j的长宽比则有且

6.根据权利要求5所述的图像检索方法，其特征在于：在步骤S4中，对匹配结果执行如下步骤：

S510对于检索对象中的任意窗口，计算与之相匹配的第二图像窗口的汉明距离，得到最小汉明距离；

S511定义相似阈值，最小汉明距离小于相似阈值时，标记为相似窗口。

7.根据权利要求6所述的图像检索方法，其特征在于：在步骤S5之前执行如下步骤：

S710检索系统将相似结果采用尺度-空间一致法做进一步分析如下：设一对匹配窗口{(x₁,y₁),(x′₁,y′₁)}:{(x₂,y₂),(x′₂,y′₂)}(其中(x₁,y₁)、(x₁′,y₁′)分别表示窗口1左上角和右下角坐标，(x₂,y₂)、(x′₂,y′₂)表示窗口2左上角和右下角坐标，则存在空间变换模使得其中a₁、a₂为特定匹配窗口相关的缩放参数，t_x、t_y是与特定匹配窗口相关的平移参数，可求解出L；

S711采用RANSAC算法排除错误的相似窗口，保留在尺度上和空间位置上都具有一致性的相似结果。

8.根据权利要求7所述的图像检索方法，其特征在于：在步骤S711后，执行如下步骤：

S810分割出相似区域；检索系统定义一个自适应性阈值，根据自适应性阈值分割出相似区域；

S811统计相似结果中匹配窗口的数目；检索系统定义匹配权重，将相似结果中的匹配窗口进行加权叠加，统计覆盖每个匹配窗口中心点的匹配窗口的数目。

9.根据权利要求8所述的图像检索方法，其特征在于：所述匹配权重的范围为0.5到1.5。

10.权利要求1-9任一项所述的图像检索方法在商标图形检索中的应用。