專利名稱：一種基于粒子群算法的多特征圖像檢索方法
技術領域：
本發明屬于數字圖像處理領域，涉及一種基于粒子群算法的多特征圖像檢索方法。
背景技術：
基于內容的圖像檢索(content-based image retrieval, CBIR)越來越成為國內外的一個熱門研究領域，它融合了圖像處理、圖像識別和圖像數據庫等領域的技術成果，充分利用圖像自身包含的特征屬性如顏色、紋理、形狀等底層特征所建立的索引來進行檢索， 從而可以提供更有效更準確的圖像檢索手段。單圖像特征能夠提供圖像的部分鑒別信息， 但不充分，而對多圖像特征進行組合應用能夠提供相對全面充分的鑒別信息。基于對局部圖像特征和多特征組合的綜合考慮，多特征組合的圖像檢索算法具有更出色的檢索性能， 其檢索結果更符合人眼的視覺感受。而如何分配不同圖像特征的權重是一個問題。目前，常用的圖像檢索評估方法為PVR曲線，而PVR曲線是由查全率和查準率定義的。假設A為測試圖像庫中所有的和查詢圖像有關的圖像集合，B為檢索返回的圖像集合。 a為查詢到的相關圖像的數目；b為查詢到的不相關圖像的數目；c為與檢測圖像相關，但沒有檢索到的數目。查全率的定義為
Qrecal1 = P(B I A)=-
a +c.
(1)查準率的定義為
Ρ(ΑγλΕ) aprecision ==
P(B) a + b_
9(2)當計算出一幅圖像的檢索結果的查全率和查準率后，如果將查全率作為坐標的χ 軸，查準率作為坐標的y軸，則可繪制出圖像檢索結果的PVR曲線。設PVR曲線為f(x，y)，
則f(x，y)與x_y軸圍成的面積為風0 = ￡/(^)&，稱S(f)為PVR指數，記為Ε。則E越
大，圖像檢索的性能越好；E越小，圖像檢索的性能越差。如果E = 1，那么圖像檢索性能達到最佳，其PVR曲線為f(x，y) = 1。粒子群優化算法PSO (particle swarm optimization)是一種基于群集智能的算法，它通過模擬鳥群或魚群的覓食行為，通過單個粒子之間的信息共享，尋找復雜搜索空間的最優點。PSO算法是一種基于種群操作的優化技術。對優化問題而言，PSO算法中每個粒子代表一個可能的解。群體中每個粒子在迭代過程所經歷過的最好位置，就是該粒子本身所找到的最好解。整個群體所經歷過的最好位置，就足整個群體目前找到的最好解。前者叫做個體極值，后者叫做全局極值。每個粒子都通過上述兩個極值不斷更新自己，從而產生
4新一代群體，也就是在這個過程中整個群體對解區域進行全面搜索。如果粒子的群體規模為n，則第i(i = 1,2,…，η)個粒子的位置可表示為Xi，它的個體極值記為PBesti,它的速度用Vi表示，群體的全局極值用gBest表示。所以任一粒子i將根據以下公式來更新自己的速度和位置Vi (t+Ι) = ω Vi (t) +C^1 (t) (pBestj (t) -Xi (t)) +c2r2 (t) (gBestj (t) -Xi (t))(3)Xi(t+1) = xi(t)+vi(t+l)(4)其中C1、C2為常數，稱為學習因子或加速系數而和巧是(0，1)上的隨機數；ω是慣性權重(inertia weight)。每個粒子的個體極值用下面的公式來更新
, 、 χ ( + 1), if x7(t + Y)> pBest7(t)pBest, (t+ 1)= Λ h J 入'F !w(5)對所有粒子的全局極值按如下方式選取gBest (t+1) = max (PBesti (t+1)), (i = 1，2，...，n)(6)對每個粒子的速度q的值被限定在[-Vmax，VfflaJ內，Vfflax的值通常取搜索空間的寬度.對慣性權重加的設置通常是從0. 9線性減小到0. 2。公式(3)由三部分組成，第一部分是粒子先前的速度，說明了粒子目前的狀態; 第二部分是認知部分(Cognition Modal)。表示粒子本身的思考；第三部分為社會部分 (Social Modal)。三個部分共同決定了粒子的空間搜索能力。第一部分起到了平衡全局和局部搜索的能力。第二部分使粒子有了足夠強的全局搜索能力，避免局部極小。第三部分體現了粒子間的信息共享。
發明內容
為了解決圖像檢索中多圖像特征融合時權值如何優化的問題，本發明的目的在于提供一種基于粒子群算法的多特征圖像檢索方法。該方法能夠根據用戶提供的圖像信息， 通過提取圖像的多特征計算出多特征距離，利用粒子群算法優化權值參數，將多特征距離進行融合，然后與指定的圖像特征庫進行匹配。從而高效地檢索出與被檢索圖像相似的圖像，提高檢索準確率，滿足用戶要求。本發明的目的是通過以下技術方案來實現的一種基于粒子群算法的多特征圖像檢索方法，其特征在于該方法根據用戶提供的圖像信息，通過提取圖像的多特征計算出多特征距離，利用粒子群算法優化權值參數，將多特征距離進行融合，然后與指定的圖像特征庫進行匹配，從而高效地檢索出與被檢索圖像相似的圖像；具體包括如下步驟步驟1 設Pt為要檢索的圖像，圖像數據庫里有N幅圖像，Pi是圖形庫里第i幅圖像，1彡i彡N;步驟2:提取被檢索圖像多個特征向量，歸一化，特征集合為W= (WijW2, -,WJ,其中K是提取的特征個數，K > 1 ；步驟3 根據以下公式得到Pt，Pi關于特征\的特征距離Di ；
權利要求
1.一種基于粒子群算法的多特征圖像檢索方法，其特征在于該方法根據用戶提供的圖像信息，通過提取圖像的多特征計算出多特征距離，利用粒子群算法優化權值參數，將多特征距離進行融合，然后與指定的圖像特征庫進行匹配，從而高效地檢索出與被檢索圖像相似的圖像；具體包括如下步驟步驟1 設Pt為要檢索的圖像，圖像數據庫里有N幅圖像，Pi是圖形庫里第i幅圖像， 1 ^ i ^ N ；步驟2:提取被檢索圖像多個特征向量，歸一化，特征集合為W= (WijW2,…，ffK}，其中 K是提取的特征個數，K彡1 ；步驟3 根據以下公式得到Pt，Pi關于特征\的特征距離Di ；
2.根據權利要求1所述的基于粒子群算法的多特征圖像檢索方法，其特征在于步驟5 中，利用粒子群算法來進行參數優化的步驟如下Stepl 假設檢索空間是K維的并且種群有m個粒子，第i個粒子代表了一個K維的參數向量& = (xn，xi2，-,xiK), (i = 1,2,…，m)，即第i個粒子在K維的搜索空間的位置是& ；換言之，每個粒子的位置是一個潛在的權值分配的可行解，在允許的范圍內隨機初始化；Step2 將&代入一個目標函數，計算出其適應度，根據適應度的大小衡量優劣；目標函數f (Xi)設為當前權值下多特征搜索結果的PVR指數；乂印3 第i個粒子“飛翔”速度也是一個K維的向量，表示為Vi = (Vil，vi2，-,viK), (i = l，2，…，m)，在允許的范圍內隨機初始化；乂印4:第i個粒子自己搜索到的最優位置記作Pi= (pn，pi2，…，piK)，(i = 1，2，…， m)；每個粒子的Pi坐標初始化設置為其當前位置，且計算出其相應的個體極值點的適應度2值，即當前個體所代表的權值分配檢索出的PVR指數結果；乂印5:整個粒子群迄今為止搜索到的最優位置記作Pg= (pgl，pg2，…，pgK) ;Pg初始化為上一步中所有個體極值中最好的個體位置，即為當前的最佳權值分配； St印6 根據以下公式來對粒子進行迭代操作
全文摘要
本發明公開了一種基于粒子群算法的多特征圖像檢索方法，首先根據要檢索的圖像，提取被檢索圖像多個特征向量，歸一化；得到特征距離；將特征距離進行融合；根據最優化的權值分配，得到綜合特征融合距離，并根據圖像相似度進行檢索，將結果反饋給用戶，檢索出與被檢索圖像相似的圖像。本發明能夠根據用戶提供的圖像信息，通過提取圖像的多特征計算出多特征距離，利用粒子群算法優化參數，將多特征距離進行融合，然后與指定的圖像特征庫進行匹配，高效地檢索出與被檢索圖像相似的圖像，提高檢索準確率，方便用戶使用。
文檔編號G06F17/30GK102426606SQ201110358728
公開日2012年4月25日 申請日期2011年11月11日 優先權日2011年11月11日
發明者張雯雯, 曹杰, 王斌, 舒華忠 申請人:南京財經大學