基于相邻关键点空间关系的图像检索研究

摘要

词包模型(BoW)在基于内容的图像检索中扮演了一个重要的角色。尽管使用传统的词包模型已经可以取得较好的检索性能，但是由于量化误差的存在及一些空间信息的缺失，导致大量局部特征的错误匹配，从而降低了图像搜索的整体精度。为了降低量化误差的影响，二进制嵌入方法被引入到BoW模型中。除了使用一个视觉词来表示局部描述子，二进制嵌入方法还为每一个高维局部描述子产生一个精简的二进制码，从而显著提高图像检索的性能。但是现存的嵌入方法实质都是高维局部特征的简化，其只考虑了局部特征本身，而忽略了局部特征和其相邻局部特征之间的空间关系。为了解决这个问题，本文提出三种轻量级的权重二进制码嵌入方法来编码局部特征和其邻近局部特征之间的空间关系，具体研究工作如下:
　　(1)基于相邻关键点内容相似性空间嵌入(CSE)
　　为了综合考虑每一个关键点与其邻近关键点的内容相似性和空间分布性，提出了一种基于内容相似性的空间关系编码方案。对图像中的每一个关键点k，除了提取关键点k的特征信息，还考虑关键点k在图像中的空间分布，提取在空间域中与关键点k最为相近的M个关键点，以关键点k的方向为主方向，沿逆时针方向划分为8个扇形区域，根据M个相邻关键点在此八个区域上分布的有无情况，构建八位二进制码。
　　(2)基于相邻关键点尺度相似性空间嵌入(SSE)
　　为了综合考虑每一个关键点与其邻近关键点的尺度相似性和空间分布性，提出了一种基于尺度相似性的空间关系编码方案。对图像中的每一个关键点k，提取在空间域中与关键点k最为相近的M个关键点，以它与第M个关键点的空间距离为半径，划定一个圆形区域，在此圆形区域内选取N个跟关键点k尺度最为相近的4个关键点为相邻关键点。再把圆形区域均匀划分成4个同心圆形区域，根据4个相邻关键点在此4个圆形区域上分布的有无情况，构建四位二进制码。
　　(3)基于相邻关键点位置相似性空间嵌入(LSE)
　　为了综合考虑每一个关键点与其邻近关键点的位置相似性和空间分布性，提出了一种位置相似性二进制码嵌入方法。对关键点k，提取它的特征描述符及与它的相邻的N个关键点，然后对这N个关键点我们提取它们的坐标信息，即关键点的空间位置信息。比较关键点k跟N个相邻关键点的位置分布，根据X、Y坐标构建两个N位二进制码。

目录

声明

致谢

摘要

1 引言

1．1 图像检索的背景及意义

1．2 基于词包模型的图像检索研究现状

1．2．1 二进制码嵌入

1．2．2 空间信息验证

1．2．3 查询扩展

1．3 研究内容

1．3．1 研究目的

1．3．2 研究贡献

1．4 论文组织结构

1．5 本章小结

2 基于空间信息嵌入的图像检索研究概述

2．1 基于空间信息嵌入的图像检索基本原理

2．1．1 基于空间信息嵌入的图像检索整体框

2．1．2 局部特征提取

2．1．3 视觉词典建立

2．1．4 将描述子指派到词典中的视觉词

2．1．5 倒排索引

2．2 图像相似性匹配

2．3 图像检索的衡量标准与评价指标

2．4 本章小结

3 相邻关键点空间分布二进制码嵌入

3．1 引言

3．2 相邻关键点空间分布二进制码嵌入

3．2．1 大规模视觉词典建立(OPQ)

3．2．2 中心视觉单词提取

3．2．3 内容相似性嵌入(CSE)

3．2．4 尺度相似性嵌入(SSE)

3．2．5 嵌入二进制码的倒排文件索引

3．2．6 在线检索过程及投票方式

3．3 实验结果与分析

3．3．1 实验数据库

3．3．2 实验结果与分析

3．4 本章小结

4 相邻关键点空间位置二进制码嵌入

4．1 相邻关键点空间位置二进制码嵌入

4．1．1 位置相似性二进制码嵌入(LSE)

4．1．2 嵌入二进制码的倒排文件索引

4．1．3 投票方法

4．2 实验结果与分析

4．3 本章小结

5 结论

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集