一种基于视觉注意模型的图像检索方法(3)

视觉注意模型

分分析(PCA)[9]方法将其降至36维。

提取图像中显著区域的Sift特征点之后，为了寻找数据库中与之最为匹配的点，需要计算特征点之间的距离。文中采用最为常见的欧式距离来度量。

1.4显著区域空间布局约束

我们观察到，在一幅图像中往往存在多个显著区域，区而在以往的域间的整体布局也是反映图像特征的重要信息。

基于感兴趣区域的图像检索中，这一点也常常被忽视。文中在基于区考虑显著区域的空间布局作为图像的另一个特征。域中心坐标的二元关系的一致性条件下，假设查询图像Q中存在n个（一般n不大于5）显著区域，它的空间布局与待查图像T中最匹配的n个区域的空间布局的相似度可以定义为[10]：

（4）

实验分两部分进行。实验一验证利用显著区域特征检索的有效性，图片下载网址为c.edu/imgdbs，返回结果如图三所示（最边为查询图像），按相似度从左到右、从自上至下的顺序排列。查询图像中的路标为显著区域，而在返回的前5张图片中均含有此相似的路标，并且还检出了仅包含查询图像中显著区域被部分遮挡情况下的图片（第6、7、8张）。而利用基于颜色的检索方法，第4、5张图片分别排在第14、23位。实验一结果表明，利用视觉模型提取图像能有效消除背景信息的干中的显著区域并结合Sift特征，扰，提高检索效果。

一

种基于视觉注意模型的图像检索方法

xiq、yjq和xit、yjt分别是查询图像和待查图像式(4)中，

的第i个区域中心的横纵坐标，f是双曲正切函数。与符号函数的乘积求和本质上是图像Q和图像T的二元关系集中满足约束条件的关系的近似总数。2图像的相似度计算

设查询图像为Q{q1,…,qi,…，qm,m<=5}，数据库待查图像为T{t1,…,tj,…，tm,n<=5}，其中qi、tj分别为图像Q、T中的显著区域，则qi、tj之间的距离可用二者的Sift特征点的匹配状况表示：

si,j=ni'/ni

（5）

式(5)中，ni'表示区域qi与tj匹配Sift点的个数，ni

表示qi中所有的Sift点的个数。我们认为查询图像Q中的任一显著区域，总能在待查图像中找出与之最相似的候选区域，由此可以得出一个0-1相似矩阵：

M={m;j=1,…,n}i,j,i=1,…,m

（6）

矩阵M中的每一行，值为1的元素表示该行、列所对应区域之间的相似度最大，且每行仅存在一个值为1的元素，其余均为0。查询图像Q与待查图像T的显著区域之间的相似度为：

）（7

显然，该值的范围在0到1之间，当两幅图像相同时，该值为1；值越大，两幅图像越相似。

由此，图像Q与T之间的相似性由两部分组成，即显著区域的局部特征相似性和区域之间的布局约束相似性，最终Q与T之间的相似性如下定义：

S(Q,T)=w,T)+w,T)1Slocal(Q2Swhole(Q

3实验结果及分析

（8）

4结束语

本文利用Itti和Stentiford视觉模型的基础上，提出了一种基于显著区域的局部信息与整体特征相结合的图像

图四

融合局部与整理的检索结果

图三利用显著区域局部特征检索结果

实验二中添加了空间布局约束条件。将含有可乐瓶子、杯子以及网球的15张图片放在一个有1000张图片的Corel图像库中，选取其中一张作为查询图像，结果返回的前9张图片如图四所示，其余的图片均排在前30张图片中。实验结果表明，结合显著区域的局部特征与区域空间布局特征能达到很好的检索结果。

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说教育文库一种基于视觉注意模型的图像检索方法(3)在线全文阅读。