基于期望模型的图像重排序方法.pdf

(19)中华人民共和国国家知识产权局*CN102521287A*(12)发明专利申请(10)申请公布号CN102521287A(43)申请公布日2012.06.27(21)申请号201110386397.9(22)申请日2011.11.28(71)申请人上海交通大学地址200240上海市闵行区东川路800号(72)发明人林巍峣晋斌徐宁(74)专利代理机构上海汉声知识产权代理有限公司31236代理人郭国中(51)Int.Cl.G06F17/30(2006.01)G06K9/62(2006.01)权利要求书权利要求书2页2页说明书说明书55页页附图附图22页(54)发明名称基于期望模型的图像重排序方法(57)摘要本发明提供基于期望模型的图像重排序方法，通过构建一个空间轮廓描述向量来表征用户对于搜索图像轮廓的期望，将该空间轮廓描述向量就作为用户的期望模型。通过对搜索引擎返回的每一张搜索结果图像提取其相应的空间轮廓描述向量，用该空间轮廓描述向量与其对应的用户期望模型进行比较，计算两者之间的相似性。然后将此相似性的值就作为该图片的期望值。期望值越大说明图片越符合用户对于图片轮廓的期望。最后根据期望值的大小进行排序，将期望值较大的排在靠前的位置。本发明有效地提高了图片搜索的准确性，测试显示平均的准确率(AP@40)达到85％。如果结合JunHuang等人的显著性和一致性模型则可以达到91％的平均搜索准确率。CN102587ACN102521287A权利要求书1/2页1.一种基于期望模型的图像重排序方法，其特征在于，包括以下步骤：第一步：生产用户轮廓期望模型，所述用户轮廓期望模型包括多个空间轮廓描述符，所述多个空间轮廓描述符一起构成大向量；第二步：对搜索结果中的每一幅图像I提取空间轮廓描述向量，所述空间轮廓描述向量由多个空间轮廓描述符构成；第三步：将图像I的空间轮廓描述向量与用户轮廓期望模型进行比较，计算空间轮廓描述向量与大向量之间的相似性，将该相似性的值作为图像I的期望值；第四步：根据搜索结果中每幅图像的期望值的大小对这些图像按照期望值由大到小进行重排序。2.根据权利要求1所述的基于期望模型的图像重排序方法，其特征在于，所述用户轮廓期望模型包括CENTRIST空间轮廓描述符、Naturalness空间轮廓描述符、Openness空间轮廓描述符、Roughness空间轮廓描述符；其中，所述空间轮廓描述向量包括CENTRIST空间轮廓描述符、Naturalness空间轮廓描述符、Openness空间轮廓描述符、Roughness空间轮廓描述符。3.根据权利要求2所述的基于期望模型的图像重排序方法，其特征在与，在所述第一步中，所述的大向量其中表示CENTRIST空间轮廓描述符得到的长向量，Fna表示Naturalness空间轮廓描述符得到的值，Fop表示Openness空间轮廓描述符得到的值，Fro表示Roughness空间轮廓描述符得到的值。4.根据权利要求2或3所述的基于期望模型的图像重排序方法，其特征在于，在所述第一步中，所述的CENTRIST空间轮廓描述符是将图像分块后每一块的CT变换的直方图组合在一起构成的长向量其中Hi，j是表示第i×j块的CT变换直方图。5.根据权利要求2至4中任一项所述的基于用户期望模型的图像重排序方法，其特征在于，在所述第一步中，所述的Naturalness空间轮廓描述符、Openness空间轮廓描述符、Roughness空间轮廓描述符Fna、Fop和Fro其中是频谱图中相应方向的像素值，k是在计算工程中选取的点的数目，和是模板所代表的相应的权重，其中黑色的点表示负影响，白色的点表示正影响，Fop＝Bcen+Bpert其中Bcen表示图像中心区域的边界点的数目，Bpert表示图像边缘区域的边界点的数目。6.根据权利要求2至5中任一项所述的基于期望模型的图像重排序方法，其特征在于，在所述第二步中，对搜索引擎返回的原始图像中的每一张图片都提取空间轮廓描述向量，用该向量去表征一幅图片的空间轮廓分布。7.根据权利要求2至6中任一项所述的基于期望模型的图像重排序方法，其特征在于，2CN102521287A权利要求书2/2页在所述第三步中，所述的关于空间轮廓描述向量与大向量之间的相似性的计算式为：*其中HI()是直方图内插函数，用于比较向量之间的相似性，simna(q，x)、simro(q，x)、simop(q，x)是Naturalness空间轮廓描述符、Openness空间轮廓描述符、Roughness空间轮廓描述符这三个空间轮廓描述符的相似性；simj(q，x)＝abs(1-Fj(x)/Fj(q))其中j＝na，ro，orop，将该相似性的值S(q，x)作为图像x的期望值。8.根据权利要求1至7中任一项所述的基于期望模