相似度量在图像检索中的重要性及两种常用方法

图像检索的匹配策略大致可以分为两种，一种是完全匹配，另外一种是相似性匹配。当两个图像的特征完全相同时图像匹配成功，称之为完全匹配。当两个图像的特征间的距离小于某一个阈值时，图像匹配成功，称之为相似匹配。传统数据库中的完全匹配并不是图像数据库检索的主流，往往用于基于图像元数据的检索。在基于内容的图像检索中占主导地位的是建立在图像底层视觉特征对比基础上的相似性检索。采用上一节介绍的特征提取方法提取特征后，可采用相应的相似性度量策略来进行特征匹配，也就是通过确定检索图像同数据库目标图像特征向量间的距离来确定待检索图像同数据库中目标图像间的相似性。相似度计算是图像检索的一个重要方面。特征空间中点与点之间的距离度量是一个典型的计算方法。下面给出几种常用的相似性距离度量方法。

1） Minkowski距离

如果图像特征的各分量之间是正交无关的，而且各维度的重要程度相同，则两个特征向量A和B之间的距离可以用D1距离或者D2距离（也称欧氏距离）来度量。其中D1距离可以表示为

式中，N是特征向量的维数。类似地，D2距离可以表示为

2）直方图相交

上述两种距离度量方法常用来计算颜色直方图之间的距离。度量直方图距离的另一种方法是直方图相交（histogram intersection），即两个直方图在每个bin中共有的像素数量。直方图相交可以看作L1距离的一种特殊形式，假设I和Q是两个含有N个bin的颜色直方图，则它们之间的相交距离为(www.xing528.com)

直方图相交法计算简单快捷，而且能较好地抑制背景噪声。

3）二次式距离

对于基于颜色直方图的图像检索来说，二次式（quadratic form）距离已被证明比欧氏距离或直方图相交距离更为有效。原因在于这种距离考虑到了不同颜色之间存在的相似度。两个颜色直方图I和Q之间的二次式距离可以表示为

该方法通过引入颜色相似矩阵A，使其能够考虑到相似但不相同的颜色间的相似性因素。其中，A=[aij]，且aij表示直方图中下标为i和j的两个颜色bin之间的相似度。