一种基于zernike矩形状检索的新算法

高维zernike矩作为图像检索的形状特征描述子，具有描述图像区域细节信息的能力，能够全面有效地表征图像的内容。但是高维的矩存在着“维数灾难”的问题，不仅使算法的复杂度增大，而且会增加不必要的信息，造成主要信息混淆，影响对图像的描述。提出了流行学习的方法来处理冗余的数据信息。在通过拉普拉斯图保持局部样本数据不变的情况下，引入了全局算法来保证样本的整体性。考虑到信息之间的相关性而影响投影的准确率，对其进行schur特征值分解，得到正交基向量，从而使数据重构相对容易，并且zernike矩的旋转不变性仍能保持下来，使检索得到的图像更加符合人眼视觉效果。该方法在检索性能上优于传统的局部保持投影方法，检索效果有明显的提高。