《图像检索系统中的加速方法.pdf》由会员分享，可在线阅读，更多相关《图像检索系统中的加速方法.pdf（12页珍藏版）》请在专利查询网上搜索。
1、10申请公布号CN102004786A43申请公布日20110406CN102004786ACN102004786A21申请号201010573237022申请日20101202G06F17/3020060171申请人上海交通大学地址200240上海市闵行区东川路800号72发明人冯德瀛杨杰杨程刘从新74专利代理机构上海交达专利事务所31201代理人王锡麟王桂忠54发明名称图像检索系统中的加速方法57摘要一种计算机信息处理技术领域的图像检索系统中的加速方法，通过对标准图像和待检索图像分别提取特征描述子并创建视觉码书，然后根据种子点集合创建随机KD树并对特征描述子进行分类，接着进行矢量化处理并对。
2、倒排索引进行优化，最后将待检索图像矢量在优化倒排索引中进行相似性搜索，实现图像检索系统的加速。本发明能够弥补现有技术中聚类过程计算量大和计算时间长的问题，优化倒排索引在保证检索准确率的情况下，提高了相似性搜索的实时性。51INTCL19中华人民共和国国家知识产权局12发明专利申请权利要求书3页说明书6页附图2页CN102004799A1/3页21一种图像检索系统中的加速方法，其特征在于，通过对标准图像和待检索图像分别采用高斯差分算子进行特征点检测，然后将每个高斯差分算子通过尺度不变描述子进行描述并创建视觉码书，然后根据种子点集合创建随机KD树并对特征描述子进行分类，接着进行矢量化处理并对倒排索。
3、引进行优化，最后将待检索图像矢量在优化倒排索引中进行相似性搜索，实现图像检索系统的加速。2根据权利要求1所述的图像检索系统中的加速方法，其特征是，所述的通过尺度不变描述子进行描述包括离线处理和实时处理两个步骤，其中在离线处理中，对于标准图像库CI1，I2，IN中的图像II，通过SIFT描述子表示为其中是图像II中的单个描述子，维数为128维，NI是图像II中SIFT描述子的个数，标准图像库中全部SIFT描述子集合表示为SX1，X2，XN，集合S中SIFT描述子的总数为在实时处理中，对于待检索图像Q，通过SIFT描述子T表示为TQ1，Q2，QM，其中QKK1，2，M是图像Q中单个描述子，维数为1。
4、28维，M是图像Q中SIFT描述子的个数。3根据权利要求1所述的图像检索系统中的加速方法，其特征是，所述的创建视觉码书是指对标准图像库中的特征描述子进行随机采样并创建视觉码书，具体步骤为对SIFT描述子集合S随机采样，提取部分SIFT描述子作为种子点集合D，DY1，Y2，YZ，其中集合D中种子点的数量为Z，每个种子点为YJJ1，2，Z；然后对SIFT描述子集合S进行分类，种子点YJ决定了将与其相似的SIFT描述子划分到种子点YJ对应的类别中，种子点的数量Z即为类别的数量，种子点集合D为标准图像II量化需要的视觉码书。4根据权利要求1所述的图像检索系统中的加速方法，其特征是，所述的创建随机KD树。
5、是指通过自上而下的迭代过程，每次迭代都以每个节点在多个较大方差值对应的维数中随机选择且节点的分割阈值在对应维数靠近中值的元素中随机选择为原则进行节点的创建。5根据权利要求1所述的图像检索系统中的加速方法，其特征是，所述的对特征描述子进行分类是指根据节点阈值将种子点集合D中的每个种子点YJ划分到不同的空间，具体步骤为使用单一最优查询方法对SIFT描述子在多棵随机KD树中进行搜索以找到对应种子点YJ，将最相似的种子点查找并存放在单一最优序列当中，当查询路径达到一定数目时停止搜索，则查询到种子点对应的类别即为SIFT描述子应该划分的类别。6根据权利要求1所述的图像检索系统中的加速方法，其特征是，所述。
6、的矢量化处理是指采用种子频率倒图像频率方法分别对标准图像和待检索图像矢量化，然后对标准图像矢量和待检索图像矢量非零元素的位置指数和进行计算。7根据权利要求1所述的图像检索系统中的加速方法，其特征是，所述的图像矢量化包括离线处理和实时处理，其中图像矢量化的离线处理步骤包括1对标准图像II中种子点YJ出现的次数NIJ及SIFT描述子总数NI进行统计作为种子频率，则标准图像II中种子频率对标准图像库C中包含有种子点YJ的标准图像数权利要求书CN102004786ACN102004799A2/3页3量MJ进行统计；2采用文本检索中常用的停用词方法，对MJ的大小进行判定，判定阈值为T，当MJT时，删除对。
7、应种子点YJ；当MJT时，保留MJ且令MJMR；在对所有MJ判定后，种子点的个数由Z减少为Z，进而倒图像频率种子频率由FIJ变为FIR，3标准图像II对应的图像矢量为VI，则标准图像矢量VI表示为VIC1，C2，CZ，其中从而完成离线处理中标准图像矢量化；图像矢量化的实时处理步骤包括A对待检索图像Q中种子点YR出现的次数MR及SIFT描述子个数M进行统计，则待检索图像Q中种子频率B对于待检索图像Q的倒图像频率IDFQR，采用离线处理的倒图像频率IDFR，即待检索图像矢量VQ表示为VQD1，D2，DZ，其中从而完成实时处理中待检索图像矢量化。8根据权利要求1所述的图像检索系统中的加速方法，其特征。
8、是，所述的对标准图像矢量和待检索图像矢量非零元素的位置指数和进行计算是指在离线处理中，对矢量VI二值化，设二值化后图像矢量为VIP1，P2，PZ，其中从而标准图像矢量VI非零元素的位置指数和SI表示为在实时处理中，对矢量VQ二值化，设二值化后图像矢量为VQW1，W2，WZ，其中从而待检索图像矢量VQ非零元素的位置指数和SQ表示为9根据权利要求1所述的图像检索系统中的加速方法，其特征是，所述的创建优化倒排索引是指在离线处理中，采用种子点YR作为索引，标准图像矢量VI作为索引目标，对于种子点YR，存在对应的倒排索引列表LR，对于标准图像矢量VI中的元素U，当CU0，则该图像矢量VI的名称II及非零。
9、元素的位置指数和SI被记录在列表LU中，记为LUYU|II，SI；然后依次对标准图像矢量VI进行处理并根据非零元素的位置将其记录到对应的索引列表LR中，创建倒排索引LL1，L2，LZ；再将倒排索引列表LR以及列表LR中对应的标准图像II进行排序，对于索引列表LR，记录标准图像的数量并不相同，标准图像矢量非零元素的位置指数和也不相同，首先将索引列表LR按照记录标准图像的数量从大到小排序，然后在索引列表LR中将标准图像II根据非零元素的位置指数和SI从大到小排序，在对倒排索引列表LR及其列表中对应的标准图像II排序后，创建优化倒排索引L，从而用于实时处理进行相似性搜索。权利要求书CN1020047。
10、86ACN102004799A3/3页410相据权利要求1所述的图像检索系统中的加速方法，其特征是，所述的相似性搜索是指I查询包含标准图像数量较多的索引列表，然后在该索引列表中将待检索图像非零元素的位置指数和SQ作为阈值，将SQ与列表中标准图像非零元素的位置指数和SI进行比较，对于小于该阈值SQ的标准图像及其后续位置指数和更小的标准图像将被排除；II在优化倒排索引L中进行相似性搜索时，存在累加器A，用于记录标准图像II出现的次数AI，每个标准图像都对应着一个累加器AI，则AA1，A2，AN，当在倒排索引列表中标准图像II被查询一次，则标准图像II对应的累加器AI加1，即AIAI1，最后对标准图。
11、像对应的累加器A进行排序，数值较大的累加器对应的标准图像，即是待检索图像矢量VQ的候选查询结果，从而完成优化倒排索引搜索；III将待检索图像矢量VQ和候选标准图像矢量VI进行相似性度量，采用两个矢量间的余弦值进行相似性计算，其中在计算出余弦值COSVQ，VI后，将余弦值COSVQ，VI从大到小排序，最大余弦值COSVQ，VI对应的标准图像II，即为待检索图像Q的最终查询结果。权利要求书CN102004786ACN102004799A1/6页5图像检索系统中的加速方法技术领域0001本发明涉及的是一种计算机信息处理技术领域的方法，具体是一种图像检索系统中的加速方法。背景技术0002随着INTER。
12、NET网络和数码采集设备的大规模普及，图像数据在人们的生活中得到了广泛的应用。越来越多的商业活动、事务交易和信息表现中包含着大量的图像数据。在大规模图像数据库中，如何按照需求有效地去组织和查找这些图像数据成为人们关注的热点问题。0003图像检索技术是指根据查询图像内容信息或指定查询标准，在标准图像库中进行搜索并查找出符合查询条件的相应图像。图像检索技术一般分为基于文本的图像检索技术和基于内容的图像检索技术。基于文本的图像检索技术，目前应用比较普及，它沿用了传统文本检索技术，回避了对图像低层特征元素的分析，从图像名称、图像尺寸、压缩类型、作者、年代等方面描述图像，通过关键词的形式查询图像，或者根。
13、据等级目录的形式浏览查找特定目录下的图像。基于内容的图像检索技术，在给定查询图像的前提下，从图像的颜色、形状、纹理等全局特征以及局部不变特征等方面来描述图像，并通过对图像特征进行矢量化处理，在标准图像库中进行相似性搜索进而查找出内容相似的图像。0004基于内容的图像检索技术，早期大多采用颜色、纹理、形状等全局特征进行相似性搜索，但是由于这些特征对于光照、遮挡以及几何形变等不具有稳健性，因此逐渐被DOG、MSER、HARRIS等局部不变特征检测方法所取代。目前基于内容的图像检索技术，一般通过特征检测提取图像特征，创建特征描述子，然后对特征描述子聚类创建视觉码书，将图像矢量化，最后将图像矢量在高维。
14、索引结构中进行相似性搜索，给出相关搜索结果。0005经对现有技术的文献检索发现，已有以下与“图像检索系统中的加速方法”相关的技术。ANDREWZISSERMAN等在专利“OBJECTRETRIEVAL”美国专利号为US2005/0225678A1，公开日期为2005年12月13日中提供了用户在图像中自定义目标进行检索的方法。其中在对特征描述子分类时使用了KMEANS聚类方法，在待检索图像矢量和标准图像矢量之间相似性查询时使用了传统的倒排索引方法。在大规模图像库中对所有特征描述子使用KMEANS聚类方法分类时，由于标准图像库中存在海量特征描述子，聚类中心数目多，且聚类需要经过多次迭代才能完成，从。
15、而造成了聚类过程计算时间长，计算量大的问题。在标准图像矢量中使用传统倒排索引方法进行相似性查询时，由于标准图像矢量维数高，达到十万维以上，同样造成了查询实时性差的问题。0006进一步检索发现，DAVIDNISTER等在专利“SCALABLEOBJECTRECOGNITIONUSINGHIERARCHICALQUANTIZATIONWITHAVOCABULARYTREE”美国专利号为US7725484B2，公开日期为2010年5月25日中提供了一种码书树，在KMEANS聚类方法的基础上引入了分层的概念，与传统KMEANS聚类方法相比，聚类过程计算时间有所缩短，但是由于标准图像库中存在海量描述子，。
16、聚类过程的计算量同样很大，聚类时间过长，同时由于采用了分层说明书CN102004786ACN102004799A2/6页6的方法，属于同一类别的不同描述子往往会被划分到不同的类别当中，进而造成了量化性能较差。在待检索图像矢量和标准图像矢量之间进行相似性查询同样使用了传统的倒排索引方法，由于图像矢量的维数没有降低，且量化性能较差，从而造成了检索准确率较低，实时性较差。发明内容0007本发明针对现有技术存在的上述不足，提供一种图像检索系统中的加速方法，通过随机采样创建视觉码书以及根据标准图像矢量创建优化倒排索引得以实现，能够弥补现有技术中聚类过程计算量大和计算时间长的问题，优化倒排索引在保证检索准。
17、确率的情况下，提高了相似性搜索的实时性。0008本发明是通过以下技术方案实现的，本发明通过对标准图像和待检索图像分别提取特征描述子并生成视觉码书，然后根据种子点集合创建随机KD树并对特征描述子进行分类，然后通过矢量化处理对倒排索引进行优化，最后将待检索图像矢量在优化倒排索引中进行相似性搜索，实现图像检索系统的加速。0009所述的对标准图像和待检索图像分别提取特征描述子是指对标准图像和待检索图像先采用高斯差分算子DIFFERENTOFGAUSSIAN，DOG进行特征点检测，然后将每个高斯差分算子通过尺度不变描述子SCALEINVARIANTFEATURETRANSFORMATION，SIFT进行。
18、描述。0010所述的通过尺度不变描述子进行描述包括离线处理和实时处理两个步骤，其中0011在离线处理中，对于标准图像库CI1，I2，IN中的图像III1，2，N，通过SIFT描述子表示为其中是图像II中的单个描述子，维数为128维，NI是图像II中SIFT描述子的个数。标准图像库中全部SIFT描述子集合表示为SX1，X2，XN，集合S中SIFT描述子的总数为0012在实时处理中，对于待检索图像Q，通过SIFT描述子T表示为TQ1，Q2，QM，其中QKK1，2，M是图像Q中单个描述子，维数为128维，M是图像Q中SIFT描述子的个数。0013所述的创建视觉码书是指对标准图像库中的特征描述子进行随。
19、机采样并创建视觉码书，具体步骤为对SIFT描述子集合S随机采样，提取部分SIFT描述子作为种子点集合D，DY1，Y2，YZ，其中集合D中种子点的数量为Z，每个子点为YJJ1，2，Z；然后对SIFT描述子集合S进行分类，种子点YJ决定了将与其相似的SIFT描述子划分到种子点YJ对应的类别中，种子点的数量Z即为类别的数量，种子点集合D为标准图像II量化需要的视觉码书。0014所述的创建随机KD树是指通过自上而下的迭代过程，每次迭代都以每个节点在多个较大方差值对应的维数中随机选择且节点的分割阈值在对应维数靠近中值的元素中随机选择为原则进行节点的创建。0015所述的对特征描述子进行分类是指根据节点阈值。
20、将种子点集合D中的每个种子点YJ划分到不同的空间，具体步骤为使用单一最优查询方法对SIFT描述子在多棵随机KD树中进行搜索以找到对应种子点YJ，查找到最相似的种子点并存放在单一最优序列当中，说明书CN102004786ACN102004799A3/6页7当查询路径达到一定数目时停止搜索，则查询到种子点对应的类别即为SIFT描述子应该划分的类别。0016所述的矢量化处理是指采用种子频率倒图像频率TERMFREQUENCYINVERSEDOCUMENTFREQUENCY，TFIDF方法分别对标准图像和待检索图像矢量化，然后对标准图像矢量和待检索图像矢量非零元素的位置指数和进行计算。0017所述的图。
21、像矢量化包括离线处理和实时处理，其中0018图像矢量化的离线处理步骤包括00191对标准图像II中种子点YJ出现的次数NIJ及SIFT描述子总数NI进行统计作为种子频率，则标准图像II中种子频率对标准图像库C中包含有种子点YJ的标准图像数量MJ进行统计；00202采用文本检索中常用的停用词方法，对MJ的大小进行判定，判定阈值为T，当MJT时，删除对应种子点YJ；当MJT时，保留MJ且令MJMR；在对所有MJ判定后，种子点的个数由Z减少为Z，进而倒图像频率种子频率由FIJ变为FIR，00213标准图像II对应的图像矢量为VI，则标准图像矢量VI表示为VIC1，C2，CZ，其中从而完成离线处理中标。
22、准图像矢量化。0022图像矢量化的实时处理步骤包括0023A对待检索图像Q中种子点YR出现的次数MR及SIFT描述子个数M进行统计，则待检索图像Q中种子频率0024B对于待检索图像Q的倒图像频率IDFQR，采用离线处理的倒图像频率IDFR，即待检索图像矢量VQ表示为VQD1，D2，DZ，其中从而完成实时处理中待检索图像矢量化。0025所述的对标准图像矢量和待检索图像矢量非零元素的位置指数和进行计算是指在离线处理中，对矢量VI二值化，设二值化后图像矢量为VIP1，P2，PZ，其中从而标准图像矢量VI非零元素的位置指数和SI表示为在实时处理中，对矢量VQ二值化，设二值化后图像矢量为VQW1，W2，。
23、WZ，其中从而待检索图像矢量VQ非零元素的位置指数和SQ表示为0026所述的创建优化倒排索引是指在离线处理中，采用种子点YR作为索引，标准图像说明书CN102004786ACN102004799A4/6页8矢量VI作为索引目标，对于种子点YR，存在对应的倒排索引列表LR。对于标准图像矢量VI中的元素U，当CU0，则该图像矢量VI的名称II及非零元素的位置指数和SI被记录在列表LU中，记为LUYU|II，SI；然后依次对标准图像矢量VI进行处理并根据非零元素的位置将其记录到对应的索引例表LR中，创建倒排索引LL1，L2，LZ；再将倒排索引例表LR以及列表LR中对应的标准图像II进行排序，对于索引。
24、列表LR，记录标准图像的数量并不相同，标准图像矢量非零元素的位置指数和也不相同。首先将索引列表LR按照记录标准图像的数量从大到小排序，然后在索引列表LR中将标准图像II根据非零元素的位置指数和SI从大到小排序。在对倒排索引列表LR及其列表中对应的标准图像II排序后，创建优化倒排索引L，从而用于实时处理进行相似性搜索。0027所述的相似性搜索具体包括以下步骤0028I查询包含标准图像数量较多的索引列表，然后在该索引列表中将待检索图像非零元素的位置指数和SQ作为阈值，将SQ与列表中标准图像非零元素的位置指数和SI进行比较，对于小于该阈值SQ的标准图像及其后续位置指数和更小的标准图像将被排除；002。
25、9II在优化倒排索引L中进行相似性搜索时，存在累加器A，用于记录标准图像II出现的次数AI，每个标准图像都对应着一个累加器AI，则AA1，A2，AN，当在倒排索引列表中标准图像II被查询一次，则标准图像II对应的累加器AI加1，即AIAI1，最后对标准图像对应的累加器A进行排序，数值较大的累加器对应的标准图像，即是待检索图像矢量VQ的候选查询结果，从而完成优化倒排索引搜索；0030III将待检索图像矢量VQ和候选标准图像矢量VI进行相似性度量，采用两个矢量间的余弦值进行相似性计算，其中在计算出余弦值COSVQ，VI后，将余弦值COSVQ，VI从大到小排序，最大余弦值COSVQ，VI对应的标准图。
26、像II，即为待检索图像Q的最终查询结果。0031本发明的有益效果是与传统KMEANS聚类方法创建视觉码书相比，本发明提供的随机视觉码书只需在SIFT描述子集合中进行随机采样，不需要多次迭代处理，计算量小，计算时间短。与传统倒排索引相比，本发明提出的优化倒排索引能够根据待检索图像矢量非零元素的位置指数和快速排除不相干标准图像，提高了在大规模图像库中相似性搜索的速度。与现有技术相比，本发明能够在降低计算量的同时提高检索的实时性。附图说明0032图1为本方法流程图。0033图2为实时处理中整体检索时间及相关步骤所耗费的时间。0034图3为传统倒排索引查询时间与优化倒排索引查询时间比较。具体实施方式0。
27、035下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。0036如图1所示，本实施例采用图像检索系统的加速方法，对手机拍摄图像进行检索，说明书CN102004786ACN102004799A5/6页9具体实施步骤如下00371对标准图像和待检索图像分别提取特征描述子。0038在离线处理中，对标准图像库CI1，I2，IN中的图像提取SIFT描述子。图像II中SIFT描述子数量为NI，则标准图像库全部SIFT描述子的总数为0039在实时处理中，对待检索图像Q提取SIFT描述子，待检索图像Q中SIF。
28、T描述子数量为M。00402对标准图像库中的特征描述子随机采样，创建视觉码书。0041在离线处理中，对标准图像库对应的N个SIFT描述子进行随机采样，提取其中Z个SIFT描述子作为种子点创建视觉码书，其中Z20N。00423根据种子点集合创建随机KD树，对标准图像和待检索图像的特征描述子进行分类。0043在离线处理中，根据Z个种子点创建8棵独立的随机KD树，将标准图像中的SIFT描述子依次在8棵随机KD树中进行近似最近邻搜索，查询路径数量的最大值设为100，进而将SIFT描述子划分到种子点对应的类别中，统计每个SIFT描述属于种子点类别。0044在实时处理中，根据离线处理创建的8棵随机KD树，。
29、将待检索图像Q中SIFT描述子进行近似最近邻搜索，查询路径数量的最大值同样设为100，进而将SIFT描述子划分到种子点对应的类别中，统计每个SIFT描述属于种子点类别。00454采用种子频率倒图像频率方法分别对标准图像和待检索图像矢量化。0046在离线处理中，对标准图像库C中包含有种子点YJ的标准图像数量MJ采用停用词方法，令停用词阈值T06MAXMJ。0047在实时处理中，只考虑离线处理中采用停用词方法筛选后的种子点，同时采用离线处理的倒图像频率。00485对标准图像矢量和待检索图像矢量非零元素的位置指数和进行计算。0049在离线处理中，将标准图像矢量VIC1，C2，CZ二值化为矢量VIP1。
30、，P2，PZ，其中则标准图像矢量VI非零元素的位置指数和0050在实时处理中，将待检索图像矢量VQ二值化为矢量VQD1，D2，DZ，其中则待检索图像矢量VQ非零元素的位置指数和00516创建优化倒排索引。0052在离线处理中，将种子点YR作为索引，标准图像矢量VI作为索引目标，对标准图像矢量VI中的非零元素进行统计。当矢量VI中元素U不为零，则将标准图像名称II及非零元素的位置指数和SI记录在种子点YU对应的索引列表中。在标准图像矢量VI中所有非零元素统计完成后，将索引列表按照记录标准图像的数量从大到小排序，对索引列表中的标准图像按照非零元素的位置指数和SI从大到小排序，创建优化倒排索引。00。
31、537将待检索图像矢量在优化倒排索引中进行相似性搜索，并进行余弦值度量。说明书CN102004786ACN102004799A6/6页100054在实时处理中，对于待检索图像矢量VQ非零元素对应的所有索引列表，包含有标准图像数量最多的索引列表将被优先查询，并在该索引列表中将待检索图像矢量VQ的非零元素位置指数和SQ和标准图像矢量VI的非零元素位置指数和SI进行比较，当SQSI时，标准图像II对应的累加器AIAI1；当SQSI时，排除对应的标准图像II及II后续位置指数和更小的标准图像。将矢量VQ中所有非零元素依次查询后，对标准图像对应的累加器A进行排序，取出前5个最大的累加器数值，将其对应的标。
32、准图像矢量VI和待检索图像矢量VQ按照余弦值进行相似性度量，对5个余弦值从大到小排序，最大余弦值对应的标准图像，即为待检索图像对应的查询结果。0055对本方法仿真实验如下在7,655幅标准图像的基础上，对284幅待检索图像进行检索测试。图2为实时处理284幅待检索图像的整体检索时间以及相关步骤所耗费的时间。从图2中看出，叉号曲线表示优化倒排索引的查询时间以及待检索图像矢量和标准图像矢量相似性度量的时间，曲线变化相对稳定，平均耗费时间为00055S。与叉号曲线相比，菱形曲线表示待检索图像SIFT描述子分配时间，图像矢量化的时间及非零元素位置指数和的计算时间三者之和，时间相对较长，但曲线变化幅度不。
33、大，平均耗费时间为02047S。正方形曲线表示待检索图像SIFT描述子提取时间，曲线变化幅度大，这主要与待检索图像的大小有关，平均耗费时间为02686S。黑色曲线对应整体检索时间，平均耗费时间为04788S，满足实时性的要求。0056在创建视觉码书时间上，本发明的方法分别与AKMAPPROXIMATEKMEANS算法以及HKMHIERARCHICALKMEANS算法进行了比较。在7,655幅标准图像的基础上，提取到1,999,620个SIFT描述子。设AKM和HKM的聚类中心为19962，迭代次数为40次，随机视觉码书的种子点个数同样为19962。表1中给出了三种算法创建视觉码书的时间。从表1。
34、中看出，随机视觉码书的创建时间要远远小于AKM和HKM创建的时间。0057在倒排索引查询时间上，本发明的方法与传统的倒排索引进行了比较。在284幅待检索图像的基础上进行了测试。图3中给出了传统倒排索引查询时间和优化倒排索引查询时间。从图3中看出，菱形曲线表示传统倒排索引的查询时间，平均耗费时间为00205S。方形曲线表示优化倒排索引的查询时间，与菱形曲线相比，查询时间较短，曲线幅度波动较小，平均查询时间为00028S。看出，优化倒排索引加快待检索图像在标准图像库中的查询速度。0058以上所有算法均在MATLAB76上运行。0059AKMHKM随机视觉码书时间25H2H183S0060表1随机视觉码书与AKM及HKM创建视觉码书时间比较说明书CN102004786ACN102004799A1/2页11图1图2说明书附图CN102004786ACN102004799A2/2页12图3说明书附图CN102004786A。