1.图像局部特征语义分布结构和样本分布结构融合编码方法，其特征在于，具体按照以下步骤实施：步骤1：获取图像的多尺度稠密SIFT局部特征；

步骤2：用K-mean聚类获取局部特征的语义中心，用χ2测度度量局部特征语义分布结构；

步骤3：基于图像的局部特征用Hausdorff距离度量图像样本分布结构；

步骤4：基于词包模型编码的图像样本分布结构度量；

步骤5：通过矩阵谱优化求解的方法融合结构获得局部低维紧实的局部特征，用K-mean聚类获取局部特征的新的语义中心，对每一幅图像进行特征量化编码，获得分类判别能力强的图像特征描述。

2.根据权利要求1所述的图像局部特征语义分布结构和样本分布结构融合编码方法，其特征在于，所述步骤1具体为：先将图像以s×s像素区域分割成多块，第一个关键点的坐标为(x1,y1)，其中x1＝xmin+

3/2×s，y1＝ymin+3/2×s，(xmin,ymin)为图像提取局部特征的区域的起始坐标，对区域为整个图像的起始坐标为(0，0)；第二个关键点的坐标为(x2,y2)，其中x2＝x1+step,y2＝y1+step，step为步长；第n个关键点的坐标为(xn,yn)，其中xn＝x1+(n-1)×step，yn＝y1+(n-1)×step，(xmax,ymax)为区域最大坐标，x1......xn＜＝xmax,y1......yn＜＝ymax；然后以关键点为中心的16×16个像素区域生成局部特征，将16×16个像素区域划分为4×4的16个区域，在每个区域内统计方向梯度直方图，即把360度平均划分8个区，根据关键点的梯度方向统计各个区的梯度幅值加和，形成8维特征，连接并归一化16个区域8维梯度直方图，形成

16*8＝128维的局部特征，图像的多个关键点形成图像的多尺度稠密多SIFT局部特征。

3.根据权利要求2所述的图像局部特征语义分布结构和样本分布结构融合编码方法，其特征在于，所述s取4或6或8或10。

4.根据权利要求2所述的图像局部特征语义分布结构和样本分布结构融合编码方法，其特征在于，所述步长step＝3。

5.根据权利要求2所述的图像局部特征语义分布结构和样本分布结构融合编码方法，其特征在于，所述步骤2具体为：在所述步骤1得到的多尺度稠密SIFT局部特征中随机取a个特征，然后用K-mean聚类获取b个局部特征的语义中心，表示为Z＝[Z1,Z2,...,Zb]T,其中Zi为第i个局部特征的语义中心，1≤i≤b，然后用χ2测度度量局部特征语义分布结构，图像的局部特征的语义分布结构度量为dZ(Zi,Zj)：其中，Zi和Zj为局部特征的语义中心i和局部特征的语义中心j的SIFT特征表征，1≤i≤b，1≤j≤b。

6.根据权利要求5所述的图像局部特征语义分布结构和样本分布结构融合编码方法，其特征在于，所述步骤3具体为：设图像学习样本数目为m，图像样本集表示为I＝[I1,I2,...,Im]T，图像样本信息用图像关键点的集合表示为Ii＝{Zil|1≤l≤li}，其中1≤i≤m,Ii为第i图像样本的局部特征的集合，li为第i图像样本的局部特征数目；

为了提取当前图像的语义中心简化计算，用K-mean聚类成c个类，第i图像样本的局部特征的集合为Ii＝{Zl|1≤l≤c}，因为图像样本信息用语义中心集合表示，用Hausdorff距离dI(Ii,Ij)度量不同图像样本分布结构：dI(Ii,Ij)＝max(h(Ii,Ij),h(Ij,Ii))         (2)其中，Ii和Ij分别为第i图像样本的局部特征的集合和第j图像样本的局部特征的集合；

7.根据权利要求6所述的图像局部特征语义分布结构和样本分布结构融合编码方法，其特征在于，所述c取10。

8.根据权利要求6所述的图像局部特征语义分布结构和样本分布结构融合编码方法，其特征在于，所述步骤4具体为：设图像学习样本数目为m，图像样本集表示为I＝[I1,I2,...,Im]T，图像样本信息用图像关键点的集合表示为Ii＝{Zil|1≤l≤li}，其中1≤i≤m,Ii为第i图像样本的局部特征的集合，li为第i图像样本的局部特征数目；

在这些局部特征随机取a个特征，然后用K-mean聚类获取b个局部特征的语义中心，可表示为Z＝[Z1,Z2,...,Zb]T,其中Zi为第i个局部特征的语义中心，1≤i≤b，可对图像学习样本编码为H＝[H1,H2,...,Hm]T；

其中，Hi(k)为Hi的第k维，1≤k≤b； 为计数函数，统计Zil和b个局部特征的语义中心Zk距离最短时对应到第k维的特征数目，用χ2测度度量dH(Hi,Hj)表示不同图像样本分布结构：

9.根据权利要求1所述的图像局部特征语义分布结构和样本分布结构融合编码方法，其特征在于，所述步骤5具体为：在这些局部特征随机取a个特征，然后用K-mean聚类获取b个局部特征的语义中心，可T表示为Z＝[Z1,Z2,...,Zb],其中Zi为第i个局部特征的语义中心，1≤i≤b，计算各结构测度相似矩阵WZ＝{WZ,i,j}和WH＝{WH,i,j}：根据融合图像局部特征语义分布结构和样本分布结构的优化方程得以下优化式：

(ZWZZT-B)α＝λZZTα           (7)

其中，

通过广义特征值求解d个最大特征对应的特征向量，求得映射矩阵A＝[α1,α2,...,αd]，求解出A后，通过式Yi＝ATZi映射各个特征集，得融合后的局部特征为Yi，设图像学习样本数目为m，映射后图像样本集表示为Q＝[Q1,Q2,...,Qm]T，图像样本信息用图像关键点的集合表示为Qi＝{Yil|1≤l≤li}，其中1≤i≤m，Qi为第i图像样本的局部特征的集合，li为第i图像样本的局部特征数目，在这些局部特征随机取a个特征，然后用K-mean聚类获取b个局部特征的语义中心表示为Y＝[Y1,Y2,...,Yb]T，其中Yi为第i个映射后的局部特征的语义中心，1≤i≤b，对所有图像样本编码为HY＝[HY1,HY2,...,HYM]T，其中，M为图像样本的总数，其中HYi(k)为HYi的第k维，1≤k≤b； 为计数函数，统计Yil和b个局部特征的语义中心Yk距离最短时对应到第k维的特征数目。