1.一種基于內(nèi)容相關(guān)性的圖像排布方法，其特征在于，包括以下步驟：

步驟1，圖像集預(yù)處理：輸入準(zhǔn)備進(jìn)行可視化排布的圖像集，對于圖像集中的每一張圖像，提取圖像的特征表示，并計(jì)算圖像集中圖像間的距離矩陣；

步驟2，生成布局樣式：在布局樣式集合中選擇布局樣式輪廓，按照準(zhǔn)備排布的圖像數(shù)量對布局樣式輪廓進(jìn)行剖分，生成對應(yīng)的布局樣式；

步驟3，生成可視化布局：通過降維算法將步驟1中得到的圖像間的距離矩陣映射到2維空間內(nèi)，并與步驟2中得到的布局樣式進(jìn)行粗配準(zhǔn)，通過調(diào)整每張圖像的布局位置得到最終的圖像排布結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟1包括以下步驟：

步驟1-1，輸入準(zhǔn)備進(jìn)行可視化排布的圖像集U，U＝{b₁,b₂,b3_,…,b_n},b_n表示第n張圖像，n表示圖像集中的圖像數(shù)量，n取值為自然數(shù)，對于每一張輸入圖像，提取圖像的特征表示g(b)，用于描述圖像的視覺屬性；

步驟1-2，根據(jù)步驟1-1中得到的每張圖像的特征表示，計(jì)算得到輸入圖像集中圖像間的距離矩陣M，M＝{D_Eucl(g(b_i),g(b_j))}_n×n，其中，g(b_i)表示第i張圖像的特征表示，g(b_j)表示第j張圖像的特征表示，i取值為1～n，j取值為1～n，D_Eucl表示圖像b_i和圖像b_j在特征空間中的歐式距離表示。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，步驟2包括以下步驟：

步驟2-1，在預(yù)設(shè)定的布局樣式集合W中選擇布局樣式w_x，作為圖像集U的排布樣式，W＝{w₁,w₂,w₃,…,w_m}，w_x表示第x個布局樣式，x取值為1～m，m為自然數(shù)；

步驟2-2，根據(jù)圖像集中圖像的數(shù)量n和布局樣式w_x，將布局樣式w_x剖分為n個多邊形區(qū)域，并計(jì)算每個多邊形區(qū)域的重心坐標(biāo)點(diǎn)t_i，點(diǎn)t_i的坐標(biāo)為(x′_i,y′_i)，得到布局樣式中的排布坐標(biāo)集T，T＝{t₁,t₂,t₃,…,t_n}，t_n表示第n個排布坐標(biāo)。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，步驟2-2中，使用Voronoi圖剖分算法將布局樣式w_x剖分為n個多邊形區(qū)域。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，步驟3包括以下步驟：

步驟3-1，對圖像間的距離矩陣M進(jìn)行降維計(jì)算，得到所有圖像在2維平面空間上的坐標(biāo)集S，S＝{s₁,s₂,s₃,…,s_n}，s_i表示第i個圖像在2維平面上的坐標(biāo)，s_i＝(x_i,y_i)，x_i,y_i分別表示第i個圖像在2維平面上的橫坐標(biāo)和縱坐標(biāo)；

步驟3-2，計(jì)算坐標(biāo)集S的包圍盒和坐標(biāo)集T的包圍盒，將坐標(biāo)集S的包圍盒進(jìn)行縮放，使得其包圍盒與坐標(biāo)集T的包圍盒大小一致，得到坐標(biāo)集S變換后的坐標(biāo)集S’，即完成了圖像集U在排布空間上的粗配準(zhǔn)；

步驟3-3，以坐標(biāo)集S’中的點(diǎn)為起始位置，以坐標(biāo)集T中的點(diǎn)為目標(biāo)位置，對兩類坐標(biāo)點(diǎn)之間進(jìn)行雙向匹配，將目標(biāo)函數(shù)定義為所有點(diǎn)的移動總距離最小，得到圖像與排布位置間的匹配結(jié)果；

步驟3-4，根據(jù)步驟3-3中得到的匹配結(jié)果，將圖像集中的圖像移動到其在布局樣式中的坐標(biāo)位置，旋轉(zhuǎn)縮放圖像使得其最大內(nèi)接于坐標(biāo)對應(yīng)的多邊形區(qū)域，得到最終的圖像排布結(jié)果。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，步驟3-3中，根據(jù)如下公式計(jì)算目標(biāo)函數(shù)E：

$E=\underset{i=1}{\overset{n}{\Σ}}d(s_i,t_{\mathrm{\π}\left(i\right)}),$

其中d()表示計(jì)算歐式距離，π表示一種圖像排列，t_π(i)表示在圖像排列π中第i個圖像的坐標(biāo)位置。