1.一种基于k邻域分布得分的图像重排序方法，其特征在于：在以图像相似度进行降排序的初始排序列表的基础上，再根据k邻域分布得分的高低进行重新排序；包括以下步骤：步骤1：获取包含N张参考图像的初始参考图像集G＝{gi|i＝1,2,3,...,N}，并计算单张测试图像p与各参考图像的相似度，根据图像相似度从高到低进行排序，从而获得初始排序列表 其中， 是在初始排序列表中排在第i位的参考图像；

步骤2：建立测试图像p的扩展查询集Q(p,k)，按如下公式：Q(p,k)＝{p}+N(p,k-1)；

其中，p为测试图像，N(p,k-1)来自于初始排序列表Ω(p,G)中的前k-1张参考图像，步骤3：将初始排序列表 作为新的测试图像集并且，

步骤4：将测试图像p添加到初始参考图像集G中，从而得到新的参考图像集Gnew＝{p}+G；

步骤5：遍历新的测试图像集Pnew，计算以Pnew中各图像依次作为新的测试图像到新的参考图像集Gnew中各参考图像的相似度，并根据相似度从高到低对新的参考图像集Gnew中各参考图像进行排序，从而对应每个新的测试图像均获得临时排序列表；

步骤6：根据各新的测试图像所对应的临时排序列表，搜索扩展查询集Q(p,k)中k张图像在各个临时排序列表中的排序位置L；

步骤7：计算初始排序列表Ω(p,G)中各参考图像的以下得分：位置得分Sd-l、重叠得分Sd-o以及离散得分Sd-d；其中， 的各项得分分别按如下公式计算：其中，扩展查询集Q(p,k)中测试图像p在新的测试图像 所对应的临时排序列表中的排序位置为L(p)；扩展查询集Q(p,k)中参考图像 在新的测试图像 所对应的临时排序列表中的排序位置为 测试图像p的权重系数为 k-1张参考图像的权重系数均为

其中，N(p,k)表示测试图像p的最近k领域，即初始排序列表Ω(p,G)中的前k张参考图像组成的图像集； 表示新的测试图像 的最近k领域，即新的测试图像所对应的临时排序列表中的前k张参考图像组成的图像集；card[·]表示求N(p,k)与 相同图像的数量；

其中，var[·]表示方差计算；

步骤8：构造各个初始排序列表Ω(p,G)中各参考图像的k领域分布得分Sd，按以下任意一种方式：以位置得分作为k领域分布得分：Sd＝Sd-l；

以重叠得分作为k邻域分布得分：Sd＝Sd-o

以位置得分与重叠得分的乘积作为k邻域分布得分：Sd＝Sd-l×Sd-o；

以离散得分与重叠得分的乘积作为k邻域分布得分：Sd＝Sd-d×Sd-o；

以位置得分、离散得分与重叠得分的乘积作为k邻域分布得分：Sd＝Sd-l×Sd-d×Sd-o；

步骤9：根据初始排序列表Ω(p,G)中各参考图像的k领域分布得分，从高到低，对初始排序列表Ω(p,G)中各参考图像进行重新排序，从而得到基于k邻域分布得分的重排序列表。

2.根据权利要求1所述的基于k邻域分布得分的图像重排序方法，其特征在于：采用特征距离作为测试图像与参考图像的相似度判断指标。

3.根据权利要求1所述的基于k邻域分布得分的图像重排序方法，其特征在于：k值根据初始参考图像集G中同一目标对象所拥有的平均参考图像数量n进行确定，k的取值区间为[0.6n,0.7n]。