基于内容图像检索中的特征性能评价

在基于内容的图像检索中，不同图像特征反映了图像各个侧面的内在特性，因此，在使用图像特征进行检索时存在多种相似性度量方法．特征以及特征间相似性度量方法的选取是当前CBIR研究的一个重要课题．评估了CBIR系统中使用的图像特征在不同相似性度量方法下及多种特征在不同图像库上的检索性能，为CBIR系统的设计和实现提供一定的依据．通过实验发现，图像特征的检索性能不仅同相似性度量方法有关系，同时与图像库也有密切的关系．     

基于内容的图像检索技术与医学图像检索

在分析基于内容的图像检索技术特点的基础上，提出了4种基于内容的图像检索方法，并对每种方法的实现特别是特征抽取进行了一定的研究。根据医学图像的使用特点，对基于内容的医学图像检索技术进行了初步的研究；对医学图像特征的抽取，应将重点放在形状特征和纹理特征的抽取上；同时，对医学图像进行检索，还可以使用颜色空间分布特征，来进一步进行相似匹配。     

基于内容的图像检索介绍

基于内容特征的图象检索（CBIR）是目前国内外研究的一个热点。本文简要介绍了基于内容的图像检索技术的发展过程及主要原理，重点论述了基于内容的图像检索常用关键技术——图像视觉特征的描述和提取。     

基于小波多尺度分析的彩色图像检索方法

多媒体技术的普及和Internet技术的实施导致了大量图像信息的出现，基于文本关键词的传统检索方法已不能适应图像信息检索的要求，这使得基于内容的图像检索技术逐渐成为目前的研究热点。基于内容检索技术中必不可少的关键步骤就是图像特征的提取，其中可提取的特征有颜色、纹理和形状等。但是，由于图像的每种特征只能抓住图像相似性的某一个方面，因此如何能更好地表示图像就成为基于内容图像检索中一个重要的研究方向。针对该问题，提出了一种基于图像颜色和纹理特征的图像检索方法，其中颜色特征采用HSV颜色空间的直方图，纹理特征采用图像小波多尺度表示方法中细节信息的方差统计量，这样就充分利用了颜色的丰富表现性和小波变换的多分辨性及其变换系数的统计特性。通过对不同类型图像使用不同特征组合进行图像检索查准率的对比实验结果表明，这种图像检索方法是行之有效的。     

一种海量图像中低复杂度检索模型仿真

由于海量图像中的数量规模大,造成有相同图像检索特征的干扰图像过多,图像低层视觉特征和高层区分特征之间存在的差异度过小,传统的图像检索方法难以充分表达图像的可检索的差异化特征信息,造成图像检索方法鲁棒性不强,检索误差大.提出一种运用图像细微特征区分概念的低复杂度海量图像检索优化方法.针对检索图像的灰度差异,进行图像归一化处理,最大化减小海量图像相似特征对检索方向的消极影响,依据SIFT算法,通过寻求图像极值点的坐标、尺度空间及方向实现对图像细微特征的提取,根据图像颜色的直方图相交的相关理论,计算图像的特征相似度,实现检索图像与目标图像特征相似度匹配,完成对细微特征区分的海量图像检索.实验结果表明,利用改进算法进行细微特征区分的海量图像检索,能够提高检索精度.     

基于内容的图像检索技术研究

介绍了基于内容的图像检索与文本关键词检索的不同，阐述了基于内容图像检索的基本原理、检索方式和关键技术以及医学图像检索方法。     

基于内容图像检索的特征性能评价研究

从基于内容图像检索特征来看,各特征反应了图像各侧面内在特性,利用此种技术检索需要多类相似性度量方法,特征与特征之间的相似性度量方式是当前CBIR的核心课题。使用图形特征,在不同相似性的度量方式下,多种特征在图像库上的检索性能,可为CBIR系统设计提供相应的依据,通过本次实验得知,图像特征检索性能不仅与度量方法有关,也与图像库有密切关联。     

交互式遗传算法在基于内容的图像检索中的应用

基于内容的图像检索方法是根据图像所包含的色彩、纹理、形状以及对象的空间关系等信息，通过建立图像的特征矢量，并将其作为图像的索引来进行图像检索的技术，其检索效果与图像特征矢量的编码方式以及具体的图像检索方法都有着很密切的关系。为了提高图像的检索效率，提出了一种基于交互式遗传算法的图像检索方法，该方法首先采用“变均分单元”法对图像进行分割，并对图像的特征信息加以汇总，形成图像的特征矢量；然后在此基础上，使用“螺旋式”的图像拆分方式通过对图像特征数据进行编码来生成图像染色体，并使它参与遗传算法中的各种遗传操作。在图像的检索过程中，该方法采用交互式遗传算法，首先对系统在每一步提供的候选图像集进行评价，然后利用非均匀遗传算子来从图像库中选出接近用户需求的图像。进一步的实验肯定了其在基于内容的图像检索过程中的有效性，与其他相关工作的比较结果说明，该方法具有简捷、高效的特点。     

基于傅立叶变换的医学图像检索算法分析

如何从傅立叶变换的频谱特征获取附加识别信息，构造相应的特征向量，并选择适宜的相似性度量方法，是基于频率域的图像检索的关键．比较分析了基于傅立叶频谱的两组特征，选取楔环特征应用于西北大学可视化研究所开发的医学影像数据库系统中，在医学图像的检索中取得了较好的效果．     

基于聚类的图像视觉内容检索和索引

图像是一种典型的可以大量获取的多媒体数据，对它们进行内容管理具有实际意义，描述在BOIC系统中提出并实现的基于聚类机制的图像视觉内容检索和索引方法．首先给出以视觉特征、空间结构、语义注释等来表示图像内容的模型；然后给出基于该模型的三个检索算法，包括基于视觉感知的颜色检索算法、轮廓检索算法、主色调扩展检索算法；最后给出采用集簇算法时媒体数据进行聚类的索引机制．它建立聚类索引表来缩小查询范围，从而提高了检索效率。     

多媒体工程：2016——图像检索研究进展与发展趋势

目的 基于内容的图像检索方法利用从图像提取的特征进行检索,以较小的时空开销尽可能准确的找到与查询图片相似的图片。方法 本文从浅层特征、深层特征和特征融合3个方面对图像检索国内外研究进展和面临的挑战进行介绍,并对未来的发展趋势进行展望。结果 尺度下不变特征转换（SIFT）存在缺乏空间几何信息和颜色信息,高层语义的表达不够等问题;而CNN （convolutional neural network）特征则往往缺乏足够的底层信息。为了丰富描述符的信息,通常将SIFT与CNN等特征进行融合。融合方式主要包括：串连、核融合、图融合、索引层次融合和得分层（score-level）融合。"融合"可以有效地利用不同特征的互补性,提高检索的准确率。结论 与SIFT相比,CNN特征的通用性及几何不变性都不够强,依然是图像检索领域面临的挑战。     

基于内容图像检索的特征子空间抽取

作为一种有效的解决手段,相关反馈(relevance feedback)技术在基于内容图像检索(content based image retrieval)的研究中得到了深入的发展.尽管有效,已有的反馈算法却始终没有解决特征空间的有指导降维和特征中的噪声去除这两个问题.提出了一种新的方法,通过对用户在检索过程中提供的正反馈样本在各特征空间中的分布特性,利用主成分分析(principal component analysis)来消除特征中的噪声,实现了对特征空间进行有效的降维.试验结果显示,该方法在不牺牲检索精度的前提下提高了检索速度,降低了存储复杂度.     

基于ROI多特征和相关反馈的图像检索算法

本文提出了一种基于感兴趣区域(ROI)综合多特征和相关反馈的图像检索算法.在对图像进行四叉树分解的基础上,由用户选择感兴趣区域,综合颜色、纹理和形状三种底层特征进行多层感兴趣区域检索;由相关反馈技术体现用户感知的主观性,通过调整感兴趣区域、特征问、特征内的权重来提高查准率.给出了改进的CBIR通用模型和特征权重模型.实现了一个图像检索原型系统,将不同实验结果进行了比较和分析,实验结果表明,该文提出的方法具有良好的检索效果.     

一种深度置信网络和迭代量化的图像检索方法

针对网络图像数据的迅速增多导致传统图像检索的效果不能满足当前需求的问题,提出了一种基于深度置信网络(deep belief network,DBN)和迭代量化(iterative quantization,ITQ)的无监督学习图像检索的方法.首先,构造深度置信网络的模型,此模型是由3层受限玻尔兹曼机堆叠而成;然后,用此深度置信网络模型对原始图像的高维特征进行中维特征提取,再采用迭代量化的哈希方法,对提取图像中维特征进行二值编码;最后,针对MNIST、CIFAR-10和Corel-1000数据集对模型进行实验验证并评估.结果表明,所提出的方法与现在的几种主流方法相比检索性能更好.除此之外,本方法对乳腺数据集DDSM和肺结节CT图像数据集LIDC-IDRI中的检索也取得了较好的效果.     

基于颜色纹理的图像多特征检索技术在中医舌诊中的应用研究

为了对传统的中医舌诊数字化提出新的方法,并实现通过计算机来进行舌像图像的分类检索,此文将一种结合了颜色和纹理特征的、基于内容的多特征图像检索算法引入到中医舌像的分析中。该算法将表现颜色和纹理的20个特征值作为表达图像内容特征的特征向量,并以此作为舌像检索的距离度量标准。实验结果证明这种算法不仅具有移动、旋转、尺度变换不变性,而且还具有优良的检索性能。因此,此算法可以很好的实现舌像图像的分类检索。     

基于颜色-空间特征的图像检索

虽然基于颜色直方图特征的图像检索方法简单、高效,但却丢失了颜色的空间分布信息.提出了一种基于颜色-空间特征的图像检索方法.该方法将图像内容看成由若干对象组成的集合,首先利用图像分割得到主要对象,然后根据对象的颜色、位置和形状特征计算图像间内容的相似度,再进行检索.实验结果表明,当图像中有明显的物体时,该方法与颜色直方图相比,能够更加准确和高效地查找出用户所需内容的图像,明显地提高了检索精度.     

结合判别相关分析与特征融合的遥感图像检索

目的 高分辨率遥感图像检索中,单一特征难以准确描述遥感图像的复杂信息。为了充分利用不同卷积神经网络（convolutional neural networks,CNN）的学习参数来提高遥感图像的特征表达,提出一种基于判别相关分析的方法融合不同CNN的高层特征。方法 将高层特征作为特殊的卷积层特征处理,为了更好地保留图像的原始空间信息,在图像的原始输入尺寸下提取不同高层特征,再对高层特征进行最大池化来获得显著特征;计算高层特征的类间散布矩阵,结合判别相关分析来增强同类特征的联系,并突出不同类特征之间的差异,从而提高特征的判别力;选择串联与相加两种方法来对不同特征进行融合,用所得融合特征来检索高分辨率遥感图像。结果 在UC-Merced、RSSCN7和WHU-RS19数据集上的实验表明,与单一高层特征相比,绝大多数融合特征的检索准确率和检索时间都得到有效改进。其中,在3个数据集上的平均精确率均值（mean average precision,mAP）分别提高了10.4% 14.1%、5.7% 9.9%和5.9% 17.6%。以检索能力接近的特征进行融合时,性能提升更明显。在UC-Merced数据集上,融合特征的平均归一化修改检索等级（average normalized modified retrieval rank,ANMRR）和mAP达到13.21%和84.06%,与几种较新的遥感图像检索方法相比有一定优势。结论 本文提出的基于判别相关分析的特征融合方法有效结合了不同CNN高层特征的显著信息,在降低特征冗余性的同时,提升了特征的表达能力,从而提高了遥感图像的检索性能。     

特征级数据融合在医学图像检索中的应用

医学图像检索的效果很大程度上取决于特征提取的优劣。针对医学图像的自身特点,采用直方图、Gabor小波、不变矩三种典型方法分别提取了颜色、纹理、形状三类特征,然而将各种方法提取的特征直接用于图像检索效果并不理想。为此,提出了基于主元分析的特征级数据融合算法,避免了不同特征间数值上的悬殊对分类的影响,同时还达到了特征降维、去除特征间冗余的目的。实验结果表明,融合后的特征能更好地表达医学图像的内容,在医学图像检索中取得了较好的检索效果。     

Expert system design using wavelet and color vocabulary trees for image retrieval

A new image indexing and retrieval system for content based image retrieval (CBIR) is proposed in this paper. The characteristics (vector points) of image are computed using color (color histogram) and SOT (spatial orientation tree). The SOT defines the spatial parent-child relationship among wavelet coefficients in multi-resolution wavelet sub-bands. First the image is divided into sub-blocks and then constructed the SOT for each low pass wavelet coefficient is considered as a vector point of that particular image. Similarly the color histogram features are collected from the each sub-block. The vector points of each image are indexed using vocabulary tree. The retrieval results of the proposed method are tested on different image databases, i.e., natural image database consists of Corel 1000 (DB1), Brodatz texture image database (DB2) and MIT VisTex database (DB3). The results after being investigated show a significant improvement in terms of average precision, average recall and average retrieval rate on DB1 database and average retrieval rate on texture databases (DB2 and DB3) as compared with most of existing techniques on respective databases.