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。     

基于主色选择的CBIR检索

基于内容和图像检索（CBIR）是多媒体检索研究的前沿课题，利用颜色特征作为索引进行图像检索是最重要的战术，在提取图像主要颜色特征的基础上，进一步提取了相应的主色空间分布信息-主色矩特征，作为图像库的索引，在改进加权二次型相似性度量方法的基础上，提出了相应的主色多特征相似性度量方法，由于用户对图像中不同的主色具有不同的检索要求，提出了主色调选择的用户模型，用于更精确的图像检索，实现了WWW发布方式的CBIR原型系统，实验结果表明加入主色选择使得图像检索的效果更好。     

基于图像主色特征的CBIR

CBIR（Content Based Image Retrieval）是当前多媒体检索的热点。颜色特征是图像检索的重要特征。为了提高颜色特征的检索效果，在提取图像主色特征的基础上，进一步提取了相应的主色空间分布信息－主色矩特征，并建立了图像主色特征的描述模型。在改进加权二次型相似性度量方法的基础上，提出主色多特征相似性度量方法，并对几种不同的相似性度量方案进行了对比，其中DCME方法在WWW发布方式的CBIR原型系统上取得了较好的实验结果。     

图像检索中的相似性度量方法

相似性度量方法是基于内容的图像检索（CBIR）系统研究的一个重要方面．本文对心理学中相似性的分类以及人类相似性判别的基本模型进行了说明。对图像在视觉特征以及语义特征上的相似性度量方式及研究的现状做了较为详尽的综述,并进行了比较说明。     

图像检索中的相似性判别及索引方法综述

基于内容的图像检索(CBIR)是对传统信息检索领域的扩展.它采用图像视觉内容的相似性判别进行查询.CBIR涉及到很多科学领域的课题.本文则仅主要综述CBIR技术中的相似性度量方法,索引方式,以及检索性能的评价.最后,分析了该领域现存的问题、最新研究动态及发展方向.     

图像检索中一种新的相关反馈机制

1.引言近年来,随着图像数据的大量增加,对图像进行智能化、基于内容的处理愈来愈引起人们的极大兴趣。除了使用手工输入的关键字外(基于文本的方法),其于内容的图像检索(Content-Based Image Retrieval,CBIR)系统也使用图像的视觉特征来建立图像索引,所使用的图像低层特征包括:颜色、纹理和形状等。在CBIR系统中,最常用的检索模式是“例子查询”(Query By Example,QBE),即首先由用户选取一个或多个例子图像(Query Images),然后,系统自动地从图像库中检索出与其相似的数据库图像。在这种检索模式中,系统的检索能力完全依赖于图像特征的性质以及用户所选取的例子图像的质量。到目前为止,大多数研究均侧重于寻找一种最好的图像表示方法,而对于人在CBIR系统中的作用以及检索过     

基于语义测度的图像相似性计算研究

针对图像检索中的低层视觉特征相似性度量问题,提出一种基于语义测度的图像相似性计算方法。该方法在图像区域分割的基础上,通过构建图像区域子块与语义元数据之间的统计映射关系,实现图像内容的统计语义描述,建立图像之间、图像与语义类别、语义类别之间的分层语义相似测度。通过对自然图像库的实验结果表明,该方法在相似图像检索中具有更好的性能。     

混合微结构分析方法及其在图像检索中的应用

为解决图像检索领域现有的特征提取方法信息保留不足,检索方法单一,以及时效性不强等问题,对一些独特的图像分析方法进行讨论.方法:利用一种新的图像特征侦测方法生成图像特征库,然后利用该方法提取检索图像内容特征,经过相似性度量准则度量后,最终以度量排序结果进行图像检索.结果:实验结果表明,与多种流行的图像检索方法相比,无论是在查准率还是在查全率方面该方法都具备较好的性能.结论:所述图像检索方法利用一种新的各向异性的微结构分析方法实现了对图像特征的描述,有效提高了图像检索能力,具有很强的实用性.     

基于内容的图像检索技术探索

基于内容的图像检索(CBIR)是目前国内外的一个研究热点,文章介绍了基于内容图像检索的关键技术、系统体系结构等核心内容,论述了图像检索涉及到的图像特征提取和相似性度量等技术,并就各种特征提取方法进行综合分析、比较。最后指出了目前CBIR的研究现状、存在问题及发展方向。     

基于纹理特征的图像检索方法的研究与实现

在研究与分析了纹理特征提取算法的基础上,设计并实现了一个图像检索实验系统。该系统相似性度量采用欧氏距离方法,特征提取算法为共生矩阵,并且利用UIUC图像库中五类536幅蝴蝶图像和Caltech101图像库中的barrel,dalmatian和sunflower三类等图像数据库验证了共生矩阵提取纹理特征的检索方法,并对不同测试图库所得到的实验结果进行比较。从实验结果可以看出,对于具有明显的纹理特征的图像数据库利用共生矩阵提取算法还是具有较好的检索性能,可以得到较好的检索效果。     

综合颜色和纹理特征的图像检索算法

基于内容的图像检索是当前多媒体信息检索的热点之一。基于内容的图像检索技术是根据对图像内容(特征)的描述和提取,在图像库中找到具有指定内容(特征)的图像。本文对图像颜色特征和纹理特征的提取、相似性度量等基于内容的图像检索的关键技术进行了分析和研究,并在此基础上,提出了一个基于颜色特征和纹理特征的图像检索算法并验证了其有效性。该算法采用HSV颜色空间的直方图作为颜色特征向量,采用灰度共生矩阵的四个纹理特征:能量、熵、惯性矩和相关性构成纹理特征向量,采用欧氏距离进行相似性度量。实验结果表明,该算法实现的系统具有良好的图像检索功能。     

Relevance Feedback and Learning in Content-Based Image Search

A major bottleneck in content-based image retrieval (CBIR) systems or search engines is the large gap between low-level image features used to index images and high-level semantic contents of images. One solution to this bottleneck is to apply relevance feedback to refine the query or similarity measures in image search process. In this paper, we first address the key issues involved in relevance feedback of CBIR systems and present a brief overview of a set of commonly used relevance feedback algorithms. Almost all of the previously proposed methods fall well into such framework. We present a framework of relevance feedback and semantic learning in CBIR. In this framework, low-level features and keyword annotations are integrated in image retrieval and in feedback processes to improve the retrieval performance. We have also extended framework to a content-based web image search engine in which hosting web pages are used to collect relevant annotations for images and users' feedback logs are used to refine annotations. A prototype system has developed to evaluate our proposed schemes, and our experimental results indicated that our approach outperforms traditional CBIR system and relevance feedback approaches.     

基于索引和相关反馈的图像检索研究

在基于图像内容的图像检索(CBIR)系统中,搜索引擎检索图像类似于按照相似标准来查询图像,它应该有足够快的速度并且有较高的检索准确率.索引用来提高系统响应,而相关反馈用于帮助提高检索准确率.在本文中,主要说明基于人感知的相似性度量,以及讨论综合相关反馈的索引方案.该索引方案通过分析特征熵而得出的主从键,而相关反馈是根据Mann-Whitnev检验而提出的,该检验通常用来识别来自同一搜索集中相关图像和不相关图像之间不同特征,并利用不同特征的特点提高检索性能.相关反馈方案针对两不同相似标准来执行,检验判定了这个方法的有效性.最后,把索引机制和相关反馈机制结合起来建立搜索引擎.     

基于内容的图象检索技术

随着数字图象的日益增多,基于内容的图象检索已成为图象使用者和管理者迫切需要解决的问题,近年来,各国研究者纷纷加入该领域的研究.为了使人们对该领域现状有个概略了解,以推动该领域研究进一步开展,首先概括介绍了基于内容图象检索的产生、发展及其关键技术;然后介绍了特征提取(包括低层特征和语义特征)及其相似性计算、相关反馈等的原理及算法;最后指出了基于内容的图象检索技术与计算机视觉技术的区别所在,并对目前存在的问题和应着重的研究内容以及发展方向进行了分析.     

基于内容的图像检索系统研究

对基于内容的图像检索系统进行了详细的分析研究，重点对颜色、纹理和形状等图像可视特征的提取和表示进行了研究，并简要介绍了基于内容的图像检索中图像语义的处理和应用，最后提出了CBIR系统及其相关技术的发展趋势和研究重点。     

Collaborative image retrieval via regularized metric learning

In content-based image retrieval (CBIR), relevant images are identified based on their similarities to query images. Most CBIR algorithms are hindered by the semantic gap between the low-level image features used for computing image similarity and the high-level semantic concepts conveyed in images. One way to reduce the semantic gap is to utilize the log data of users' feedback that has been collected by CBIR systems in history, which is also called “collaborative image retrieval.” In this paper, we present a novel metric learning approach, named “regularized metric learning,” for collaborative image retrieval, which learns a distance metric by exploring the correlation between low-level image features and the log data of users' relevance judgments. Compared to the previous research, a regularization mechanism is used in our algorithm to effectively prevent overfitting. Meanwhile, we formulate the proposed learning algorithm into a semidefinite programming problem, which can be solved very efficiently by existing software packages and is scalable to the size of log data. An extensive set of experiments has been conducted to show that the new algorithm can substantially improve the retrieval accuracy of a baseline CBIR system using Euclidean distance metric, even with a modest amount of log data. The experiment also indicates that the new algorithm is more effective and more efficient than two alternative algorithms, which exploit log data for image retrieval.     

State of the art content based image retrieval techniques using deep learning: a survey

In the recent years the rapid growth of multimedia content makes the image retrieval a challenging research task. Content Based Image Retrieval (CBIR) is a technique which uses features of image to search user required image from large image dataset according to the user’s request in the form of query image. Effective feature representation and similarity measures are very crucial to the retrieval performance of CBIR. The key challenge has been attributed to the well known semantic gap issue. The machine learning has been actively investigated as possible solution to bridge the semantic gap. The recent success of deep learning inspires as a hope for bridging the semantic gap in CBIR. In this paper, we investigate deep learning approach used for CBIR tasks under varied settings from our empirical studies; we find some encouraging conclusions and insights for future research.