基于均匀区域分割的图像检索研究

为减少图像分割准确性对基于内容的图像检索效率的影响,提出了一种基于均匀区域分割的图像检索算法。首先对图像进行均匀区域划分,提取其区域直方图颜色特征和Gabor小波纹理特征,再利用与所提取的图像特征相适应的相似性度量实现有效检索。实验结果表明,与SIMPLIcity系统相比,该算法平均检索性能提高了3.6%,具有良好的平均查找率。     

综合颜色和轮廓曲线特征的图像检索方法研究

传统的基于内容图像检索（CBIR）及跟踪算法主要利用图像的颜色、纹理等特征进行相似性比较,但大量的实验和应用也表明利用颜色和纹理进行图像相似性比较在空间结构和对象形状上难以精确控制,致使图像检索经常出现一些不可预料的结果。为了提高图像在形状、颜色及纹理上的检索精度,提出了一种综合颜色和图像轮廓曲线特征的检索方法。该方法分割图像并提取图像中感兴趣对象的轮廓,对提取的轮廓进行仿射变换及最小值化处理,经处理后的轮廓带有边缘的完整信息,具有几何不变性;利用聚类的颜色信息,提取主聚类的直方图,所提取的直方图不仅包含了主聚类的颜色信息也包含了该聚类的空间位置信息。利用检索对象与被检索对象的颜色距离直方图及轮廓曲线距离偏差的加权平均度量检索及被检索对象的相似性。实验结果表明,针对基于感兴趣对象的图像检索问题,给出了一种具有高度检索精度的算法。     

基于PDTDFB变换的彩色纹理图像检索

为提高纹理图像的检索效率,提出一种基于统计模型的纹理特征提取方法.采用金字塔对偶树方向滤波器组实现图像变换,利用Gamma分布对方向子带系数进行建模,通过矩估计方法得到分布参数,并作为纹理检索的特征,使用改进的KL距离度量相似性.在VisTex彩色纹理图像数据库上的检索结果表明,与DT-CWT小波变换相比,该方法的平均检索率较高.     

一种改进的提取显著点的图像检索技术①

在基于目标区域的图像检索中,显著点是一种重要的点特征。针对经典的显著点提取算法SPARSE（Salient Points Auto-Reduction using Segmentation）存在的复杂度高等问题,提出了一种改进算法,利用动态阈值分割算法中的类间方差和类内方差对图像进行分割,然后用三个颜色特征和三个纹理特征对分割出的显著点进行特征标注,最后用欧氏距离对显著点特征向量进行相似性度量。实验结果表明,改进后算法提取的显著点用于图像检索具有较好的检索效果。     

一种基于区域综合特征的图像检索算法

针对基于内容的图像检索所面临的图像低级视觉特征和高级语义之间的语义鸿沟问题,提出一种基于区域的图像检索算法。在LUV颜色空间中使用K均值聚类算法进行图像分割,提取分割后各区域的颜色、形状和区域自相关特征构成区域的综合特征,采用二次型距离相似性度量方法完成图像之间相似性的计算。实验结果表明,该算法具有较好的图像检索性能,与MIRROR中各算法相比,使用平均归一化修正检索等级得到的检索性能提高了12%~47.8%。     

特征点聚类高精度视差图像拼接

目的 针对不同视点下具有视差的待拼接图像中,特征点筛选存在漏检率高和配准精度低的问题,提出了一种基于特征点平面相似性聚类的图像拼接算法。方法 根据相同平面特征点符合同一变换的特点,计算特征点间的相似性度量,利用凝聚层次聚类把特征点划分为不同平面,筛选误匹配点。将图像划分为相等大小的网格,利用特征点与网格平面信息计算每个特征点的权重,通过带权重线性变换计算网格的局部单应变换矩阵。最后利用多频率融合方法融合配准图像。结果 在20个不同场景图像数据上进行特征点筛选比较实验,随机抽样一致性（random sample consensus, RANSAC）算法的平均误筛选个数为30,平均误匹配个数为8,而本文方法的平均误筛选个数为3,平均误匹配个数为2。对20个不同场景的多视角图像,本文方法与AutoStitch（automatic stitching）、APAP（as projective as possible）和AANAP（adaptive as-natural-as-possible）等3种算法进行了图像拼接比较实验,本文算法相比性能第2的算法,峰值信噪比（peak signal to noise ratio,PSNR）平均提高了8.7%,结构相似性（structural similarity,SSIM）平均提高了9.6%。结论 由本文提出的基于特征点平面相似性聚类的图像拼接算法处理后的图像保留了更多的特征点,因此提高了配准精度,能够取得更好的拼接效果。     

基于加权关系图谱特征的图像检索

基于相似性度量的图像检索方法大多仅考虑检索图像与结果图像之间的距离，而不考虑结果之间的关系，使得检索精度受到影响。该文提出了基于加权关系图谱特征的图像检索算法，该算法利用检索图像与检索初始结果图像的距离构造加权关系图，利用该关系图的谱系数夹角特征确定最终输出的检索结果。对比检索实验表明，该方法可以提高检索的精度、具有较好的稳定性。     

应用谱直方图相似性的纹理图像分割研究

提出基于谱直图相似性的纹理图像分割算法,在提出的纹理分割算法中,无需选择种子点。首先通过使用一组滤波器来获取纹理图像的纹理特征,基于空域/频域的表示方法,使用谱直方图作为特征统计,然后利用x²统计特征度量谱直方图之间的相似性,得到初始分割,然后基于形态学骨架化的原理,对区域边界进行精确定位,得到最终的分割结果。实验结果验证了算法的有效性。     

一种基于约束的中垂面相似度准则

在数据挖掘和机器学习的基于距离的各种技术中,例如基于距离的聚类和基于距离的分类,如何度量数据间的相似性已经成为一项基础任务.对于某一具体问题,采用合适的相似性度量,会使问题得到更有效的解决.越来越多的研究表明,通过对成对约束(正约束和负约束)的充分利用,从而得到与问题相匹配的相似性度量,能够大幅度地提升算法性能.目前基于约束的相似性度量研究主要是基于约束的距离度量学习,通过对约束信息的利用,学习一个距离度量矩阵,然后再进行分类或者聚类.通过对成对约束尤其是负约束的挖掘,提出一种基于成对约束的相似性度量准则,然后将此准则应用于聚类和分类任务中,分别提出聚类和分类算法,最后在大量标准数据集上将这些算法的性能与目前流行的算法进行实验比较,并据此得出了一些经验性的启示.     

基于内容的图像检索关键技术研究

对纹理、形状特征提取、相关反馈算法进行了研究。利用熵进行纹理特征提取，利用具有平移、旋转不变性的离散函数的七个不变矩进行形状特征提取，利用相似性度量函数进行图像的相似度匹配，根据用户反馈调整查询对象和权重进行新的检索。实验结果表明，应用反馈算法后，可明显提高基于内容的图像检索的准确率。     

基于图论的无监督区域遥感图像检索算法研究

为了改善基于内容的遥感图像检索技术,以遥感图像区域检索为框架,提出了一种新的基于图论的无监督学习遥感图像检索算法。首先,提出的方法 用图表为每一幅图像建模,同时结合局部信息和相关的空间结构,提供基于区域的图像代表。将每一幅图像初步划分为不同的区域,再通过属性关系图建模,节点和边界分别代表区域特征和它们之间存在的空间关系。然后,通过评估基于图像的相似点实现最相似于查询图像的图像检索。为匹配相应的图像以及按照图像相似点实现图像检索,采用了结合子图同构算法和光谱图嵌入技术的新型非精确图像匹配策略。实验结果显示,与其他两种无监督遥感图像检索方法相比,所提方法的检索性能明显改善。     

基于新的空间关系特征的图像检索方法

图像与图像之间没有清晰的空间结构,这样就不能有效利用图像间空间结构上的相关性信息,针对此问题提出一种基于新的空间关系特征的图像检索方法。首先,提取待查询图像在内的全部图像的特征向量。然后,计算特征向量每两个之间的相似性,形成相似性矩阵。将相似性矩阵的列集合作为新特征向量,命名为新的空间关系特征向量,从而将原来的特征向量映射到一个欧氏空间上。最后,在新特征空间上计算相似性,特征向量之间的相似性问题就转化为新的空间关系特征向量之间的相似性问题。在新特征空间上,图像与图像之间的空间结构变得清晰了,有利于图像检索准确度的提高。在Corel数据库上进行实验,所提方法在平均检索查准率、查全率-查准率和可视化评价指标上都优于基于颜色直方图的图像检索方法。结果表明,基于新的空间关系特征的图像检索方法有效利用了图像间空间结构上的相关性信息,具有更好的检索效果。     

Locally adaptive subspace and similarity metric learning for visual data clustering and retrieval

Subspace and similarity metric learning are important issues for image and video analysis in the scenarios of both computer vision and multimedia fields. Many real-world applications, such as image clustering/labeling and video indexing/retrieval, involve feature space dimensionality reduction as well as feature matching metric learning. However, the loss of information from dimensionality reduction may degrade the accuracy of similarity matching. In practice, such basic conflicting requirements for both feature representation efficiency and similarity matching accuracy need to be appropriately addressed. In the style of “Thinking Globally and Fitting Locally”, we develop Locally Embedded Analysis (LEA) based solutions for visual data clustering and retrieval. LEA reveals the essential low-dimensional manifold structure of the data by preserving the local nearest neighbor affinity, and allowing a linear subspace embedding through solving a graph embedded eigenvalue decomposition problem. A visual data clustering algorithm, called Locally Embedded Clustering (LEC), and a local similarity metric learning algorithm for robust video retrieval, called Locally Adaptive Retrieval (LAR), are both designed upon the LEA approach, with variations in local affinity graph modeling. For large size database applications, instead of learning a global metric, we localize the metric learning space with kd-tree partition to localities identified by the indexing process. Simulation results demonstrate the effective performance of proposed solutions in both accuracy and speed aspects.     

Graph-based representation for similarity retrieval of symbolic images

Image retrieval from an image database by the image objects and their spatial relationships has emerged as an important research subject in these decades. To retrieve images similar to a given query image, retrieval methods must assess the similarity degree between a database image and the query image by the extracted features with acceptable efficiency and effectiveness. This paper proposes a graph-based model SRG (spatial relation graph) to represent the semantic information of the contained objects and their spatial relationships in an image with no file annotation. In an SRG graph, the image objects are symbolized by the predefined class names as vertices and the spatial relations between object pairs are represented as arcs. The proposed model assesses the similarity degree between two images by calculating the maximum common subgraph of two corresponding SRG’s through intersection, which has quadratic time complexity owing to the characteristics of SRG. Its efficiency remains quadratic regardless of the duplication rate of the object symbols. The extended model SRG_T is also proposed, with the same time complexity, for the applications that need to consider the topological relations among objects. A synthetic symbolic image database and an existing image dataset are used in the conducted experiments to verify the performance of the proposed models. The experimental results show that the proposed models have compatible retrieval quality with remarkable efficiency improvements compared with three well-known methods LCS_Clique, SIM_R, and 2D Be-string, where LCS_Clique utilizes the number of objects in the maximum common subimage as its similarity function, SIM_R uses accumulation-based similarity function of similar object pairs, and 2D Be-string calculates the similarity of 2D patterns by the linear combination of two 1D similarities.     

图像检索中的动态相似性度量方法

为提高图像检索的效率,近年来相关反馈机制被引入到了基于内容的图像检索领域。该文提出了一种新的相关反馈方法－－动态相似性度量方法。该方法建立在目前被广泛采用的图像相拟性度量方法的基础上,结合了相关反馈图像检索系统的时序特性,通过捕获用户的交互信息,动态地修正图像的相似性度量公式,从而把用户模型嵌入到了图像检索系统,在某种程度上使图像检索结果与人的主观感知更加接近。实验结果表明该方法的性能明显优于其它图像检索系统所采用的方法。     

基于空间特征的图像检索

提出一种新的基于空间特征的图像特征描述子SCH,利用基于颜色向量角和欧几里得距离的MCVAE算法共同检测原始彩色图像边缘,同时利用一种新的“最大最小分量颜色不变量模型”对原始图像量化,对边缘像素建立边缘相关矩阵;对非边缘像素使用颜色直方图描述局部颜色分布信息;然后,利用新的sin相似性度量法则衡量图像特征间的相似度。实验采用VC++6.0开发了基于内容的图像检索原型系统“SttImageRetrieval”,基于Oracle 9i数据库建立了一个综合型图像数据库“IMAGEDB”。实验分析结果证明,利用SCH描述子的检索准确度明显高于仅基于颜色统计特征的检索结果。     

语义相似性测度方法研究综述

语义相似性测度是信息检索中的关键技术.回顾了基于距离的、基于信息内容的、综合了距离和信息内容的、基于图的语义相似性测度算法,认为基于图的语义相似性测度算法是今后研究的方向.     

Self-organization in vision: stochastic clustering for imagesegmentation, perceptual grouping, and image database organization

We present a stochastic clustering algorithm which uses pairwise similarity of elements and show how it can be used to address various problems in computer vision, including the low-level image segmentation, mid-level perceptual grouping, and high-level image database organization. The clustering problem is viewed as a graph partitioning problem, where nodes represent data elements and the weights of the edges represent pairwise similarities. We generate samples of cuts in this graph, by using Karger's contraction algorithm (1996), and compute an "average" cut which provides the basis for our solution to the clustering problem. The stochastic nature of our method makes it robust against noise, including accidental edges and small spurious clusters. The complexity of our algorithm is very low: O(|E| log² N) for N objects, |E| similarity relations, and a fixed accuracy level. In addition, and without additional computational cost, our algorithm provides a hierarchy of nested partitions. We demonstrate the superiority of our method for image segmentation on a few synthetic and real images, both B&W and color. Our other examples include the concatenation of edges in a cluttered scene (perceptual grouping) and the organization of an image database for the purpose of multiview 3D object recognition     

基于大数据的掌上医疗器械检索平台研究

为了提高掌上医疗器械的信息化检索和管理能力,提出基于大数据的掌上医疗器械检索方法,构建掌上医疗器械检索的大数据分布模型,采用有向图模型构建掌上医疗器械信息库的检索节点分布结构模型,在掌上医疗器械信息库库中进行语义关联规则分析,采用字符串的匹配技术,建立掌上医疗器械信息库检索的模糊决策模型,采用大数据融合方法实现掌上医疗器械检索的算法设计,结合自相关特征匹配方法实现掌上医疗器械信息库的语义特征提取,实现掌上医疗器械检索平台的优化设计。仿真结果表明,采用该方法进行掌上医疗器械检索的智能性较好,检索的查准性较高,时延较低。     

融合直接度量和间接度量的行人再识别

当前行人再识别的度量算法在计算相似性时主要依据两幅图像自身的判别信息(直接度量),较少依据与两幅图像相关的其它图像的判别信息(间接度量).针对此种情况,文中提出加权融合直接度量和间接度量的度量方法.首先提取图像的局部最大概率特征和突出性颜色名称特征,融合两者作为图像的最终特征.然后分别计算两幅图像的直接相似性和间接相似性,利用序列排序方法对数据库样本进行训练,得到权值参数,从而得到两幅图像的最终相似性.在Market-1501数据库和CUHK03数据库上的实验表明,融合后的度量识别能力明显高于单个度量的识别能力.