基于特征子空间学习的跨媒体检索方法

学习不同模态的多媒体数据在底层特征上的潜在关系,在降维得到的特征子空间中通过基于相似度传递的优化算法对图像和音频的聚类质量进行修正.相关反馈过程中设计了3种主动学习策略用以计算用户标注样本周围未标注样本的条件概率,从而在反馈样本有限的情况下提高跨媒体检索效率.实验结果表明该方法准确度量跨媒体的相关性,有效实现图像和音频数据之间的相互检索.     

图像检索中一种支持多例查询的新方法

基于内容的图像检索的关键问题之一是高层语义和低层图像特征之间的差异,相关反馈技术是缩短这个"语义鸿沟"的有效方法。本文提出了一种新的相关反馈算法,通过分析正例图像在特征空间中的散布来构造该类图像的投影空间,该空间对应于一个语义类在特征空间中分布密集的子空间,在投影空间中计算相似图像。同时根据每次反馈的信息不断修正投影空间来提高系统的检索性能。在Corel大图像库中的实验结果表明,该算法对多例图像查询有较好的检索效果。     

一种基于显著点和SVM相关反馈的图像检索方法

针对传统基于全局特征的图像检索方法存在的不足,提出一种基于显著点特征和SVM(support vector machine)相关反馈相结合的图像检索方法.显著点提取方法是对图像进行小波分解,选择粗分辨率下绝对值较大的小波系数,它们对应原图像中变化较大的区域,然后在细分辨率下跟踪这些小波系数,提取原图像中的能代表这些变化的点,即显著点;然后利用显著点的空间分布信息,提取显著点周围局部区域的特征进行检索,并对检索结果进行SVM相关反馈.实验结果表明,引入反馈的方法可有效地检索更多的相关图像,明显提高了检索的准确性.     

一种基于局部保形映射(LPP)的相关反馈方法

目前图像检索通常采用高效的图像降维算法和适当的相关反馈技术来提高检索的效率。局部保形映射(LPP)算法是保留图像本质特征的一种有效的线性降维算法。本文在LPP算法的基础上引入相关反馈技术,进一步提高了检索准确度。利用LPP算法得到降维子空间,在子空间上得出查询数据的k-近邻构成候选数据集,并与查询数据集构建一个权图G,通过弗洛伊德算法求得图G中任意两个数据点之间的测地线距离并排序进而得出反馈结果。实验表明,该算法提高了检索的准确度,并使检索结果得到一定的优化。     

一种基于内容相关性的跨媒体检索方法

针对传统基于内容的多媒体检索对单一模态的限制,提出一种新的跨媒体检索方法.分析了不同模态的内容特征之间在统计意义上的典型相关性,并通过子空间映射解决了特征向量的异构性问题,同时结合相关反馈中的先验知识,修正不同模态多媒体数据集在子空间中的拓扑结构,实现跨媒体相关性的准确度量.实验以图像和音频数据为例验证了基于相关性学习的跨媒体检索方法的有效性.     

降维空时自适应处理研究

降维是空时自适应处理(STAP:SPACE-TIME ADAPTIVE PROCESSING)实用化的重要手段,基于杂渡协方差矩阵特征分解的降维是一类重要的降维方法,但是特征分解的大计算量限制了这种方法的使用.本文详细分析了杂波协方差矩阵的特征值分布与降维空间的关系,提出了一种利用线性齐次方程组求解得到全部最小特征值对应的特征向量的方法,从而既可以在噪声子空间降维又避免了矩阵的特征分解.分析了信噪比尺度在特征空间和解空间的分布情况.最后,利用一组Mountain Top 真实数据(t38pre01v1)验证了方法的正确性.     

一种基于位平面综合特征的彩色图像检索方案

传统的基于颜色直方图的彩色图像检索方法存在严重不足.首先是丢失颜色空间分布信息及特征维数过高,更重要的是无法有效检索含噪声图像.为克服此缺陷,提出了一种基于位平面综合特征的彩色图像检索算法.首先,结合光照、锐化、模糊等噪声攻击特点,从原始彩色图像中提取出重要位平面;然后选取重要位平面的加权颜色直方图作为颜色特征,选取重要位平面的空间信息熵作为空间特征;再综合利用上述颜色、空间两个特征计算图像间内容的相似度,并进行彩色图像检索.仿真实验表明,算法能够准确和高效地查找出用户所需内容的彩色图像,并且具有较好的查准率和查全率(特别对于含噪声图像).     

利用相关反馈技术的图像检索研究

介绍了一种支持语义的图像检索系统——PICsearch(PICTURE Search),该系统获取图像低层特征(颜色)时采用基于区域的主颜色提取算法,综合考虑了图像的像素统计特征和空间位置信息同时节省存储空间和计算时间.提出了高级视觉特征的语义查询.在图像库上构建一个可扩展的语义网络,利用一种基于用户相关反馈的机器学习策略来改进这种语义网络,以解决低层特征向高层语义特征的过渡问题,使检索能够体现高层次语义属性.实验证明,PICsearch能有效通过人机协同工作,弥补了计算机理解能力的不足,提高了检索效率.     

基于aiNet人工免疫网络的遥感图像检索

受多方面因素的影响,图像在特征空间中的分布是非常不均匀的,往往围绕多个中心。为了解决多个特征中心的问题,提出了一种基于aiNet人工免疫网络的遥感图像检索算法。该算法根据免疫网络机理及相关反馈技术,利用aiNet人工免疫网络对用户的反馈信息进行学习记忆,能有效寻找多个最优解,提高了系统对用户语义的理解能力。由于该网络具有减少冗余、多样性、学习和记忆的特性,避免了传统算法容易陷入局部最优的缺点。实验结果表明,该算法能有效理解用户的反馈信息,提高了传统检索方法的准确性。     

基于多特征融合和Adaboost算法的图像检索

提出了一种多特征融合的图像检索方法。首先将图像进行分块,并提取分块主色,然后采用主色直方图作为图像的颜色特征。同时,提出采用Gabor小波描述图像的纹理特征,采用小波矩描述形状特征,最后将三种不同特征进行融合的检索方法。为了提高图像检索的准确度,提出Adaboost的相关反馈算法,在反馈过程中,Adaboost算法对特征进行降维,加快检索的速度。最后分别给出基于单一特征,特征融合和相关反馈方法的查准率和查全率,并对实验结果进行分析。     

An Efficient Deep Learning-based Content-based Image Retrieval Framework

The use of massive image databases has increased drastically over the few years due to evolution of multimedia technology. Image retrieval has become one of the vital tools in image processing applications. Content-Based Image Retrieval (CBIR) has been widely used in varied applications. But, the results produced by the usage of a single image feature are not satisfactory. So, multiple image features are used very often for attaining better results. But, fast and effective searching for relevant images from a database becomes a challenging task. In the previous existing system, the CBIR has used the combined feature extraction technique using color auto-correlogram, Rotation-Invariant Uniform Local Binary Patterns (RULBP) and local energy. However, the existing system does not provide significant results in terms of recall and precision. Also, the computational complexity is higher for the existing CBIR systems. In order to handle the above mentioned issues, the Gray Level Co-occurrence Matrix (GLCM) with Deep Learning based Enhanced Convolution Neural Network (DLECNN) is proposed in this work. The proposed system framework includes noise reduction using histogram equalization, feature extraction using GLCM, similarity matching computation using Hierarchal and Fuzzy c- Means (HFCM) algorithm and the image retrieval using DLECNN algorithm. The histogram equalization has been used for computing the image enhancement. This enhanced image has a uniform histogram. Then, the GLCM method has been used to extract the features such as shape, texture, colour, annotations and keywords. The HFCM similarity measure is used for computing the query image vector's similarity index with every database images. For enhancing the performance of this image retrieval approach, the DLECNN algorithm is proposed to retrieve more accurate features of the image. The proposed GLCM+DLECNN algorithm provides better results associated with high accuracy, precision, recall, f-measure and lesser complexity. From the experimental results, it is clearly observed that the proposed system provides efficient image retrieval for the given query image.     

基于全局特征和尺度不变特征转换特征融合的医学图像检索

特征提取是图像检索或图像配准的关键步骤,针对单一特征不能很好地表述图像的问题, 根据医学图像的特点,提出了一种融合全局特征和局部特征的医学图像检索算法。首先在研究单一特征医学图像检索算法的基础上, 提出了融合全局特征和相关反馈的检索算法;其次对尺度不变特征转换(SIFT)特征进行了优化,提出了改进的SIFT 特征提取算法和匹配算法;最后,为了保证结果的准确性并改进检索效果,采用了融合局部特征的方法逐步求精。通过对标准临床数字式X射线成像(DR)图像数据库的实验研究表明,该算法应用在医学图像的检索中有较好的结果。     

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。     

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SIFT和角点特征的商标检索算法

针对基于尺度不变特征变换(SIFT)的商标图像检索对于高度相似的反转商标图像容易出现漏检现象,提出了一种基于SIFT和角点特征的商标图像检索方法,该方法利用商标图像的局部角点特征弥补了SIFT特征的不足。实验结果表明,与现有方法相比,该方法保留了SIFT特征对遮挡、扭曲、噪声等干扰具有很强的抵抗力的优点外,同时增强了算法对图像形状的描述能力,表现出了更好的检索能力和性能。     

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。     

基于显著性语义区域加权的图像检索算法

针对计算视觉领域图像实例检索的问题，提出了一种基于深度卷积特征显著性引导的语义区域加权聚合方法。首先提取深度卷积网络全卷积层后的张量作为深度特征，并利用逆文档频率（IDF）方法加权深度特征得到特征显著图；然后将其作为约束，引导深度特征通道重要性排序以提取不同特殊语义区域深度特征，排除背景和噪声信息的干扰；最后使用全局平均池化进行特征聚合，并利用主成分分析（PCA）降维白化得到图像的全局特征表示，以进行距离度量检索。实验结果表明，所提算法提取的图像特征向量语义信息更丰富、辨识力更强，在四个标准的数据库上与当前主流算法相比准确率更高，鲁棒性更好。     

形状的全尺度可视化表示与识别

目的视觉目标的形状特征表示和识别是图像领域中的重要问题。在实际应用中,视角、形变、遮挡和噪声等干扰因素造成识别精度较低,且大数据场景需要算法具有较高的学习效率。针对这些问题,本文提出一种全尺度可视化形状表示方法。方法在尺度空间的所有尺度上对形状轮廓提取形状的不变量特征,获得形状的全尺度特征。将获得的全部特征紧凑地表示为单幅彩色图像,得到形状特征的可视化表示。将表示形状特征的彩色图像输入双路卷积网络模型,完成形状分类和检索任务。结果通过对原始形状加入旋转、遮挡和噪声等不同干扰的定性实验,验证了本文方法具有旋转和缩放不变性,以及对铰接变换、遮挡和噪声等干扰的鲁棒性。在通用数据集上进行形状分类和形状检索的定量实验,所得准确率在不同数据集上均超过对比算法。在MPEG-7数据集上精度达到99.57%,对比算法的最好结果为98.84%。在铰接和射影变换数据集上皆达到100%的识别精度,而对比算法的最好结果分别为89.75%和95%。结论本文提出的全尺度可视化形状表示方法,通过一幅彩色图像紧凑地表达了全部形状信息。通过卷积模型既学习了轮廓点间的形状特征关系,又学习了不同尺度间的形状特征关系。本文方法...     

基于组合欧拉向量与边缘方向直方图的图像检索方法

在图像数据库中,如何有效检索和查询图像是一个重要的研究内容.文中提出一种结合组合欧拉向量与边缘方向直方图( EOH)的图像检索方法.首先,从边缘图像中提取组合欧拉向量特征进行图像检索(EEXO算法),其次,为更好地区分不同形状但欧拉特征相近的图像,将EEXO算法与EOH算法相结合提出EEXOEOH图像检索算法.实验结果表明,EEXOEOH算法与其它4种算法相比,具有较好的检索效率.     

Extraction of major object features using VQ clustering for content-based image retrieval

An image representation method using vector quantization (VQ) on color and texture is proposed in this paper. The proposed method is also used to retrieve similar images from database systems. The basic idea is a transformation from the raw pixel data to a small set of image regions, which are coherent in color and texture space. A scheme is provided for object-based image retrieval. Features for image retrieval are the three color features (hue, saturation, and value) from the HSV color model and five textural features (ASM, contrast, correlation, variance, and entropy) from the gray-level co-occurrence matrices. Once the features are extracted from an image, eight-dimensional feature vectors represent each pixel in the image. The VQ algorithm is used to rapidly cluster those feature vectors into groups. A representative feature table based on the dominant groups is obtained and used to retrieve similar images according to the object within the image. This method can retrieve similar images even in cases where objects are translated, scaled, and rotated.