多媒体系统中基于图象内容检索的特征指标设计

在多媒体系统应用中基于图象内容检索的特征指标设计问题。对图象和视频的基于内容的检索方法晃成功地开发一个多媒体数据库系统的关键,而对图象泊特征指标的提取则是关键中的关键。目前,基于内容检索的多媒体系统应用还外于初始阶段,并于图象特征指标的设计还没有统一的框架。本文应用图形处理学科中提出的多种指标来作为关于图象检索的线索,并提出了一个初步的检索构思。     

一种新的个性化的图象分类方法

图象分类系统的建立是信息检索以及模式识别中一个重要部分，其中，特征选择问题，即确定描述图象的特征参数是需要解决的关键问题，基于和图象检索技术的研究，近来得到了广泛的关注，由图象特征向量维数过高而引起的图象检索困难是基于内容的图象检索技术研究所面临的一个挑战，因此需要寻找一个有效降维技术，为解决此问题，设计了一个新的图象分类标准模型，通过寻找不同的特征组合来作为分类标准，进而提出了一种算法，用于实现此模型，实验结果显示，该模型能实现图象特征向量降维，并且算法能够极大地降低计算所花费的时间，同时，多种不同分类标准的引入，使得本方法能与信息检索技术进行有效的结合，为个性化信息检索提供一种实现思路。     

利用综合特征的图像检索及特征互补性研究

在基于内容的图像检索中,不同图像特征反映了图像不同侧面的内在特性,如何有效地组织和利用这些特征从而提高系统的检索性能是一个值得研究的课题。文章重点介绍了综合颜色特征中的灰度直方图相交法,纹理特征中的灰度共生矩阵法和形状特征中一组中心矩和不变矩法的综合特征检索。通过讨论内部和外部特征间的归一化,研究了各特征之间的互补关系。实验数据表明,文中的方法是很有效的。     

综合颜色空间特征和纹理特征的图像检索

基于内容的图像检索一直是图像检索领域的研究热点。提出一种综合颜色空间特征和纹理特征的检索算法。首先将彩色图像转换到HSV颜色空间,进行非等间隔量化,提取颜色特征和颜色空间位置信息,再在灰度图像里利用中心块图像分形编码的方法,获取分形编码参数作为图像的纹理特征。在对特征进行内部和外部高斯归一化后,综合颜色空间特征和纹理特征,利用人工鱼群算法进行检索。实验结果表明,算法性能良好,在检索准确率和速率上取得了良好的效果。     

基于内容的图象检索中的语义处理方法

基于内容的图象检索系统,其目标是最大限度地减小图象简单视觉特征与用户检索丰富语义之间的“语义鸿沟”,因此图象语义处理则成为基于内容的图象检索进一步发展的关键。为了使人们对基于内容的图象检索中的语义处理方法有个概略了解,首先从图象语义模型和图象语义提取方法这两个方面对利用语义进行图象检索的研究状况进行了总结,并将图象语义模型概括为图象语义知识、图象语义层次模型和语义抽取模型等3个主要组成部分;然后将图象语义提取方法分为用户交互、将查询请求作为语义模板、对象及其空间关系、场景和行为语义及情感语义等类别,同时对其中有代表性的方法进行了详细的分析,还指出了其局限性;最后从对象建模和识别、语义抽取规则和用户检索模型3个方面,阐明了实现图象语义处理所面临的问题,并提出了一些初步的解决思路。     

基于独立关键子块和三角树的快速图象检索新方法

由于图象存储数据量非常大,因此提取图象特征和检索极为耗时.为了提高图象检索效率,将文本检索中的有效检索方法(基于关键字频率与关键字逆文档频率乘积的索引模型)结合三角树索引机制应用到基于内容的图象检索,提出了一种基于独立关键子块和三角树的快速图象检索新方法.该方法首先用独立分量分析将样本图象子块中的直方图特征映射到色彩概念空间来得到类似于文本中关键字的独立关键子块;然后再用训练好的模糊支持向量机去识别每幅图象中所包含的独立关键子块,由于独立分量分析能够使特征彼此保持高阶独立性,因此该方法与主成分分析方法对比,具有较高检索效率;最后,再通过构造三角树来来为图象数据库建立分层索引结构,以加快检索速度.     

利用颜色特征进行图象检索

在基于内容的图象检索中,颜色作为图象的一种重要视觉信息,已得到广泛应用。对利用颜色特征进行图象检索中的三个关键问题：颜色的表示,颜色特征的提取和基于颜色的相似度量进行了讨论。在此基础上,介绍了利用颜色特征进行了图象检索的具体实例。     

Web上基于内容的图象检索技术

Web上基于内容的图象检索集基于内容的图象检索和Internet网络这两项技术于一体,它对图象媒体的广泛应用具有一定的实用价值,同时对图象处理技术如何适应网络要求又有一定的理论研究价值,本文研究了特征提取、分布运算、网络实现等Web上基于内容的图象检索的相关技术,建立了一个单机上的图象检索系统并用该系统检验了自己提出的图象检索方法.另外在Web上实现了使用该方法的图象检索,实践证明小波形状不变矩对图象的形状匹配具有较好的效果.     

通过抽取的特征进行图象检索的算法测试平台

基于内容的图象检索近年来得到了广泛的研究,人们已提出了许多基于特征的图象检索算法,但如何管理,比较、评价、组合应用这些检索算法已成为继续深入研究必须要解决的一个问题,为了解决此问题,建立了一个通过抽取的特征进行图象检索的算法实验平台,该平台既具有管理功能（包括管理各种算法、图象库和图片）,又集成各种算法,以综合实现不同的检索功能（包括递进检索和综合检索）,实验结果表明,借助平台对算法和图象进行集中管理,既可以方便地对各种基于特征的图象检索算法进行比较和评价,又有助于方便地形研究新的算法。     

CBIR系统中的图象语义分割技术

随着数字图象技术、宽带网络技术和数字存储设备技术的发展,在网络上存储、传输大规模分布式数字图象库成为可能,因此研究基于内容的图象检索技术成为近几年的热点。实现基于内容的图象检索系统的关键问题是实现图象的语义分割。该文分六类对现有的图象语义分割技术进行了全面的总结,为进一步研究基于内容的图象检索技术奠定了基础。     

SRDM:支持基于内容检索的图象数据库超关系数据模型

数据模型是实现基于内容查询的图象数据库的基础。在这篇论文中,笔者引入了一种按内容进行图象查询的图象数据库数据模型－ＳＲＤＭ（Ｓｕｐｅｒ 　Ｒｅｌａｔｉｏｎｌ　Ｄａｔａ 　Ｍｏｄｅｌ）。该模型将可视特征、空间特征、语义特征等看作超属性,既充分利用了关系数据库的优点,同时又考虑了图象数据的特点,因而能较好地支持基于内容的图象数据库的查询。     

SRDM：支持基于内容检索和图象数据库超关系数据模型

数据模型是实现基于内容查询的图象数据库的基础。在这篇论文中,笔者引入了一种按内容进行图象查询的图象数据库数据模型－ＳＲＤＭ（Ｓｕｐｅｒ Ｒｅｌａｔｉｏｎ Ｄａｔａ Ｍｏｄｅｌ）。该模型将可视特征、语义特征等看作超属性,既充分艇了关系数据库的优点,同时又考虑了图象数据的特点,因而能较好地支持基于内容的图象数据库的查询。     

按内容检索的图象数据库系统数据模型

数据模型的研究是设计按内容检索的图象数据库系统的基础.本文在超语义数据模型的基础上，提出了一种新的图象数据库系统模型.该模型融合了面向对象的数据模型、语义数据模型和知识模型的特点，并根据图象信息的特点，增加了若干对象类型构造子，使得该模型能较好地支持按内容检索的图象数据库系统建模.     

基于内容查询的图像数据库数据模型

数据模型是实现基于内容查询的图像数据库的基础.构造了一个按内容检索的面向对象图像数据模型OOIDM(Object-oriented image data model),该模型能够很好地描述图像数据库系统中的图像数据、语义特征、图像特征以及支持空间推理.     

基于t-SNE卷积编码的图像检索方法

为了提高基于内容图像检索系统的速度和精度,提出了一种基于t-SNE卷积编码的图像检索方法。该方法首先采用一个高精度卷积神经网络模型提取图像特征,然后通过定量分析模型不同层特征的检索性能,选择出最佳特征。其次将选择出的最佳特征使用t-SNE方法进行编码,降低特征维度的同时进一步减少图像特征中的噪声。最后,利用降维后的编码特征,实现基于内容的图像检索系统。实验结果表明：随着特征维度的降低,卷积编码方法不但不会降低检索精度,反而在某些情况下会提高检索精度。采用16维卷积编码特征,就可以超过传统方法128维编码特征的检索精度。而一旦特征维度降低8倍,可以使得特征的存储空间缩小8倍,图像检索效率大幅提高。因此,该方法可以有效提高基于内容图像检索系统的速度和精度。     

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.     

Content-based image retrieval and semantic automatic image annotation based on the weighted average of triangular histograms using support vector machine

In recent years, the rapid growth of multimedia content makes content-based image retrieval (CBIR) a challenging research problem. The content-based attributes of the image are associated with the position of objects and regions within the image. The addition of image content-based attributes to image retrieval enhances its performance. In the last few years, the bag-of-visual-words (BoVW) based image representation model gained attention and significantly improved the efficiency and effectiveness of CBIR. In BoVW-based image representation model, an image is represented as an order-less histogram of visual words by ignoring the spatial attributes. In this paper, we present a novel image representation based on the weighted average of triangular histograms (WATH) of visual words. The proposed approach adds the image spatial contents to the inverted index of the BoVW model, reduces overfitting problem on larger sizes of the dictionary and semantic gap issues between high-level image semantic and low-level image features. The qualitative and quantitative analysis conducted on three image benchmarks demonstrates the effectiveness of the proposed approach based on WATH.     

Vector space model adaptation and pseudo relevance feedback for content-based image retrieval

Image retrieval is an important problem for researchers in computer vision and content-based image retrieval (CBIR) fields. Over the last decades, many image retrieval systems were based on image representation as a set of extracted low-level features such as color, texture and shape. Then, systems calculate similarity metrics between features in order to find similar images to a query image. The disadvantage of this approach is that images visually and semantically different may be similar in the low level feature space. So, it is necessary to develop tools to optimize retrieval of information. Integration of vector space models is one solution to improve the performance of image retrieval. In this paper, we present an efficient and effective retrieval framework which includes a vectorization technique combined with a pseudo relevance model. The idea is to transform any similarity matching model (between images) to a vector space model providing a score. A study on several methodologies to obtain the vectorization is presented. Some experiments have been undertaken on Wang, Oxford5k and Inria Holidays datasets to show the performance of our proposed framework.     

Automatic machine interactions for content-based image retrieval using a self-organizing tree map architecture

In this paper, an unsupervised learning network is explored to incorporate a self-learning capability into image retrieval systems. Our proposal is a new attempt to automate recursive content-based image retrieval. The adoption of a self-organizing tree map (SOTM) is introduced, to minimize the user participation in an effort to automate interactive retrieval. The automatic learning mode has been applied to optimize the relevance feedback (RF) method and the single radial basis function-based RF method. In addition, a semiautomatic version is proposed to support retrieval with different user subjectivities. Image similarity is evaluated by a nonlinear model, which performs discrimination based on local analysis. Experimental results show robust and accurate performance by the proposed method, as compared with conventional noninteractive content-based image retrieval (CBIR) systems and user controlled interactive systems, when applied to image retrieval in compressed and uncompressed image databases.