基于特征点匹配和哈希法的图像检索方法

提出一种基于点特征匹配和几何型哈希法的图像检索方法。利用小波变换提取图像的突变点，以点为辜心划定一小块区域，将图像划分成图像块。提取块的低层次特征矢量，将两幅图像之间的匹配转换成图像块之间的匹配。并采用几何型哈希索引方法实现图像的快速检索。实验证明，这种方法能够取得较高的检索精度，且对图像形变以及局部遮挡等都有较好的适应能力。     

一种新的基于分块颜色和形状的图像检索方法

基于图像单一特征的检索方法只能反映图像的部分属性，应用范围受到限制。本文在分析图像颜色和形状特征的基础上，根据各自的特点，提出了一种新的基于分块颜色和形状的图像检索方法。首先，在图像分块的基础上提取颜色和特征点；其次，根据特征点提取图像的形状信息；最后，以颜色和形状作为综合特征，采用相应的匹配算法进行图像检索。实验证明该方法不仅准确度高，而且还可应用于基于对象或区域的图像查询中。     

一种基于目标区域的图像检索方法

为了弥补全局特征在描述图像内容上的不足,论文描述了一种基于目标区域的图像检索方法:从用户指定的区域中分割并提取出所包含的目标,然后利用目标区域的视觉特征进行图像检索。在图像检索时,提取目标区域对应的子图像特征代替全局图像特征进行图像相似性匹配。实验结果表明,基于目标区域的图像检索效果比基于全局图像特征的检索效果有较好的改善。     

一种基于目标区域的彩色图像检索算法

提出了一种基于目标区域的彩色图像检索算法。首先，获取彩色图像HSV颜色空间中各个分量图像，然后计算各分量图像的二值边缘图像。根据边缘图像的连通性提取彩色图像的目标区域。在图像检索时，抽取彩色图像目标区域所对应的子图像特征，代替全局图像特征进行图像相似性匹配。实验表明，基于目标区域的彩色图像检索算法优于基于全局图像的检索算法。     

一种基于前景与背景划分的区域图像检索方法及实现

区域图像检索(RBIR)是基于内容图像检索(CBIR)的一个分支,它以图像分割为基础,通过图像局部视觉特征的相似性进行图像检索。由于准确的图像分割技术尚不成熟,区域图像检索性能容易受到冗余分割和错误分割的影响。为了降低RBIR中图像分割的影响,提出了一种基于前景和背景划分的区域图像检索方法。该方法通过规则分块、图像分类和有效区域定位来得到图像分割区域,然后应用中心对象提取算法(COEA)获得图像主体对象,最后提取颜色和纹理特征进行相似度匹配。实现了一个基于上述方法的RBIR系统ObFind,实验结果表明该方法不仅具有与SIMPLIcity相当的检索性能,而且计算复杂度更低。     

考虑视觉显著性的部分相似图像检索

当前流行的图像检索系统普遍采用词袋(Bag-of-Words)模型表示图像视觉内容.由于传统的视觉词袋模型忽略了局部特征间的几何关系,考虑几何约束的后处理方法明显地提高了检索准确率.这些方法认为每个局部特征点是平等的,然而在实际情况中,图像中的局部特征点对于部分相似图像检索任务的重要性是不同的,比如位于相似图像区域上的特征点要比位于背景图像区域的特征点重要.鉴于此,提出考虑图像特征点重要性的部分相似图像检索算法.首先用视觉显著性算法来计算图像每个像素点的显著性(即重要性),然后在几何验证计算图像间匹配分数中考虑匹配局部特征点的重要性,最后在广泛使用的相似图像检索数据集上对提出的算法进行验证.实验结果表明了本方法的优越性.     

基于特征区域的图像自动配准

为了解决基于特征的图像配准中的特征点的定义和提取问题,提出了一种以特征区域替代特征点的定义和提取方法。该方法应用Moravec算子选择候选特征区域,使用具有旋转不变性的Zernike矩表征该区域的特性;采用二级匹配策略进行特征区域的匹配,即基于自组织映射神经网络的初始匹配及精细匹配;建立图像的配准框架并实现图像的配准。实验结果表明,该方法能有效地提取图像的特征点并能准确地进行特征点的匹配,整个配准过程完全自动进行。     

灰度共生矩阵检索纹理图像的算法研究

图像的特征提取和匹配是基于内容的图像检索技术的基础.针对典型纹理图像的检索问题,给出了共生矩阵特征统计量的合理提取方法.在此基础上,结合特征匹配技术实现了基于共生矩阵的纹理图像检索系统.测试了不同度量函数以及不同的特征统计组合对检索结果的影响.研究表明,提取共生矩阵的四参数,用加权街区距离进行图像匹配,可获得相对较好的检索效果.     

颜色和形状特征的商品图像检索技术的应用

针对基于内容的商品图像检索,提出了以颜色和区域形状为特征的检索技术方案.以非等间隔量化方法提取颜色直方图,同时设置显著水平阈值提取视觉主色,从而获取颜色特征.利用二维函数矩构造出的Hu矩特征值,并对矩特征值进行权重设置,提取了比较符合人类视觉的区域形状特征.两种特征组合检索,实现了商品图像的较高相似性度量的匹配.     

基于区域分块的PCB图像配准算法研究

针对ORB算法特征点提取集中、匹配精度低的问题，提出一种基于区域分块的ORB改进算法。通过区域分块的方式，提取分布均匀的特征点，使用Hamming距离对提取的特征点进行粗匹配，筛选掉误差过大的特征点，接着使用RANSAC算法对特征点进行进一步筛选，使用RANSAC算法计算出待配准图像与模板图像之间的单应性变换矩阵，对图像的方位进行纠正。通过实验对算法的可行性进行验证，结果表明，算法在兼顾运行时间的基础上对图像匹配的精度有较大的提升。     

基于小波特征点的图像检索算法

点匹配技术在基于内容的图像检索中已被广泛使用.提出了一种新的基于小波变换和Barnard算子的彩色特征点检测算法.首先,将彩色图像分解为3个通道并分别对每个通道作小波变换;其次,对一给定的小波系数,通过模极大值可以在高分辨率子图像中找到与之最相关的一个系数,对于第1层小波系数,通过Barnard算子在原始图像数据中查找潜在特征点;最后,通过自适应门限和连续点集约减算法得到最终的特征点.实验表明,该方法提取的特征点具有很强的鲁棒性并能对图像进行有效的表示,可以有效提高图像检所的准确率.     

基于小波突出点颜色及空间分布的图像检索算法

分析了基于兴趣点的图像检索方法的缺点,提出了一种基于小波突出点的图像检索新方法。该方法在小波域提取突出点,这些突出点既表示了全局变化也表示了局部变化;然后以小波突出点为线索,设计了基于小波突出点的环形颜色直方图,既利用了小波突出点的局部特征,又考虑了小波突出点的空间分布结构;用图像间的环形颜色直方图距离来度量图像间的相似性。该检索算法不但保证了对图像旋转、平移鲁棒性,而且克服了传统直方图没有空间位置的缺陷。实验结果表明,该方法对图像检索是有效的。     

基于显著点和关键块相结合的图像检索方法

提出了一种基于小波变化显著点和基于关键块相结合的图像检索方法。首先利用小波变换提取图像的显著点,然后将图像划分成均匀的图像块,将图像块分为有显著点的和无显著点两类。提取块的低层次特征矢量,将两幅图像之间的匹配转换成图像块之间的匹配。在图像检索时,通过对这两类图像块分别进行相似性度量,对得到的结果加以不同的权重,以实现对图像局部或全局不同要求的检索。     

基于兴趣点的图像检索

在基于内容的图像检索中,往往使用颜色、纹理以及形状的全局特征来描述图像,然而全局特征不能描述图像的细节,丢失了图像的空间信息。文章利用兴趣点来灵活描述图像的局部信息,提取兴趣点周围的颜色矩作为局部特征,通过兴趣点的匹配和带权投票来进行相似度量,几何哈希技术的使用增强了兴趣点间的正确匹配。实验证明了这种方法的有效性,具有旋转、平移和部分的尺度不变性。     

基于显著区域的图像检索方法

研究基于显著区域的图像检索,对小波域显著点提取方法进行改进,解决提取图像特征内容有限、不能有效表达图像内容的问题。提出由显著点作为线索提取显著区域的方法,该方法能实现背景图与对象图的区分。对于对象图,仅对显著区域进行检索,有效减少图像检索过程中背景区域的干扰,提高了检索的速度和准确率。     

Evaluation of salient point techniques

In image retrieval, global features related to color or texture are commonly used to describe the image content. The problem with this approach is that these global features cannot capture all parts of the image having different characteristics. Therefore, local computation of image information is necessary. By using salient points to represent local information, more discriminative features can be computed. In this paper, we compare a wavelet-based salient point extraction algorithm with two corner detectors using the criteria: repeatability rate and information content. We also show that extracting color and texture information in the locations given by our salient points provides significantly improved results in terms of retrieval accuracy, computational complexity, and storage space of feature vectors as compared to global feature approaches.     

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。     

基于显著区域和pLSA的图像检索方法

由于利用全局特征的图像检索方法在很大程度上受到背景的影响,提出了一种基于显著区域和pLSA相结合的图像检索方法。该方法首先通过谱残差和多分辨率分析提取图像的显著目标区域,其次计算所有图像显著区域的颜色和纹理特征并利用K-均值聚类生成视觉词汇表,然后将每幅图像表示成若干视觉词汇的集合。最后利用概率潜在语义分析（pLSA）来提取区域潜在语义特征,并使用该特征构建SVM分类器模型进行图像检索。将本方法和基于全局特征的图像检索方法比较,实验结果表明,基于显著区域的图像检索结果更加准确。     

一种高效的基于局部特征的显著区域检测算法

图像特征提取是图像/视频检索问题的关键。研究人员发现,假如对整张图像或视频帧做特征提取,会产生大量的特征信息,从而影响图像/视频帧的匹配时间。由于人们通常只对图像中部分关键的区域感兴趣,因此在对图像做局部特征提取时可以先对图像进行显著区域检测,排除非关键区域上的特征信息,从而减低匹配所需的特征点数,提高匹配的处理速度。但是由于传统的显著区域检测算法计算复杂,会对图像特征提取过程产生额外的时间开销。提出一种快速的显著区域检测算法,根据局部特征提取算法特征检测阶段得到的特征点分布,利用最大子矩阵和算法,在损失较小的准确度的情况下快速检测出图像的显著区。