基于内容的图像搜索的算法模型与分布式Web方案

本文首先提出并详细描述了一种基于内容的图像归档和查询的基本算法模型，并在此基础上提出了一个基于Web的基本实现方案；后台采用Robot程序获取Internet上图像数据并存储URL，在应用层对搜索到的图像数据建立图标库和特征库；前台采用基于浏览器的Web查询页面实现与用户的交互并获取查询信息，通过ASP和DHTML与后台的特征库进行匹配以实现地址和相应图标的返回结果显示，文章最后为对引入XML，COM／DCOM和移动Agent技术以克服上述方案中存在的局限性的最终分布式方案进行了概要设计和分析，以上模型和方案均可在医疗信息化和远程医疗工程中建立的海量医学图像数据库上得到了应用。     

一种适合Web图像检索的图像降维算法研究

本文对现有Web图像检索技术现状进行了归纳，分析阐明了图像降维算法在基于内容的Web图像检索技术中的地位和作用。在介绍了几种经典图像降维方法后，重点介绍了国外近来提出的基于拉普拉斯特征值映射（LE）的图像降维算法。针对Web环境下图像检索必须进行剧烈降维的特点，本文进而对基于KL变换的主成分分析（PCA）算法和基于LE的图像降维算法进行了实验分析和比较。实验结果表明：对于需要进行维数剧烈缩减的Web图像检索来说，基于LE的图像降维算法可以获得最佳的效果。     

面向Web图像检索的基于语义迁移的无监督深度哈希

当前主流的Web图像检索方法仅考虑了视觉特征,没有充分利用Web图像附带的文本信息,并忽略了相关文本中涉及的有价值的语义,从而导致其图像表达能力不强。针对这一问题,提出了一种新的无监督图像哈希方法——基于语义迁移的深度图像哈希（semantic transfer deep visual hashing,STDVH）。该方法首先利用谱聚类挖掘训练文本的语义信息;然后构建深度卷积神经网络将文本语义信息迁移到图像哈希码的学习中;最后在统一框架中训练得到图像的哈希码和哈希函数,在低维汉明空间中完成对大规模Web图像数据的有效检索。通过在Wiki和MIR Flickr这两个公开的Web图像集上进行实验,证明了该方法相比其他先进的哈希算法的优越性。     

VC++中利用ISAPI实现图像特征提取

图像特征的提取是基于内容的图像查询的关键,ISAPI是适合开发复杂Web应用的技术。文中首先介绍了IS-API开发Web应用的优点,然后对图像特征以及基于内容的图像查询进行概述,并给出了一个Web环境下实现图像特征提取的方法。这种方法对于开发Web环境下基于内容查询的图像数据库系统具有重要意义。     

基于Web图像监控系统的设计与实现

为了加快图像的传输速度,提出了一种基于Web的图像监控系统。该系统使用了基于Lighttpd的Web服务器与Web客户端建立连接并传输数据来加快图像数据的传输,另外对图像进行选择性存储,即只采集像素发生了变化的图像,减少存储的数锯,从而加快数据的传输。系统通过USB图像采集模块采集图像,由动态图像检测算法对图像进行处理并存储,客户端通过Web服务器获取存储的图像。     

基于局部特征的图像快速分类算法

基于内容的图像快速分类是Web图像实时搜索和过滤的基础。通过分析图像特征分布特点,提出一个基于局部特征的图像快速分类算法。与目前算法相比,该算法仅需对图像的局部区域扫描分析,即可得到其颜色、纹理、形状等特征,并利用Bayesian分类器来实现图像的快速自动分类。相关对比实验证实,该算法能够快速、准确地实现图像分类。     

基Web的图像搜索

介绍一种基于Web的图像搜索技术，提出了作者设计的图像检索的模型，阐述了Web页中图像与文本之间的关系，对相似度的计算、词条的匹配算法、检索的反馈技术等作了详细的论述，并通过实验检验搜索模型，结论表明图像搜索效率高。     

综合利用纹理和中心特征的图像检索

基于特征的图像检索在多媒体数据库管理和多媒体通信传输中得到越来越多的重视。本文介绍了基于纹理特征的特征提取方法和中心特征的提取方法，并进而提出了一种综合利用上述两个特征共同进行检索的方法。对真实图像库的检索实验表明，综合特征检索比单一特征检索更符合人的视觉特性，检索效果更好。     

DCD用于相关反馈的自然图像检索

基于内容的图像检索是多媒体应用研究领域的一项关键技术.传统的CBIR系统一般采用基于图像的低级物理特征进行特征匹配,MPEG-7标准的提出为图像内容特征的提取与描述提供了一种新型简便的方法,本文讨论了应用MPEG-7的主体颜色描述符DCD对图像特征提取和表示的方法,并在图像检索中的应用研究基础之上,提出了在使用相关反馈的图像检索中的改进方案,实现了基于DCD特征描述的自然图像检索.对于1350幅的数字图象组成的数据集进行了实验,并对实验结果进行分析,大部分结果是令人满意的,提高了基于内容的图像检索的精度.     

基于内容的图像检索技术与医学图像检索

在分析基于内容的图像检索技术特点的基础上，提出了4种基于内容的图像检索方法，并对每种方法的实现特别是特征抽取进行了一定的研究。根据医学图像的使用特点，对基于内容的医学图像检索技术进行了初步的研究；对医学图像特征的抽取，应将重点放在形状特征和纹理特征的抽取上；同时，对医学图像进行检索，还可以使用颜色空间分布特征，来进一步进行相似匹配。     

Sparse feature selection based on graph Laplacian for web image annotation

Confronted with the explosive growth of web images, the web image annotation has become a critical research issue for image search and index. Sparse feature selection plays an important role in improving the efficiency and performance of web image annotation. Meanwhile, it is beneficial to developing an effective mechanism to leverage the unlabeled training data for large-scale web image annotation. In this paper we propose a novel sparse feature selection framework for web image annotation, namely sparse Feature Selection based on Graph Laplacian (FSLG)². FSLG applies the l_2,1/2-matrix norm into the sparse feature selection algorithm to select the most sparse and discriminative features. Additional, graph Laplacian based semi-supervised learning is used to exploit both labeled and unlabeled data for enhancing the annotation performance. An efficient iterative algorithm is designed to optimize the objective function. Extensive experiments on two web image datasets are performed and the results illustrate that our method is promising for large-scale web image annotation.     

图像数据挖掘在SARS辅助诊断中的应用

严重急性呼吸道综合症(SARS)，又称“非典型肺炎”，是目前人类面临的一种严重危害生命和健康的新发传染病。利用PACS系统中的胸部数字X光(DX)正位图像，采用图像数据挖掘技术，设计并实现了SARS计算机辅助诊断系统。经过数据清理定位DX肺部图像的感兴趣区域，分割出双肺区域，提取特征参数，构造决策树，实现对SARS患者和一般肺炎胸部DX正位图像的分类。实验结果表明，检测SARS图像正确率达到70%以上。     

基于增强稀疏性特征选择的网络图像标注

面对网络图像的爆炸性增长,网络图像标注成为近年来一个热点研究内容,稀疏特征选择在提升网络图像标注效率和性能方面发挥着重要的作用.提出了一种增强稀疏性特征选择算法,即,基于l_2,1/2矩阵范数和共享子空间的半监督稀疏特征选择算法(semi-supervised sparse feature selection based on l_2,1/2-matix norm with shared subspace learning,简称SFSLS)进行网络图像标注.在SFSLS算法中,应用l_2,1/2矩阵范数来选取最稀疏和最具判别性的特征,通过共享子空间学习,考虑不同特征之间的关联信息.另外,基于图拉普拉斯的半监督学习,使SFSLS算法同时利用了有标签数据和无标签数据.设计了一种有效的迭代算法来最优化目标函数.SFSLS算法与其他稀疏特征选择算法在两个大规模网络图像数据库上进行了比较,结果表明,SFSLS算法更适合于大规模网络图像的标注.     

Improving keyword based web image search with visual feature distribution and term expansion

This paper discusses techniques for improving the performance of keyword-based web image queries. Firstly, a web page is segmented into several text blocks based on semantic cohesion. The text blocks which contain web images are taken as the associated texts of corresponding images and TF*IDF model is initially used to index those web images. Then, for each keyword, both relevant web image set and irrelevant web image set are selected according to their TF*IDF values. And visual feature distributions of both positive image and negative image are modeled using Gaussian Mixture Model. An image’s relevance to the keyword with respect to visual feature is thus defined as the ratio of positive distribution density over negative distribution density. We combine the text-based relevance model with visual feature relevance model to improve the performance. Thirdly, a query expansion model is used to improve the performance further. Expansion terms are selected according to their cooccurrences with the query terms in the top-relevant set of the original query. Our experiments show that our approach yield significant improvement over the traditional keyword based query model.     

基于改进CNN-RANSAC的水下图像特征配准方法

水对光的吸收和散射效应降低了水下图像的质量,水下图像的可视范围受到限制,复杂水下场景下的鲁棒性和精确性问题使得特征提取与匹配成为一项具有挑战性的任务。为了更好地配准水下图像,提出了一种改进CNN-RANSAC的水下图像特征配准方法,首先通过基于深度卷积神经网络的水下图像增强方法对水下图像进行增强预处理,通过水下图像分类数据集迁移学习训练VGGNet-16网络框架,利用修改后的网络框架进行特征提取,生成鲁棒的多尺度特征描述符与特征点,经过特征粗匹配与动态内点选择,使用改进的RANSAC方法剔除误匹配点。在大量水下图像数据集上进行了充分的特征提取和特征匹配实验,与基于SIFT和SURF的配准方法相比,该方法能够检测到更多的特征点,实现了匹配正确率的大幅度提高。     

基于决策树的面向对象变化信息自动提取研究

为了从不同时相的遥感影像数据中自动提取变化信息且保证其效率,本文结合面向对象分析技术,提出了一种基于决策树变化信息自动提取的新方法。该方法利用影像的特征指数及形状特征、光谱特征、纹理特征等作为特征集,将其作为知识库应用到决策树控制模型中,进而利用该模型实现自动分类。对所得到的分类后影像对象,组织分析其综合属性并作为决策规则再次分类,通过"双重分类"的方式实现面向对象的遥感影像变化信息自动提取。该方法为遥感影像变化信息自动提取提供了新的思路。     

基于局部重要性采样的SAR图像纹理特征提取方法

合成孔径雷达（Synthetic aperture radar,SAR）图像因为相干斑现象和目标响应的空间变化呈现出一种纹理特性,局部二进编码等局部图像特征 在光学纹理描述中获得较好的结果,但光学纹理特征在描述SAR图像纹理特性中因为相干成像特性往往失效. 本文 在前期工作纹理特征框架的基础上,提出了一种局部重要性采样二进编码的SAR图像纹理特征（Feature extraction based on local important sampling binary,LISBF）描述方法:首先,利用样本图像对局部采样位 置进行随机自适应采样,基于重要性采样（Important sample,IS）方法输出递归学习位置结果;然后,利用学习出的纹理重要采样点对进 行二进特征编码;最后,通过映射和统计生成描述算子. 该特征较固定位置采样能够获取更大范围信息,同时能通 过采样避免特征维数的急剧增大;通过自适应学习重要性关键点较随机采样 更容易捕捉纹理固有信息;较好地适应了SAR图像极低信噪比和斑点现象的纹理. 本文将该特征用于真实图像和标准纹理库的分类研究,实验结果证明了该特征的有效性.     

基于改进决策树分类算法的遥感影像分类研究

针对现有分类器对遥感影像分类结果存不准确的问题,本文提出了一种基于决策树分类器的遥感影像分类方法,该方法以复合决策树Boost Tree思想为基础,首先利用分形理论中的毯模型提取遥感影像的纹理特征,根据遥感影像分类的特点,构造新的单棵决策树生成算法对遥感影像进行分类。以北京市五环内区域为研究区,使用landsat7 ETM数据源,实现了基于分形纹理特征、光谱特征的改进决策树分类。实验结果表明：通过毯模型提取的纹理特征可以很好地表达表面特征,辅以该纹理信息的改进决策树分类精度相比于只用光谱信息进行分类的精度有一定的提高,改善了分类效果。     

关联性反馈在子图像检索中的研究

提出了一种基于HTM（Hierarchical Tree Matching）的图像检索方法,用一个树模型来描述一个图像的分解层次,将编码后的拼图颜色特征按照索引序列依次保存。通过待查询图像树结构和数据库中所有图像的树结构的比较,同时获得用户反馈来进一步明确用户的意图,使得相关图像的检索的性能得到很好的提升。     

基于空间上下文加权词汇树的图像检索方法

基于词汇树的词袋模型(Bag-of-Words)表示算法是目前图像检索领域中的主流算法.针对传统词汇树方法中空间上下文信息缺失的问题,提出一种基于空间上下文加权词汇树的图像检索方法.该方法在词汇树框架下,首先生成SIFT点的空间上下文信息描述.然后利用SIFT点间的空间上下文相似度对SIFT间的匹配得分进行加权,得到图像间的相似度.最后,通过相似度排序完成图像检索.实验结果表明,该方法能够大幅度提高图像检索的性能,同时,对大规模图像库有较好的适用性.