CN101710334A - 基于图像哈希的大规模图像库检索方法 - Google Patents
基于图像哈希的大规模图像库检索方法 Download PDFInfo
- Publication number
- CN101710334A CN101710334A CN200910220599A CN200910220599A CN101710334A CN 101710334 A CN101710334 A CN 101710334A CN 200910220599 A CN200910220599 A CN 200910220599A CN 200910220599 A CN200910220599 A CN 200910220599A CN 101710334 A CN101710334 A CN 101710334A
- Authority
- CN
- China
- Prior art keywords
- image
- hash
- training
- function
- width
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 101150060512 SPATA6 gene Proteins 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 25
- 239000004744 fabric Substances 0.000 claims description 23
- 239000000284 extract Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 33
- 238000001228 spectrum Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract 1
- 238000003860 storage Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
技术领域
本发明属于图像检索技术领域,涉及到基于内容的图像检索方法,特别涉及到一种基于图像哈希的大规模图像库检索方法。
背景技术
基于内容的图像检索自上世纪九十年代出现以来一直倍受研究者关注,出现了很多优秀的技术和方法,研究热点主要集中于图像特征表示、相似性度量和人工反馈等。
准确、快速地搜索是衡量基于图像检索方法优劣的两个重要指标。现有检索方法通过提取图像的低层特征对图像内容进行描述,然后利用特征比对判断是否为相似图像。为了提高搜索的准确率,提取的图像特征往往成百上千维,当图像库达到几十万或者海量时,必然需要庞大的存储空间保存图像的特征库。另外,每一次搜索都需要将查询特征与特征库中的所有特征进行比对、排序,极大的降低了搜索速度。
为了降低特征存储空间,提高搜索速度,有研究提出用哈希序列作为图像特征。这类研究主要解决如何构造低维二值模式,也就是如何生成哈希序列的问题。一个最经典同时应用也比较广泛的算法是locality-sensitive hashing(LSH)方法,[P.Indyk and R.Motwani.Approximate Nearest Neighbors:Towards Removingthe Curse of Dimensionality.In STOC,1998.]该方法利用随机映射产生二值哈希序列。该技术的优点是,当哈希序列的比特数增加时,随机映射能够保留原始输入数据之间的距离在一个范围内。但其缺点是,为了保留原始输入数据之间的距离趋势,所需的哈希比特往往比较多。
为了克服LSH的缺点,语义哈希(Semantic Hashing)方法,[R.R.Salakhutdinovand G.E.Hinton.Learning a Nonlinear Embedding by Preserving Class NeighborhoodStructure.In AISTATS,2007.]和谱哈希(Spectral Hashing)方法,[Y. Weiss,A.Torrelba,and R.Fergus.Spectral Hashing.In NIPS,2008]利用机器学习的方法寻找合适的哈希函数,建立哈希构造机制。这两个方法在近似搜索降低哈希比特方面比LSH方法更优秀,其中谱哈希方法证明,只利用32比特哈希值就能以较高的准确率搜索出相关图像。但这两种方法的缺点是,不能被直接应用到核空间,而且根据经验预先假定原始输入数据的分布规律,例如谱哈希方法认为输入数据在欧氏空间中服从均匀分布。这一假定没有任何理论依据。
为了克服谱哈希和语义哈希方法的缺点,基于核的LSH方法(KernelizedLocal-Sensitive Hashing,KLSH)方法[Brian Kulis and Trevor Darrell.Learning toHash with Binary Reconstructive Embeddings.In Neural Information ProcessingSystems(NIPS),2009]利用坐标下降法对哈希函数进行学习,将哈希方法扩展到核函数空间。但KLSH随机选择训练样本构造哈希函数,虽然操作简单,但当样本分布不均匀时,随机选择样本会导致核函数加权系数误差偏大。
发明内容
本发明要解决的技术问题是针对海量图像检索存在的图像特征库存储空间大,检索速度慢的问题,克服LSH,Semantic Hashing,Spectral Hashing和KLSH方法存在的不足,提出一种基于图像哈希的大规模图像库检索方法。
本发明的技术方案是:对于图像库中的图像,采用特征描述符提取特征向量,作为检索特征。通过已知标签的训练样本,利用优化方法求得超球面分类面,并由此构造哈希函数。根据哈希函数,对特征库中的每个特征向量产生一串哈希序列,将特征向量映射到汉明空间中。对于每一幅查询图像,计算其与待检索图像哈希序列之间的汉明距离,利用距离大小衡量待检索图像与查询图像之间的相似性,返回相似度高的图像。具体实现步骤包括:
(1)建立图像库I={I1,I2,...,IN},其中包含N幅图像。从图像库中挑选M幅(M<N)包含同一对象的图像,组成训练库T={T1,T2,...,TM}。
(2)对于图像库I和训练库T中的每一幅图像,利用Gist描述符提取图像的纹理特征,每一幅图像用一个高维特征向量表示。图像库对应的所有特征向量组成图像特征库GI={GI1,GI2,...,GIN},特征库中的每个特征向量GIi,(1≤i≤N)和图像库中的每幅图像Ii,(1≤i≤N)一一对应。训练库对应的所有特征向量组成训练特征库GT={GT1,GT2,...,GTM},特征库中的每个特征向量GTi,(1≤i≤M)和训练库中的每幅图像Ti,(1≤i≤M)一一对应。
(3)对于训练特征库中的M个特征向量GT={GT1,GT2,...,GTM},利用K均值聚类将其聚成C类,得到C组聚类样本S={S1,S2,...,SC}。
(4)对于每一组聚类样本Si,(1≤i≤C),定义基于核函数的超球面分类函数:
其中mi是Si,(1≤i≤C)中包含的样本数;αi是mi维向量,通过训练得到;K(xi,x)是核函数,选择径向基核函数。
根据已知的训练样本Si,(1≤i≤C),求解如下方程得到αi:
约束条件为
αi·xi>1,i=1,2,...,mi
从而确定最优超球面分类面,该分类面是能最大限度的包含所有聚类样本的最小分类面。
(5)根据已求得的超球面分类函数P(x)={P1(x),P2(x),...,PC(x)},定义哈希函数H(x)={H1(x),H2(x),...,HC(x)},其中
对于特征库中的每个特征向量GIi,(1≤i≤N),利用哈希函数簇H(x)={H1(x),H2(x),...,HC(x)}生成长度为C的哈希序列HIi={H1Ii,...,HCIi},(1≤i≤N)。
(6)对于查询图像Q,提取其Gist特征向量GQ后,利用哈希函数H(x)={H1(x),H2(x),...,HC(x)}构造其对应的哈希序列HQ={H1Q,...,HCQ}。
(7)对于查询哈希序列HQ={H1Q,...,HCQ}和图像特征库的每个哈希序列HIi={H1Ii,...,HCIi},(1≤i≤N),计算它们之间的汉明距离DHi=∑xor(HIi,HQ),(1≤i≤N),根据距离大小判断图像库中图像与查询图像之间的相似性。
关于Gist特征向量的提取可参考文献[Aude Oliva,Antonio Torralba,Modeling the shape of the scene:a holistic representation of the spatial envelope,International Journal of Computer Vision,Vol.42(3):145-175,2001]。
本发明的效果和益处是:本发明提出一种基于图像哈希的大规模图像库检索方法,通过对已知标签的图像特征进行聚类,确定最优超球面分类面,构造哈希函数。这种哈希函数构造方法克服了LSH方法需要哈希函数多的问题;解决了语义哈希和谱哈希方法不能扩展到核空间的问题,同时也完善了KLSH方法计算哈希函数时对样本的选择问题。
附图说明
图1是一种基于图像哈希的大规模图像库检索方法的流程示意图。
图2是本发明用于建立训练图像库的样本图像图。
图3是其中4幅查询图像在24比特哈希值时检索返回的20幅图像,分两行显示,其中第一行最左边是查询图像图。
图4是本发明不同哈希比特对应的检索准确率曲线图。
图5是本发明不同哈希比特对应的检索召回率曲线图。
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施方式。
步骤1.图像库中包含5000幅1024×768像素的待检索图像,来源于公开的牛津大学建筑图像库。从中取出200幅用户感兴趣的图像作为训练图像,这200幅训练图像应包含同一对象,但允许对象的尺寸、角度、颜色和图像光强不同。部分训练图像样本如图2所示。
图像库网址为:http://www.robots.ox.ac.uk/~vgg/data/oxbuildings/index.html
步骤2.因为Gist描述符主要是提取图像的纹理特征,故,在此我们将5000幅待检索图像I={I1,I2,...,I5000}和200幅训练图像T={T1,T2,...,T200}由彩色图像变为灰度图像,并将其缩放至512×512像素。对I和T中的每一幅图像,在4个尺度,8个方向进行滤波,滤波后的图像进行4×4分块,获得其512维的Gist特征。待检索特征库和训练特征库分别为GI={GI1,GI2,...,GI5000}和GT={GT1,GT2,...,GT200}。
Gist特征的提取过程可采用公开的matlab代码:
http://people.csail.mit.edu/torralba/code/spatialenvelope/
步骤3.对于步骤2中200幅训练图像生成的训练特征GT={GT1,GT2,...,GT200},利用k均值聚类法将其聚成16类。对于每一组聚类样本Si,(1≤i≤16),定义超球面分类函数 其中mi是Si,(1≤i≤16)中包含的样本数;αi是mi维向量,通过训练得到;K(xi,x)是核函数,选择径向基核函数。根据已知的训练样本Si,(1≤i≤16),在约束条件为αi·xi>1,i=1,2,...,mi下,求解方程 得到αi。αi确定后,该类的超球面分类函数 就确定了。依此类推,求解其他聚类样本的超球面分类函数。
步骤4.根据步骤3中求得的超球面分类函数 定义哈希函数为H={H1,H2,...,H16},其中
当已知加权向量αi后,对于待检索特征库中的每个样本GIi,(1≤i≤5000),利用H={H1(x),...,H16(x)}计算其哈希序列的值HIi={H1Ii,...,H16Ii},其中HjIi∈{0,1}。由于哈希序列是由0和1组成的,可以将每个哈希值作为1个比特,这样长度为16的哈希序列可以表示成16比特,也就是2个字节。相对于512维特征向量的512字节存储空间,哈希表示法极大的节省了存储空间。
步骤5.对于任意一幅查询图像Q,按照步骤2至步骤4所述的方法为其生成哈希序列HQ={H1Q,...,H16Q},其中HjQ∈{0,1}。计算查询哈希序列HQ={H1Q,...,H16Q}和待检索图像的哈希序列HIi={H1Ii,...,H16Ii}之间的汉明距离DHiQ=∑xor(HIi,HQ),其中xor表示按位异或。
为进一步提高检索速度,在计算汉明距离之前,我们对待检索图像进行预排除:如果某待检索图像的哈希序列为全零值,则认为该图像与查询图像不相似,将其排除。理由如下:训练样本是用户挑选的其感兴趣的图像,也就是与查询图像相关或者相似的图像。对训练样本进行聚类后,通过训练得到该类的超球面分类面,分类面方程由函数Pi(x)表示。另一方面,因为由函数Pi(x)所确定的哈希函数Hi(x)用于判断一个未知样本是否包含于分类面之内,也就是说是否属于该类,如果属于该类,则函数值为1,如果不属于,则为0。所以如果一个未知样本的10个哈希值都为0,则说明该样本不属于10类中的任何一类,也就说明该样本与查询图像不相似。
步骤6.设定距离阈值为d。如果DHiQ<=d,则认为待检索图像Ii与查询图像Q相似,将其输出。距离阈值的取值由用户根据其检索准确率和召回率要求设定,在实验方案中,我们取d=1。
步骤7.对于大量不同的查询图像,根据检索结果,统计检索准确率和召回率。图3是4幅查询图像在距离阈值d=1时返回的检索图像,因篇幅限制,仅列出其中20幅检索图像。不同哈希比特数对应的检索准确率和召回率也不相同,如图4和图5所示。从图4和图5可得出如下结论,选择24比特哈希序列可得到最优的检索准确率和召回率。
以上内容是结合最佳实施方案对本发明所作的进一步详细说明,不能认定本发明的具体实施只限于这些说明。本领域的技术人员应该理解,在不脱离由所附权利要求书限定的情况下,可以在细节上进行各种修改,都应当视为属于本发明的保护范围。
Claims (1)
1.一种基于图像哈希的大规模图像库检索方法,其特征在于包括如下步骤:
1)建立图像库I={I1,I2,...,IN},其中包含N幅图像;从图像库中挑选M幅(M<N)包含同一对象的图像,组成训练库T={T1,T2,...,TM};
2)对于图像库I和训练库T中的每一幅图像,利用Gist描述符提取图像的纹理特征,每一幅图像用一个高维特征向量表示;图像库对应的所有特征向量组成图像特征库GI={GI1,GI2,...,GIN},特征库中的每个特征向量GIi,(1≤i≤N)和图像库中的每幅图像Ii,(1≤i≤N)一一对应;训练库对应的所有特征向量组成训练特征库GT={GT1,GT2,...,GTM},特征库中的每个特征向量GTi,(1≤i≤M)和训练库中的每幅图像Ti,(1≤i≤M)一一对应;
3)对于训练特征库中的M个特征向量GT={GT1,GT2,...,GTM},利用K均值聚类将其聚成C类,得到C组聚类样本S={S1,S2,...,SC};
4)对于每一组聚类样本Si,(1≤i≤C),定义基于核函数的超球面分类函数:
其中mi是Si,(1≤i≤C)中包含的样本数;αi是mi维向量,通过训练得到;
K(xi,x)是核函数,选择径向基核函数;
根据已知的训练样本Si,(1≤i≤C),求解如下方程得到αi:
约束条件为
αi·xi>1,i=1,2,...,mi
从而确定最优超球面分类面,该分类面是能最大限度的包含所有聚类样本的最小分类面;
5)根据已求得的超球面分类函数P(x)={P1(x),P2(x),...,PC(x)},定义哈希函数H(x)={H1(x),H2(x),...,HC(x)},其中
对于特征库中的每个特征向量GIi,(1≤i≤N),利用哈希函数簇H(x)={H1(x),H2(x),...,HC(x)}生成长度为C的哈希序列HIi={H1Ii,...,HCIi},(1≤i≤N);
6)对于查询图像Q,提取其Gist特征向量GQ后,利用哈希函数H(x)={H1(x),H2(x),...,HC(x)}构造其对应的哈希序列HQ={H1Q,...,HCQ};
7)对于查询哈希序列HQ={H1Q,...,HCQ}和图像特征库的每个哈希序列HIi={H1Ii,...,HCIi},(1≤i≤N),计算它们之间的汉明距离DHi=∑xor(HIi,HQ),(1≤i≤N),根据距离大小判断图像库中图像与查询图像之间的相似性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102205999A CN101710334B (zh) | 2009-12-04 | 2009-12-04 | 基于图像哈希的大规模图像库检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102205999A CN101710334B (zh) | 2009-12-04 | 2009-12-04 | 基于图像哈希的大规模图像库检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101710334A true CN101710334A (zh) | 2010-05-19 |
CN101710334B CN101710334B (zh) | 2012-01-25 |
Family
ID=42403124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009102205999A Expired - Fee Related CN101710334B (zh) | 2009-12-04 | 2009-12-04 | 基于图像哈希的大规模图像库检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101710334B (zh) |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894130A (zh) * | 2010-06-08 | 2010-11-24 | 浙江大学 | 基于稀疏降维的谱哈希索引方法 |
CN102129549A (zh) * | 2011-01-29 | 2011-07-20 | 广西师范大学 | 基于缩略图和奇异值分解的图像Hash方法 |
WO2012041063A1 (en) * | 2010-09-28 | 2012-04-05 | Huawei Technologies Co., Ltd. | System and method for image authentication |
CN102436584A (zh) * | 2011-11-04 | 2012-05-02 | 西安电子科技大学 | 基于字典学习的胃部ct图像感兴趣区域检测系统 |
CN102508910A (zh) * | 2011-11-11 | 2012-06-20 | 大连理工大学 | 基于多哈希表映射误差最小化的图像检索方法 |
CN102521366A (zh) * | 2011-12-16 | 2012-06-27 | 华中科技大学 | 融合分类与全局索引的图像检索方法和图像检索系统 |
CN102819582A (zh) * | 2012-07-26 | 2012-12-12 | 华数传媒网络有限公司 | 一种海量图片快速检索方法 |
CN102831161A (zh) * | 2012-07-18 | 2012-12-19 | 天津大学 | 用于图像检索的基于流形正则化的半监督排序学习方法 |
CN103226585A (zh) * | 2013-04-10 | 2013-07-31 | 大连理工大学 | 面向图像检索的自适应哈希重排方法 |
CN103631928A (zh) * | 2013-12-05 | 2014-03-12 | 中国科学院信息工程研究所 | 一种基于局部敏感哈希的聚类索引方法及系统 |
CN103902595A (zh) * | 2012-12-27 | 2014-07-02 | 北京新媒传信科技有限公司 | 一种构建数据库的方法和装置 |
CN104021234A (zh) * | 2014-06-30 | 2014-09-03 | 中国科学院自动化研究所 | 一种基于自适应位分配哈希算法的大规模图像库检索方法 |
CN104090882A (zh) * | 2013-11-14 | 2014-10-08 | 深圳市腾讯计算机系统有限公司 | 一种广告订单的快速聚类方法及系统、服务器 |
CN104104952A (zh) * | 2014-08-01 | 2014-10-15 | 武汉高德信息产业有限公司 | 一种适应于移动设备存储与播放的音视频处理方法与系统 |
CN104112018A (zh) * | 2014-07-21 | 2014-10-22 | 南京大学 | 一种大规模图像检索方法 |
CN104199923A (zh) * | 2014-09-01 | 2014-12-10 | 中国科学院自动化研究所 | 基于最优k均值哈希算法的大规模图像库检索方法 |
CN104408153A (zh) * | 2014-12-03 | 2015-03-11 | 中国科学院自动化研究所 | 一种基于多粒度主题模型的短文本哈希学习方法 |
CN104699781A (zh) * | 2015-03-12 | 2015-06-10 | 西安电子科技大学 | 基于双层锚图散列的sar图像检索方法 |
CN104765872A (zh) * | 2014-11-19 | 2015-07-08 | 中国石油大学(华东) | 一种基于集成哈希编码的快速图像检索方法 |
CN104794223A (zh) * | 2015-04-29 | 2015-07-22 | 厦门美图之家科技有限公司 | 一种基于图像检索的字幕匹配方法和系统 |
CN104899326A (zh) * | 2015-06-19 | 2015-09-09 | 四川大学 | 一种基于二进制多索引哈希技术的图像检索方法 |
WO2015165037A1 (zh) * | 2014-04-29 | 2015-11-05 | 中国科学院自动化研究所 | 一种基于级联二值编码的图像匹配方法 |
CN105095903A (zh) * | 2015-07-16 | 2015-11-25 | 努比亚技术有限公司 | 电子设备及图像处理方法 |
CN105095435A (zh) * | 2015-07-23 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 一种图像高维特征的相似比较方法及装置 |
CN106033426A (zh) * | 2015-03-11 | 2016-10-19 | 中国科学院西安光学精密机械研究所 | 一种基于潜在语义最小哈希的图像检索方法 |
CN106462728A (zh) * | 2014-02-10 | 2017-02-22 | 精灵有限公司 | 用于基于图像特征的识别的系统和方法 |
CN106484782A (zh) * | 2016-09-18 | 2017-03-08 | 重庆邮电大学 | 一种基于多核哈希学习的大规模医学图像检索方法 |
CN106777038A (zh) * | 2016-12-09 | 2017-05-31 | 厦门大学 | 一种基于序列保留哈希的超低复杂度图像检索方法 |
CN106951551A (zh) * | 2017-03-28 | 2017-07-14 | 西安理工大学 | 联合gist特征的多重索引图像检索方法 |
WO2018040503A1 (zh) * | 2016-08-30 | 2018-03-08 | 北京百度网讯科技有限公司 | 获取搜索结果的方法和装置 |
CN109063113A (zh) * | 2018-07-30 | 2018-12-21 | 成都快眼科技有限公司 | 一种基于不对称深度离散哈希的快速图像检索方法、检索模型及模型构建方法 |
CN109389147A (zh) * | 2018-08-28 | 2019-02-26 | 昆明理工大学 | 一种基于改进PHash算法的图像相似判定方法 |
CN109522435A (zh) * | 2018-11-15 | 2019-03-26 | 中国银联股份有限公司 | 一种图像检索方法及装置 |
CN110413807A (zh) * | 2019-06-24 | 2019-11-05 | 华中科技大学 | 一种基于内容语义元数据的图像查询方法与系统 |
CN110688502A (zh) * | 2019-09-09 | 2020-01-14 | 重庆邮电大学 | 一种基于深度哈希和量化的图像检索方法及存储介质 |
CN110737794A (zh) * | 2019-10-16 | 2020-01-31 | 北京锐安科技有限公司 | 图像查询方法、系统、服务器及存储介质 |
WO2020155921A1 (zh) * | 2019-01-30 | 2020-08-06 | 京东方科技集团股份有限公司 | 以图搜图的方法、计算机可读存储介质及服务器 |
CN111695917A (zh) * | 2019-03-11 | 2020-09-22 | 北京京东尚科信息技术有限公司 | 商品推荐方法、系统、电子设备和存储介质 |
CN113260882A (zh) * | 2020-07-20 | 2021-08-13 | 深圳大学 | 金属异物检测方法、装置及终端设备 |
CN115168583A (zh) * | 2022-07-05 | 2022-10-11 | 四川大学 | 一种基于特征与语义视图一致性的哈希图像集分类方法 |
CN117156138A (zh) * | 2023-10-31 | 2023-12-01 | 季华实验室 | 图像的不定长深度哈希编码方法、装置、设备及存储介质 |
-
2009
- 2009-12-04 CN CN2009102205999A patent/CN101710334B/zh not_active Expired - Fee Related
Cited By (76)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894130B (zh) * | 2010-06-08 | 2011-12-21 | 浙江大学 | 基于稀疏降维的谱哈希索引方法 |
CN101894130A (zh) * | 2010-06-08 | 2010-11-24 | 浙江大学 | 基于稀疏降维的谱哈希索引方法 |
US8483427B2 (en) | 2010-09-28 | 2013-07-09 | Futurewei Technologies, Inc. | System and method for image authentication |
WO2012041063A1 (en) * | 2010-09-28 | 2012-04-05 | Huawei Technologies Co., Ltd. | System and method for image authentication |
CN102129549A (zh) * | 2011-01-29 | 2011-07-20 | 广西师范大学 | 基于缩略图和奇异值分解的图像Hash方法 |
CN102129549B (zh) * | 2011-01-29 | 2012-09-05 | 广西师范大学 | 基于缩略图和奇异值分解的图像Hash方法 |
CN102436584A (zh) * | 2011-11-04 | 2012-05-02 | 西安电子科技大学 | 基于字典学习的胃部ct图像感兴趣区域检测系统 |
CN102436584B (zh) * | 2011-11-04 | 2013-09-25 | 西安电子科技大学 | 基于字典学习的胃部ct图像感兴趣区域检测系统 |
CN102508910A (zh) * | 2011-11-11 | 2012-06-20 | 大连理工大学 | 基于多哈希表映射误差最小化的图像检索方法 |
CN102521366A (zh) * | 2011-12-16 | 2012-06-27 | 华中科技大学 | 融合分类与全局索引的图像检索方法和图像检索系统 |
CN102831161A (zh) * | 2012-07-18 | 2012-12-19 | 天津大学 | 用于图像检索的基于流形正则化的半监督排序学习方法 |
CN102831161B (zh) * | 2012-07-18 | 2015-09-30 | 天津大学 | 用于图像检索的基于流形正则化的半监督排序学习方法 |
CN102819582A (zh) * | 2012-07-26 | 2012-12-12 | 华数传媒网络有限公司 | 一种海量图片快速检索方法 |
CN102819582B (zh) * | 2012-07-26 | 2014-10-08 | 华数传媒网络有限公司 | 一种海量图片快速检索方法 |
CN103902595A (zh) * | 2012-12-27 | 2014-07-02 | 北京新媒传信科技有限公司 | 一种构建数据库的方法和装置 |
CN103902595B (zh) * | 2012-12-27 | 2017-02-08 | 北京新媒传信科技有限公司 | 一种构建数据库的方法和装置 |
CN103226585B (zh) * | 2013-04-10 | 2015-10-28 | 大连理工大学 | 面向图像检索的自适应哈希重排方法 |
CN103226585A (zh) * | 2013-04-10 | 2013-07-31 | 大连理工大学 | 面向图像检索的自适应哈希重排方法 |
CN104090882A (zh) * | 2013-11-14 | 2014-10-08 | 深圳市腾讯计算机系统有限公司 | 一种广告订单的快速聚类方法及系统、服务器 |
US10650274B2 (en) | 2013-11-14 | 2020-05-12 | Tencent Technology (Shenzhen) Company Limited | Image clustering method, image clustering system, and image clustering server |
US9977995B2 (en) | 2013-11-14 | 2018-05-22 | Tencent Technology (Shenzhen) Company Limited | Image clustering method, image clustering system, and image clustering server |
CN103631928B (zh) * | 2013-12-05 | 2017-02-01 | 中国科学院信息工程研究所 | 一种基于局部敏感哈希的聚类索引方法及系统 |
CN103631928A (zh) * | 2013-12-05 | 2014-03-12 | 中国科学院信息工程研究所 | 一种基于局部敏感哈希的聚类索引方法及系统 |
US10929671B2 (en) | 2014-02-10 | 2021-02-23 | Geenee Gmbh | Systems and methods for image-feature-based recognition |
CN106462728A (zh) * | 2014-02-10 | 2017-02-22 | 精灵有限公司 | 用于基于图像特征的识别的系统和方法 |
CN106462728B (zh) * | 2014-02-10 | 2019-07-23 | 精灵有限公司 | 用于基于图像特征的识别的系统和方法 |
US10521667B2 (en) | 2014-02-10 | 2019-12-31 | Geenee Gmbh | Systems and methods for image-feature-based recognition |
US9946932B2 (en) | 2014-02-10 | 2018-04-17 | Geenee Gmbh | Systems and methods for image-feature-based recognition |
WO2015165037A1 (zh) * | 2014-04-29 | 2015-11-05 | 中国科学院自动化研究所 | 一种基于级联二值编码的图像匹配方法 |
CN104021234B (zh) * | 2014-06-30 | 2017-04-19 | 中国科学院自动化研究所 | 一种基于自适应位分配哈希算法的大规模图像库检索方法 |
CN104021234A (zh) * | 2014-06-30 | 2014-09-03 | 中国科学院自动化研究所 | 一种基于自适应位分配哈希算法的大规模图像库检索方法 |
CN104112018B (zh) * | 2014-07-21 | 2017-09-29 | 南京大学 | 一种大规模图像检索方法 |
CN104112018A (zh) * | 2014-07-21 | 2014-10-22 | 南京大学 | 一种大规模图像检索方法 |
CN104104952B (zh) * | 2014-08-01 | 2017-08-25 | 武汉高德信息产业有限公司 | 一种适应于移动设备存储与播放的音视频处理方法与系统 |
CN104104952A (zh) * | 2014-08-01 | 2014-10-15 | 武汉高德信息产业有限公司 | 一种适应于移动设备存储与播放的音视频处理方法与系统 |
CN104199923A (zh) * | 2014-09-01 | 2014-12-10 | 中国科学院自动化研究所 | 基于最优k均值哈希算法的大规模图像库检索方法 |
CN104199923B (zh) * | 2014-09-01 | 2017-09-12 | 中国科学院自动化研究所 | 基于最优k均值哈希算法的大规模图像库检索方法 |
CN104765872B (zh) * | 2014-11-19 | 2016-07-06 | 中国石油大学(华东) | 一种基于集成哈希编码的快速图像检索方法 |
CN104765872A (zh) * | 2014-11-19 | 2015-07-08 | 中国石油大学(华东) | 一种基于集成哈希编码的快速图像检索方法 |
CN104408153A (zh) * | 2014-12-03 | 2015-03-11 | 中国科学院自动化研究所 | 一种基于多粒度主题模型的短文本哈希学习方法 |
CN104408153B (zh) * | 2014-12-03 | 2018-07-31 | 中国科学院自动化研究所 | 一种基于多粒度主题模型的短文本哈希学习方法 |
CN106033426A (zh) * | 2015-03-11 | 2016-10-19 | 中国科学院西安光学精密机械研究所 | 一种基于潜在语义最小哈希的图像检索方法 |
CN104699781A (zh) * | 2015-03-12 | 2015-06-10 | 西安电子科技大学 | 基于双层锚图散列的sar图像检索方法 |
CN104794223B (zh) * | 2015-04-29 | 2018-06-01 | 厦门美图之家科技有限公司 | 一种基于图像检索的字幕匹配方法和系统 |
CN104794223A (zh) * | 2015-04-29 | 2015-07-22 | 厦门美图之家科技有限公司 | 一种基于图像检索的字幕匹配方法和系统 |
CN104899326A (zh) * | 2015-06-19 | 2015-09-09 | 四川大学 | 一种基于二进制多索引哈希技术的图像检索方法 |
CN105095903A (zh) * | 2015-07-16 | 2015-11-25 | 努比亚技术有限公司 | 电子设备及图像处理方法 |
CN105095435A (zh) * | 2015-07-23 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 一种图像高维特征的相似比较方法及装置 |
WO2018040503A1 (zh) * | 2016-08-30 | 2018-03-08 | 北京百度网讯科技有限公司 | 获取搜索结果的方法和装置 |
CN106484782A (zh) * | 2016-09-18 | 2017-03-08 | 重庆邮电大学 | 一种基于多核哈希学习的大规模医学图像检索方法 |
CN106484782B (zh) * | 2016-09-18 | 2019-11-12 | 重庆邮电大学 | 一种基于多核哈希学习的大规模医学图像检索方法 |
CN106777038A (zh) * | 2016-12-09 | 2017-05-31 | 厦门大学 | 一种基于序列保留哈希的超低复杂度图像检索方法 |
CN106777038B (zh) * | 2016-12-09 | 2019-06-14 | 厦门大学 | 一种基于序列保留哈希的超低复杂度图像检索方法 |
CN106951551A (zh) * | 2017-03-28 | 2017-07-14 | 西安理工大学 | 联合gist特征的多重索引图像检索方法 |
CN109063113B (zh) * | 2018-07-30 | 2021-11-02 | 成都快眼科技有限公司 | 一种基于不对称深度离散哈希的快速图像检索方法、检索模型及模型构建方法 |
CN109063113A (zh) * | 2018-07-30 | 2018-12-21 | 成都快眼科技有限公司 | 一种基于不对称深度离散哈希的快速图像检索方法、检索模型及模型构建方法 |
CN109389147A (zh) * | 2018-08-28 | 2019-02-26 | 昆明理工大学 | 一种基于改进PHash算法的图像相似判定方法 |
CN109389147B (zh) * | 2018-08-28 | 2022-02-08 | 昆明理工大学 | 一种基于改进PHash算法的图像相似判定方法 |
WO2020098296A1 (zh) * | 2018-11-15 | 2020-05-22 | 中国银联股份有限公司 | 一种图像检索方法及装置 |
CN109522435A (zh) * | 2018-11-15 | 2019-03-26 | 中国银联股份有限公司 | 一种图像检索方法及装置 |
CN109522435B (zh) * | 2018-11-15 | 2022-05-20 | 中国银联股份有限公司 | 一种图像检索方法及装置 |
US11763164B2 (en) | 2019-01-30 | 2023-09-19 | Boe Technology Group Co., Ltd. | Image-to-image search method, computer-readable storage medium and server |
WO2020155921A1 (zh) * | 2019-01-30 | 2020-08-06 | 京东方科技集团股份有限公司 | 以图搜图的方法、计算机可读存储介质及服务器 |
CN111695917A (zh) * | 2019-03-11 | 2020-09-22 | 北京京东尚科信息技术有限公司 | 商品推荐方法、系统、电子设备和存储介质 |
CN110413807B (zh) * | 2019-06-24 | 2021-04-20 | 华中科技大学 | 一种基于内容语义元数据的图像查询方法与系统 |
CN110413807A (zh) * | 2019-06-24 | 2019-11-05 | 华中科技大学 | 一种基于内容语义元数据的图像查询方法与系统 |
CN110688502B (zh) * | 2019-09-09 | 2022-12-27 | 重庆邮电大学 | 一种基于深度哈希和量化的图像检索方法及存储介质 |
CN110688502A (zh) * | 2019-09-09 | 2020-01-14 | 重庆邮电大学 | 一种基于深度哈希和量化的图像检索方法及存储介质 |
CN110737794A (zh) * | 2019-10-16 | 2020-01-31 | 北京锐安科技有限公司 | 图像查询方法、系统、服务器及存储介质 |
WO2022016328A1 (zh) * | 2020-07-20 | 2022-01-27 | 深圳大学 | 金属异物检测方法、装置及终端设备 |
CN113260882A (zh) * | 2020-07-20 | 2021-08-13 | 深圳大学 | 金属异物检测方法、装置及终端设备 |
CN113260882B (zh) * | 2020-07-20 | 2024-03-12 | 深圳大学 | 金属异物检测方法、装置及终端设备 |
CN115168583A (zh) * | 2022-07-05 | 2022-10-11 | 四川大学 | 一种基于特征与语义视图一致性的哈希图像集分类方法 |
CN115168583B (zh) * | 2022-07-05 | 2023-03-10 | 四川大学 | 一种基于特征与语义视图一致性的哈希图像集分类方法 |
CN117156138A (zh) * | 2023-10-31 | 2023-12-01 | 季华实验室 | 图像的不定长深度哈希编码方法、装置、设备及存储介质 |
CN117156138B (zh) * | 2023-10-31 | 2024-02-09 | 季华实验室 | 图像的不定长深度哈希编码方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN101710334B (zh) | 2012-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101710334B (zh) | 基于图像哈希的大规模图像库检索方法 | |
CN106682233B (zh) | 一种基于深度学习与局部特征融合的哈希图像检索方法 | |
CN105469096B (zh) | 一种基于哈希二值编码的特征袋图像检索方法 | |
Xiang et al. | Fabric image retrieval system using hierarchical search based on deep convolutional neural network | |
Tuytelaars et al. | Vector quantizing feature space with a regular lattice | |
CN104715021B (zh) | 一种基于哈希方法的多标记学习的学习方法 | |
CN108984642B (zh) | 一种基于哈希编码的印花织物图像检索方法 | |
CN113657450B (zh) | 基于注意机制的陆战场图像-文本跨模态检索方法及其系统 | |
CN109948742B (zh) | 基于量子神经网络的手写体图片分类方法 | |
CN107683469A (zh) | 一种基于深度学习的产品分类方法及装置 | |
CN106126581A (zh) | 基于深度学习的手绘草图图像检索方法 | |
CN104112018B (zh) | 一种大规模图像检索方法 | |
CN103324650A (zh) | 一种图像检索方法及系统 | |
CN102508910A (zh) | 基于多哈希表映射误差最小化的图像检索方法 | |
CN108491430A (zh) | 一种基于对特征方向进行聚类的无监督哈希检索方法 | |
CN111125411A (zh) | 一种深度强相关哈希学习的大规模图像检索方法 | |
CN111080551B (zh) | 基于深度卷积特征和语义近邻的多标签图像补全方法 | |
Niu et al. | Knowledge-based topic model for unsupervised object discovery and localization | |
CN109766455B (zh) | 一种有鉴别的全相似性保留哈希跨模态检索方法 | |
CN113377981A (zh) | 基于多任务深度哈希学习的大规模物流商品图像检索方法 | |
Kishorjit Singh et al. | Image classification using SLIC superpixel and FAAGKFCM image segmentation | |
Zareapoor et al. | Deep semantic preserving hashing for large scale image retrieval | |
Saha et al. | Image retrieval based on indexing and relevance feedback | |
Nawaz et al. | Automatic categorization of traditional clothing using convolutional neural network | |
Gu et al. | Integrated image representation based natural scene classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120125 Termination date: 20151204 |
|
EXPY | Termination of patent right or utility model |