CN102012939A - 综合颜色和局部不变特征匹配的动画场景自动标注方法 - Google Patents
综合颜色和局部不变特征匹配的动画场景自动标注方法 Download PDFInfo
- Publication number
- CN102012939A CN102012939A CN 201010583807 CN201010583807A CN102012939A CN 102012939 A CN102012939 A CN 102012939A CN 201010583807 CN201010583807 CN 201010583807 CN 201010583807 A CN201010583807 A CN 201010583807A CN 102012939 A CN102012939 A CN 102012939A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- value
- similarity
- matching
- 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
Images
Landscapes
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种综合颜色和局部不变特征匹配的动画场景自动标注方法,目的是综合利用全局颜色特征与基于颜色不变量的局部不变特征,提高动画场景标注的准确性和速度。技术方案是先对目标图像即待标注图像进行预处理,计算目标图像与动画场景图像素材库中图像之间的全局颜色相似度,进行颜色特征过滤;提取颜色特征过滤后的匹配图像结果与目标图像的CSIFT特征,计算它们之间的全局颜色特征相似度和局部特征相似度;将颜色相似度和局部特征相似度进行融合,得到最后的总相似度;对匹配结果图像的标注信息进行文本处理并合并,得到目标图像的最终标注信息。采用本发明能提高动画图像匹配的准确度和匹配速度。
Description
技术领域
本发明涉及多媒体信息处理技术领域关于基于图像匹配的图像标注方法,其实质是一种通过比较图像相似度得到匹配对象,然后将匹配对象的标注信息进行合并,并将聚类结果作为目标对象的标注信息的方法,是一种综合考虑了图像颜色信息以及图像基于颜色不变量的局部不变特征信息来进行动画场景图像的匹配从而实现图像标注的方法。
背景技术
传统的动画片从制作到生产主要是靠人工来完成的,制作过程中产生了大量的动画场景图像,由于这些图像没有任何的标注信息,往往导致了大量场景素材的浪费,如果能对动画场景图像进行自动标注,就可以通过检索标注信息来得到所需的场景图片,进一步完善动画场景图像库的规范管理,从而大大加速动画的制作时间与效率,对于实际的动画生产行业将具有重大的实际应用价值。
对场景图像进行自动标注的方法主要可以分为基于分类的图像标注以及基于匹配的图像标注两种方法。基于分类的图像标注是利用支持向量机等机器学习技术对图像进行训练分类,从而判定待标注图像的类别,并将该类别信息作为待标注图像的标注信息。这类方法虽然能够减少对人工标注的需求,但是它们通常是根据图像中视觉特征出现的总体情况来进行场景分类,因此该类方法往往适用于具有共同特征分布的图像(例如自然场景图像),而动画场景图像的颜色分布千差万别,不具有明显的共同颜色分布特征,它往往会取决于绘制者的绘制风格,因此这类方法不适用于动画场景图像。而基于匹配的图像标注是基于相似度检索从图像数据库中检索到最相似的一组图像,然后再对这些相似图像的标注信息进行文本合并处理从而得到最终的标注信息。其中,图像匹配指的是通过计算两幅图像之间的特征相似度来判断两幅图像是否相似,它是图像检索领域近年来的一项主要研究。
基于匹配的图像标注主要分为图像匹配与图像标注两个阶段,其中图像匹配结果的好坏直接影响到标注信息的准确度。目前关于图像匹配算法,许多相关的研究工作都集中在如何定义特征的描述子上,特征描述子可分为全局特征描述子与局部特征描述子,全局特征的鲁棒性较强,传统的全局颜色特征包含颜色,纹理,形状等,多数基于全局特征的匹配算法是将彩色图像转化为灰度图像,仅利用亮度信息进行配准,没有充分利用图像的色彩信息,如果受到干扰可能会造成误匹配。与其他的全局视觉特征相比,颜色特征作为一种全局颜色特征对图像本身的尺寸、方向、视角的依赖性较小,从而具有较高的鲁棒性。尤其是在动画场景图像中,颜色信息常常占有很高的比重。通常采用HSV颜色空间或者HSI颜色空间,然而不同的颜色空间对动画场景图像的匹配效果有着明显的不同。通过对200幅以上的素材进行统计,发现大部分动画场景素材和自然场景素材在颜色空间的分布上有着明显的差别。为符合色彩心理学,在动画场景素材里运用的色彩种类不宜过多。同时,在素材的色调饱和度上,通常自然场景中的色调饱和度都较小,而动画场景里饱和度均匀分布在整个区间内。在动画片的图像绘制中常常利用鲜艳的色彩来吸引观众,所以动画场景图像中的色彩饱和度值常常较高,其色调饱和度的分布范围比自然场景色调饱和度分布的范围要大很多。全局颜色特征无法描述具有光照变化,旋转变化等的图像特征。在这方面局部特征相对而言具有更好的优势,但局部特征的处理速度往往较慢,因而不适合用于实时的工程应用,仅仅用来进行理论研究。在图像匹配中的局部不变特征上,SIFT尺度不变特征转换(Scale Invariant Feature Transform,见[D.G.Lowe.Distinctive image features from scale invariant keypoints.International Journal of Computer Vision,2004,60(2):90~110])作为一种鲁棒的特征描述方法,在提取灰度图像特征时取得了令人满意的效果,但在处理彩色图像时,则表现出局限性。为使SIFT能更好地用于彩色图像处理,一些研究者做了不同的改进,如部分研究者提出将RGB分量的强度归一化后再用SIFT方法来处理彩色图像,此算法虽具有部分光照不变和几何不变性,但描述色彩不变特征时仍有局限性;部分研究者在提取和识别彩色图像时,先用Bayses颜色分类器标注图像的不同区域,在不同区域进行SIFT描述,并在同种颜色标注的区域之间进行匹配,此方法效果虽好,但必须进行色彩训练,使得该算法的应用受到限制。为此,提出了一种基于颜色不变量的CSIFT特征(Colored invariant feature transform)的彩色图像局部特征描述方法,求出彩色图像各个位置处的颜色不变量,以颜色不变量作为输入图像,再提取特征点并描述特征点周围的信息,通过最近邻匹配法求出图像间的匹配对,最后利用匹配的特征求取图像间的变换参数及配准后图像。相关实验结果表明,对彩色图像进行已知参数值变换时,该算法能得到精度高、误差小的计算结果;对变换关系未知的彩色图像,也能准确地求出图像间的映射关系;且多数情况下运行速度较SIFT快。目前在图像的匹配中还缺乏既准确又快速的描述特征,既缺乏融合全局特征和局部特征的快速图像匹配方法。在图像匹配阶段得到匹配图像结果之后,将匹配结果(即相似图像)的标注信息进行文本上的合并处理,将合并的结果作为目标图像的标注信息,从而实现基于图像匹配的动画场景图像自动标注。传统的文本处理技术主要包括关键词的统计与分类。
发明内容
本发明要解决的技术问题是提供一种基于图像匹配的动画场景自动标注方法,综合利用全局颜色特征与基于颜色不变量的局部不变特征,在图像的标注过程中通过综合利用动画场景图像的颜色特征与局部不变特征,其中颜色特征为全局颜色直方图,并考虑了在自然场景中常常忽略掉的饱和度因素,局部不变特征采用了CSIFT特征,由于这些特征更适用于动画场景图像,因此本发明提高了动画场景标注的准确性和速度,满足动画图像管理和检索的实用需求。
本发明的技术方案如下:
第一步,对目标图像(即待标注图像)进行预处理,即利用现有的数字图像处理技术中的图像灰度分段先行变换函数对目标图像进行预处理,计算目标图像中所有像素的灰度值,将其中灰度值高于100的像素灰度值放大,同时将灰度值低于30的像素灰度值缩小,这样能更加突出图像的灰度细节信息。由于图像的大小将直接影响后续匹配阶段的速度,因此若图像的宽度大于900像素,将图像的宽度缩小至900像素,宽高比保持原图像宽高比,若宽度小于900像素,则不做变化。
第二步,计算目标图像与动画场景图像素材库中图像之间的全局颜色相似度,进行颜色特征过滤。动画场景图像素材库是已经具有标注信息的动画场景图像集,该素材库包含12类动画场景图像,分别为马路、高楼、房屋、室内、室外、冰山、树木、天空、桥、河流、山以及森林;其场景的标注规范为:类别标签;景别标签;时间标签;其中类别标签为上述12种类别信息中的任意几种类别组合,景别标签可为远景或近景,时间标签可以是白天、傍晚或者晚上;例如对某一幅同时包括天空和桥的图像,其场景标注可能为:“天空;桥;室外;远景;白天”,前面三类是类别标签,后面的分别是景别标签和时间标签。颜色特征过滤的方法是:
2.1、分别提取目标图像与素材库中所有图像的颜色特征(见[Smith,A.R. color gamut transform pairs, computer graphics,vol.12,no.3,pp.12-19]),其中(hue,色调)、 (saturation,饱和度)、(intensity,强度)是三个颜色分量的值,计算方法如下:
其中角度是像素点在空间中与红色轴之间的夹角,分别表示图像的红(Red)、绿(Green)、蓝(Blue)三个颜色分量,计算时值已归一化到范围[0,1]。在得到图像中所有像素的、、三个分量之后,对这三个分量的分布情况分别进行统计,将所有像素值的分布范围分为个区间,分别统计在个分布区间的像素个数从而得到个数值,将这个数值组成一维向量作为图像的向量;将所有像素值的分布范围分为个区间,分别统计在个分布区间的像素个数从而得到个数值,将这个数值组成一维向量作为图像的向量;将所有像素值的分布范围分为个区间,分别统计在个分布区间的像素个数从而得到个数值,将这个数值组成一维向量作为图像的的向量。因此得到图像i的分布为,和,则图像i的全局颜色特征为维的向量。、、均为正整数,可取取值为6,取值为6,取值为12,之所以这么选择各个分量的维数是通过反复比较各种维数分配情况得到的最优分配结果;
2.2、计算目标图像与动画场景图像素材库中图像的颜色相似度,利用欧式距离计算维颜色向量之间的距离值,计算方法如下:
其中表示第一幅图像的全局颜色特征里的第k维向量值,表示第二幅图像的全局颜色特征里的第k维向量值,是最终得到的距离值;将通过公式(4)计算得到的距离值作为颜色相似度,然后将目标图像与所有素材库图像的颜色相似度进行排序,取出前幅图像作为颜色过滤后的匹配图像结果,,由于图像越多则处理速度越慢,而图像过少则会降低查全率,因此本发明中取为30;
第三步,分别提取颜色特征过滤后的匹配图像结果与目标图像的CSIFT特征(Colored invariant feature transform,基于颜色不变量的特征变换),并分别计算它们之间的基于的全局颜色特征相似度和基于CSIFT的局部特征相似度,具体包括以下步骤:
3.1、依据Kubelka Munk理论计算图像的颜色不变量以及基于颜色不变量的局部特征:
(5)
式中表示波长,为二维矢量,表示观测位置,表示光谱强度,表示处的Fteanel反射系数,表示材料反射率,为观测处的反射谱;对分别求一阶导数得到,对求二阶导数得到。根据CIE1964 XYZ的标准条件,彩色图像的分量和的关系近似为公式(6),因此可以根据图像的值得到的值,将图像转换至空间并得到、、三个分量的值,根据公式(6)计算:
依据公式(7)计算颜色不变量,计算方法为:
(9)
3.2、计算图像之间CSIFT特征的相似度,用欧氏距离度量图像间的初始匹配。设场景图像、中分别有、个特征点,在个特征点中任取一点的特征描述向量,计算与中的个特征向量的欧式距离值,其中,若特征点与个特征点中的点的距离中的极小值与次极小值的比值小于阈值,则认为特征点与特征点匹配,本发明中取值为0.75,这是通过比较得到的最优值。然后遍历中的特征点,找出可能的匹配对。为最大程度找出准确的匹配对,采用RANSAC法(见[M.A. Fisher and R.C.Bolles, random sample consensus: a paradigm for model fitting analysis and automated cartography, comm. of ACM 24:381-395])消除误匹配。最后将得到的正确匹配对个数作为两个局部不变特征之间的相似度。
4.1 若,一般取经验值在0.45-0.55之间,并且,一般取经验值在2.5-3.5之间,则以为主要相似度,的权重值为,建议取值为100,为次要相似度,其权重值为,设为50,按公式(10)计算得到该情况下的总相似度:
第五步,对第四步得到的个匹配结果图像的标注信息进行文本处理并合并,幅图像中每幅图像的标注信息为 ,标注信息分为三部分,其中为图像i的类别标签信息,为图像i的景别标签信息,为图像i的时间标签信息,将这些匹配图像结果的标注信息进行文本并集,去掉重复的部分,方法如下:
5.1、对个标注信息中的类别标签信息进行并集,首先将类别标签信息按照文本分割的方法分解为多个关键词,即,然后将所有类别标签信息中的关键词进行合并,即最终的类别标签信息,若某两个关键词相同,即,则,即去掉重复的类别信息,然后按类别标签中关键词的权重进行排列,关键词的权重按照其在匹配图像序列中的排序度进行定义,在类别标签中的所有关键词的权重值取决于在幅图像中的位置,其权重值为,若同一个关键词出现在两个类别标签信息与中,则其权重值为两个类别标签的权重之和即;在计算完所有关键词的权重之后,按照各个关键词的权重进行排序组合得到目标图像标注信息中的类别标签信息;
5.2、对个标注信息中的景别标签信息和时间标签信息进行文本的合并,首先分别统计这个景别标签与时间标签中的各种不同标注信息的数量,并抽取出现频率最高的标注信息作为目标图像的景别标签信息和时间标签信息,这是因为如果出现的频率越高,则和目标图像的景别标签以及时间标签信息越接近,最后得到目标图像的景别标签信息与;
采用本发明可以达到以下技术效果:
1、本发明步骤1通过对图像进行预处理,加快了图像匹配阶段的速度,同时为图像的基于局部特征匹配提供了很好的辅助作用,有利于提高准确度。
2、本发明步骤2采用了更符合动画图像的颜色特征计算方法。相比较于以往的彩色图像颜色特征计算方法,本发明的方法更适用于动画场景图像,且具有较高的查全率。
3、本发明步骤3实现了基于颜色不变量的局部不变特征的计算。突破了传统的局部不变特征计算方法,充分利用了动画图像的颜色特征,提高了准确率。
4、本发明步骤4综合了颜色全局特征与局部不变特征,从而提高了动画图像匹配的准确度。依据全局颜色特征与局部不变特征在动画场景图像中的作用建立了融合全局颜色相似度与局部不变特征相似度的融合准则,相比于以往的融合方法更具针对性,并且具有较高的准确度。
5、本发明步骤5实现了基于图像匹配的动画场景标注方法,利用了准确度较高的图像匹配结果来对目标图像进行标注,从而保证了最终标注信息的准确度。
附图说明
图1为本发明基于颜色和局部不变特征的动画场景图像标注方法的流程图。
图2为本发明在第二步中比较动画场景素材与自然场景素材在颜色空间上区别的实验图。
图3为本发明第二步中通过实验比较来设置三个颜色分量的权重值的结果图。
图4为本发明第三步中CSIFT特征与SIFT特征的性能比较。
图5为采用本发明中第四步的特征计算方法与其它方法的比较。
图6为使用本发明方法在动画场景图像库上进行动画场景图像标注的例子。
具体实施方式
图1为本发明基于颜色和局部不变特征的动画场景图像标注方法的流程图,具体步骤包括:
第一步,对待标注动画图像进行预处理,从而更加突出图像的灰度细节信息,并统一所有图像的大小;
第五步,将得到的最终的匹配图像的所有标注信息进行文本并集,得到最后的并集结果作为目标图像的标注信息。
图2为本发明在第二步中比较动画场景素材与自然场景素材在颜色空间上区别的实验图。由于三个颜色分量中分量没有什么明显的差别,因此只比较和分量之前的区别。首先分别提取目标图像与所有素材库中图像的、两个分量的值,计算方法如公式(1)和(2)。从图中可以看出动画场景图像相对自然场景采用的色调数目较少,范围小,同时,在素材的色调饱和度上,自然场景中色调饱和度的分布大部分集中于左端,即大部分的色调饱和度都较小,而动画场景里饱和度的分布在整个区间内。
图3为本发明第二步中通过实验比较来设置三个颜色分量的权重值的结果图,具体步骤包括:
3.1,取不同的权重值比,分别为3-9-12,6-6-12,12-6-6,12-9-3,定义评价指标为查全率,相似度排序准确率,该指标定义如下:
3.2,依据上述设定的实验方案进行实验,并记录结果。其中图3(a)是相似度排序准确率的实验结果图,图3(b)是查全率的实验结果图。通过实验比较得到最优的颜色分量的权重分配,在这种权重分配的基础上所计算得到的准确率和查全率是最高的。
图4本发明第三步中CSIFT特征与SIFT特征的性能比较。针对动画场景图像的特征提取出的关键点个数可以分为三类,从少到多分为三组,对于第一组,CSIFT所提出的关键点个数平均为13~68,而SIFT特征仅为7~60;对于第二组,CSIFT所提出的关键点个数平均为100~195,而SIFT特征仅为40~176;对于第三组,CSIFT所提出的关键点个数平均为1100~1807,而SIFT特征仅为1078~1799。这就证明了CSIFT能更好的适应于彩色的动画场景图像,从而保证图像匹配过程中的准确度。
图5为本发明中第四步的特征计算方法与其它方法的比较,其中图4(a)为仅仅适用传统的颜色特征进行图像匹配后的结果图,图4(b)为采用本发明得到的匹配结果图。
图6为使用本发明方法在动画场景图像库上进行动画场景图像标注的例子。每幅图像下面的第二行文字信息即为通过本发明所得到的自动标注结果,标注信息包含类别标签信息,景别标签信息以及时间标签信息。从图中可以看出本发明对于动画场景图像的自动标注具有较高的准确度。
Claims (5)
1.一种综合颜色和局部不变特征匹配的动画场景自动标注方法,其特征在于包括以下步骤:
第一步,对目标图像即待标注图像进行预处理,即利用现有的数字图像处理技术中的图像灰度分段先行变换函数对目标图像进行预处理,计算目标图像中所有像素的灰度值,将其中灰度值高于100的像素灰度值放大,同时将灰度值低于30的像素灰度值缩小;
第二步,计算目标图像与动画场景图像素材库中图像之间的全局颜色相似度,进行颜色特征过滤,动画场景图像素材库是已经具有标注信息的动画场景图像集,该素材库包含12类动画场景图像,分别为马路、高楼、房屋、室内、室外、冰山、树木、天空、桥、河流、山以及森林;其场景的标注规范为:类别标签;景别标签; 时间标签;其中类别标签为上述12种类别信息中的任意几种类别组合,景别标签为远景或近景,时间标签是白天、傍晚或者晚上;颜色特征过滤的方法是:
其中角度是像素点在空间中与红色轴之间的夹角,分别表示图像的红、绿、蓝三个颜色分量,计算时值已归一化到范围[0,1];在得到图像中所有像素的、、三个分量之后,对这三个分量的分布情况分别进行统计,将所有像素值的分布范围分为个区间,分别统计在个分布区间的像素个数从而得到个数值,将这个数值组成一维向量作为图像的向量;将所有像素值的分布范围分为个区间,分别统计在个分布区间的像素个数从而得到个数值,将这个数值组成一维向量作为图像的向量;将所有像素值的分布范围分为个区间,分别统计在个分布区间的像素个数从而得到个数值,将这个数值组成一维向量作为图像的向量,得到图像i的分布为, 和;图像i的全局颜色特征为维的向量;、、均为正整数;
其中表示第一幅图像的全局颜色特征里的第k维向量值,表示第二幅图像的全局颜色特征里的第k维向量值,是最终得到的距离值;将通过公式(4)计算得到的距离值作为颜色相似度,然后将目标图像与动画场景图像素材库图像的颜色相似度进行排序,取出前幅图像作为颜色过滤后的匹配图像结果,;
3.1、依据Kubelka Munk理论计算图像的颜色不变量以及基于颜色不变量的局部特征:
式中表示波长,为二维矢量,表示观测位置,表示光谱强度,表示处的Fteanel反射系数,表示材料反射率,为观测处的反射谱;对分别求一阶导数得到,对求二阶导数得到;根据CIE1964XYZ的标准条件,彩色图像的分量和的关系近似为公式(6),根据图像的值得到的值,将图像转换至空间并得到、、三个分量的值,根据公式(6)计算:
(7)
3.2、计算图像之间CSIFT特征的相似度,用欧氏距离度量图像间的初始匹配:设场景图像、中分别有、个特征点,在个特征点中任取一点的特征描述向量,计算与中的个特征向量的欧式距离值,其中,若特征点与个特征点中的点的距离中的极小值与次极小值的比值小于阈值,则认为特征点与特征点匹配, 取值为0.75;然后遍历中的特征点,找出可能的匹配对;最后将得到的正确匹配对个数作为两个局部不变特征之间的相似度;
(10)
(12)
第五步,对第四步得到的幅匹配结果图像的标注信息进行文本处理并合并,幅图像中每幅图像的标注信息为 ,标注信息主要分为三部分,其中为图像i的类别标签信息,为图像i的景别标签信息,为图像i的时间标签信息,将这些匹配图像结果的标注信息进行文本并集,去掉重复的部分,其方法如下:
5.1、对个标注信息中的类别标签信息进行并集,首先将类别标签信息按照文本分割的方法分解为多个关键词,即,然后将所有类别标签信息中的关键词进行合并,即最终的类别标签信息,若某两个关键词相同,即,则,即去掉重复的类别信息,然后按类别标签中关键词的权重进行排列,关键词的权重按照其在匹配图像序列中的排序度进行定义,在类别标签中的所有关键词的权重值取决于在幅图像中的位置,其权重值为,若同一个关键词出现在两个类别标签信息与中,则其权重值为两个类别标签的权重之和即;在计算完所有关键词的权重之后,按照各个关键词的权重进行排序组合得到目标图像标注信息中的类别标签信息;
5.2、对个标注信息中的景别标签信息和时间标签信息进行文本的合并,首先分别统计这个景别标签与时间标签中的各种不同标注信息的数量,并抽取出现频率最高的标注信息作为目标图像的景别标签信息和时间标签信息,得到目标图像的景别标签信息与;
2.如权利要求1所述的一种综合颜色和局部不变特征匹配的动画场景自动标注方法,其特征在于进行预处理时若图像的宽度大于900像素,将图像的宽度缩小至900像素,宽高比保持原图像宽高比,若宽度小于900像素,则不做变化。
5.如权利要求1所述的一种综合颜色和局部不变特征匹配的动画场景自动标注方法,其特征在于为最大程度找出准确的匹配对,采用RANSAC法消除误匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105838074A CN102012939B (zh) | 2010-12-13 | 2010-12-13 | 综合颜色和局部不变特征匹配的动画场景自动标注方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105838074A CN102012939B (zh) | 2010-12-13 | 2010-12-13 | 综合颜色和局部不变特征匹配的动画场景自动标注方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102012939A true CN102012939A (zh) | 2011-04-13 |
CN102012939B CN102012939B (zh) | 2012-11-14 |
Family
ID=43843112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105838074A Expired - Fee Related CN102012939B (zh) | 2010-12-13 | 2010-12-13 | 综合颜色和局部不变特征匹配的动画场景自动标注方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102012939B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184411A (zh) * | 2011-05-09 | 2011-09-14 | 中国电子科技集团公司第二十八研究所 | 基于彩色信息的尺度不变特征点描述和匹配方法 |
CN102236901A (zh) * | 2011-06-30 | 2011-11-09 | 南京大学 | 基于图论聚类和色彩不变空间的目标跟踪方法 |
CN103533332A (zh) * | 2013-10-22 | 2014-01-22 | 清华大学深圳研究生院 | 一种2d视频转3d视频的图像处理方法 |
CN103678558A (zh) * | 2013-12-06 | 2014-03-26 | 中科联合自动化科技无锡有限公司 | 基于sift特征的嫌疑车辆检索方法 |
CN103999124A (zh) * | 2011-11-04 | 2014-08-20 | 高通股份有限公司 | 多谱成像系统 |
CN104111960A (zh) * | 2013-04-22 | 2014-10-22 | 阿里巴巴集团控股有限公司 | 一种页面的匹配方法和装置 |
CN104268199A (zh) * | 2014-09-22 | 2015-01-07 | 扬州瑞丰信息技术有限公司 | 一种基于Web社交化媒体的图像自动标注方法 |
CN104899558A (zh) * | 2015-05-25 | 2015-09-09 | 东华大学 | 一种车载红外图像的场景识别及彩色化处理方法 |
CN105447846A (zh) * | 2014-08-25 | 2016-03-30 | 联想(北京)有限公司 | 一种图像处理方法及电子设备 |
CN106504304A (zh) * | 2016-09-14 | 2017-03-15 | 厦门幻世网络科技有限公司 | 一种动画合成的方法及装置 |
CN108175427A (zh) * | 2017-12-26 | 2018-06-19 | 深圳先进技术研究院 | 啮齿类动物焦虑水平测试实验轨迹显示方法及装置 |
CN108230409A (zh) * | 2018-03-28 | 2018-06-29 | 南京大学 | 基于颜色和内容多因素综合的图像相似性定量分析方法 |
CN108288067A (zh) * | 2017-09-12 | 2018-07-17 | 腾讯科技(深圳)有限公司 | 图像文本匹配模型的训练方法、双向搜索方法及相关装置 |
CN109034002A (zh) * | 2018-07-04 | 2018-12-18 | 安徽淘云科技有限公司 | 实体书检测方法及装置 |
CN109308456A (zh) * | 2018-08-31 | 2019-02-05 | 北京字节跳动网络技术有限公司 | 目标对象的信息确定方法、装置、设备及存储介质 |
CN109657083A (zh) * | 2018-12-27 | 2019-04-19 | 广州华迅网络科技有限公司 | 纺织品图片特征库的建立方法和装置 |
CN110009558A (zh) * | 2019-01-17 | 2019-07-12 | 柳州康云互联科技有限公司 | 一种简易的图像色彩归一化的办法 |
CN110121033A (zh) * | 2018-02-06 | 2019-08-13 | 上海全土豆文化传播有限公司 | 视频编目方法及装置 |
CN110209865A (zh) * | 2019-05-24 | 2019-09-06 | 广州市云家居云科技有限公司 | 一种基于深度学习的物体识别及匹配方法 |
CN110209862A (zh) * | 2019-05-22 | 2019-09-06 | 招商局金融科技有限公司 | 文本配图方法、电子装置及计算机可读存储介质 |
CN110245667A (zh) * | 2018-03-08 | 2019-09-17 | 中华映管股份有限公司 | 物件辨识方法及其装置 |
CN111191708A (zh) * | 2019-12-25 | 2020-05-22 | 浙江省北大信息技术高等研究院 | 自动化样本关键点标注方法、装置及系统 |
CN111325777A (zh) * | 2018-12-14 | 2020-06-23 | 北京沃东天骏信息技术有限公司 | 用于处理图像的方法和装置 |
CN111353536A (zh) * | 2020-02-28 | 2020-06-30 | 北京字节跳动网络技术有限公司 | 图像的标注方法、装置、可读介质和电子设备 |
CN111882582A (zh) * | 2020-07-24 | 2020-11-03 | 广州云从博衍智能科技有限公司 | 一种图像跟踪关联方法、系统、设备及介质 |
CN114170522A (zh) * | 2022-02-14 | 2022-03-11 | 北京中科慧眼科技有限公司 | 基于色谱相似性度量的颜色分类识别方法和系统 |
CN115835448A (zh) * | 2022-12-28 | 2023-03-21 | 无锡车联天下信息技术有限公司 | 一种调节灯光的方法、装置、内窥镜设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995004329A1 (fr) * | 1993-07-31 | 1995-02-09 | Sony Corporation | Dispositif et procede de detection de l'appariement d'images |
CN101136015A (zh) * | 2006-09-01 | 2008-03-05 | 北大方正集团有限公司 | 一种计算图像之间相似度的方法 |
CN101639858A (zh) * | 2009-08-21 | 2010-02-03 | 深圳创维数字技术股份有限公司 | 基于目标区域匹配的图像检索方法 |
CN101697232A (zh) * | 2009-09-18 | 2010-04-21 | 浙江大学 | 面向近重复图像匹配的sift特征裁减方法 |
-
2010
- 2010-12-13 CN CN2010105838074A patent/CN102012939B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995004329A1 (fr) * | 1993-07-31 | 1995-02-09 | Sony Corporation | Dispositif et procede de detection de l'appariement d'images |
CN101136015A (zh) * | 2006-09-01 | 2008-03-05 | 北大方正集团有限公司 | 一种计算图像之间相似度的方法 |
CN101639858A (zh) * | 2009-08-21 | 2010-02-03 | 深圳创维数字技术股份有限公司 | 基于目标区域匹配的图像检索方法 |
CN101697232A (zh) * | 2009-09-18 | 2010-04-21 | 浙江大学 | 面向近重复图像匹配的sift特征裁减方法 |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184411A (zh) * | 2011-05-09 | 2011-09-14 | 中国电子科技集团公司第二十八研究所 | 基于彩色信息的尺度不变特征点描述和匹配方法 |
CN102184411B (zh) * | 2011-05-09 | 2012-09-05 | 中国电子科技集团公司第二十八研究所 | 基于彩色信息的尺度不变特征点描述和匹配方法 |
CN102236901A (zh) * | 2011-06-30 | 2011-11-09 | 南京大学 | 基于图论聚类和色彩不变空间的目标跟踪方法 |
US9692991B2 (en) | 2011-11-04 | 2017-06-27 | Qualcomm Incorporated | Multispectral imaging system |
CN103999124B (zh) * | 2011-11-04 | 2018-10-26 | 高通股份有限公司 | 多谱成像系统 |
CN103999124A (zh) * | 2011-11-04 | 2014-08-20 | 高通股份有限公司 | 多谱成像系统 |
CN104111960A (zh) * | 2013-04-22 | 2014-10-22 | 阿里巴巴集团控股有限公司 | 一种页面的匹配方法和装置 |
CN103533332A (zh) * | 2013-10-22 | 2014-01-22 | 清华大学深圳研究生院 | 一种2d视频转3d视频的图像处理方法 |
CN103678558A (zh) * | 2013-12-06 | 2014-03-26 | 中科联合自动化科技无锡有限公司 | 基于sift特征的嫌疑车辆检索方法 |
CN105447846A (zh) * | 2014-08-25 | 2016-03-30 | 联想(北京)有限公司 | 一种图像处理方法及电子设备 |
CN104268199A (zh) * | 2014-09-22 | 2015-01-07 | 扬州瑞丰信息技术有限公司 | 一种基于Web社交化媒体的图像自动标注方法 |
CN104268199B (zh) * | 2014-09-22 | 2017-05-31 | 江苏瑞丰信息技术股份有限公司 | 一种基于Web社交化媒体的图像自动标注方法 |
CN104899558A (zh) * | 2015-05-25 | 2015-09-09 | 东华大学 | 一种车载红外图像的场景识别及彩色化处理方法 |
CN106504304A (zh) * | 2016-09-14 | 2017-03-15 | 厦门幻世网络科技有限公司 | 一种动画合成的方法及装置 |
CN106504304B (zh) * | 2016-09-14 | 2019-09-24 | 厦门黑镜科技有限公司 | 一种动画合成的方法及装置 |
US11699298B2 (en) | 2017-09-12 | 2023-07-11 | Tencent Technology (Shenzhen) Company Limited | Training method of image-text matching model, bi-directional search method, and relevant apparatus |
CN108288067A (zh) * | 2017-09-12 | 2018-07-17 | 腾讯科技(深圳)有限公司 | 图像文本匹配模型的训练方法、双向搜索方法及相关装置 |
US11087166B2 (en) | 2017-09-12 | 2021-08-10 | Tencent Technology (Shenzhen) Company Limited | Training method of image-text matching model, bi-directional search method, and relevant apparatus |
CN108288067B (zh) * | 2017-09-12 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 图像文本匹配模型的训练方法、双向搜索方法及相关装置 |
CN108175427A (zh) * | 2017-12-26 | 2018-06-19 | 深圳先进技术研究院 | 啮齿类动物焦虑水平测试实验轨迹显示方法及装置 |
CN110121033A (zh) * | 2018-02-06 | 2019-08-13 | 上海全土豆文化传播有限公司 | 视频编目方法及装置 |
CN110245667A (zh) * | 2018-03-08 | 2019-09-17 | 中华映管股份有限公司 | 物件辨识方法及其装置 |
CN108230409A (zh) * | 2018-03-28 | 2018-06-29 | 南京大学 | 基于颜色和内容多因素综合的图像相似性定量分析方法 |
CN108230409B (zh) * | 2018-03-28 | 2020-04-17 | 南京大学 | 基于颜色和内容多因素综合的图像相似性定量分析方法 |
CN109034002A (zh) * | 2018-07-04 | 2018-12-18 | 安徽淘云科技有限公司 | 实体书检测方法及装置 |
CN109308456A (zh) * | 2018-08-31 | 2019-02-05 | 北京字节跳动网络技术有限公司 | 目标对象的信息确定方法、装置、设备及存储介质 |
CN111325777A (zh) * | 2018-12-14 | 2020-06-23 | 北京沃东天骏信息技术有限公司 | 用于处理图像的方法和装置 |
CN109657083A (zh) * | 2018-12-27 | 2019-04-19 | 广州华迅网络科技有限公司 | 纺织品图片特征库的建立方法和装置 |
CN110009558A (zh) * | 2019-01-17 | 2019-07-12 | 柳州康云互联科技有限公司 | 一种简易的图像色彩归一化的办法 |
CN110209862A (zh) * | 2019-05-22 | 2019-09-06 | 招商局金融科技有限公司 | 文本配图方法、电子装置及计算机可读存储介质 |
CN110209865A (zh) * | 2019-05-24 | 2019-09-06 | 广州市云家居云科技有限公司 | 一种基于深度学习的物体识别及匹配方法 |
CN111191708A (zh) * | 2019-12-25 | 2020-05-22 | 浙江省北大信息技术高等研究院 | 自动化样本关键点标注方法、装置及系统 |
CN111353536A (zh) * | 2020-02-28 | 2020-06-30 | 北京字节跳动网络技术有限公司 | 图像的标注方法、装置、可读介质和电子设备 |
CN111882582A (zh) * | 2020-07-24 | 2020-11-03 | 广州云从博衍智能科技有限公司 | 一种图像跟踪关联方法、系统、设备及介质 |
CN111882582B (zh) * | 2020-07-24 | 2021-10-08 | 广州云从博衍智能科技有限公司 | 一种图像跟踪关联方法、系统、设备及介质 |
CN114170522A (zh) * | 2022-02-14 | 2022-03-11 | 北京中科慧眼科技有限公司 | 基于色谱相似性度量的颜色分类识别方法和系统 |
CN115835448A (zh) * | 2022-12-28 | 2023-03-21 | 无锡车联天下信息技术有限公司 | 一种调节灯光的方法、装置、内窥镜设备及介质 |
CN115835448B (zh) * | 2022-12-28 | 2024-03-19 | 无锡车联天下信息技术有限公司 | 一种调节灯光的方法、装置、内窥镜设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102012939B (zh) | 2012-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102012939A (zh) | 综合颜色和局部不变特征匹配的动画场景自动标注方法 | |
Recky et al. | Windows detection using k-means in cie-lab color space | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
CN102073748B (zh) | 一种基于视觉关键词的遥感影像语义检索方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN105528575B (zh) | 基于上下文推理的天空检测方法 | |
CN102542058A (zh) | 一种融合全局与局部视觉特征的层次化地标识别方法 | |
CN101211356A (zh) | 一种基于显著区域的图像查询方法 | |
CN104376105A (zh) | 一种社会媒体中图像低层视觉特征与文本描述信息的特征融合系统及方法 | |
WO2021082168A1 (zh) | 一种场景图像中特定目标对象的匹配方法 | |
TW201331772A (zh) | 圖像索引的產生方法及設備 | |
CN106682684B (zh) | 一种基于k均值聚类的目标识别方法 | |
CN103186538A (zh) | 一种图像分类方法和装置、图像检索方法和装置 | |
CN104361348B (zh) | 一种智能终端上的花卉识别方法 | |
CN102184250A (zh) | 基于彩色图像匹配的服装面料样品检索方法 | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
Lodh et al. | Flower recognition system based on color and GIST features | |
CN108647703B (zh) | 一种基于显著性的分类图像库的类型判断方法 | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
CN107657276B (zh) | 一种基于寻找语义类簇的弱监督语义分割方法 | |
CN112381830B (zh) | 基于YCbCr超像素和图割的鸟类关键部位提取方法和装置 | |
CN109427068A (zh) | 基于超像素自动标注的深度学习共分割方法 | |
Gouiffès et al. | Body color sets: A compact and reliable representation of images | |
CN109299295B (zh) | 蓝印花布图像数据库搜索方法 | |
CN111159456A (zh) | 基于深度学习与传统特征的多尺度服装检索方法及系统 |
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: 20121114 Termination date: 20211213 |
|
CF01 | Termination of patent right due to non-payment of annual fee |