CN102254015A - 基于视觉词组的图像检索方法 - Google Patents

基于视觉词组的图像检索方法 Download PDF

Info

Publication number
CN102254015A
CN102254015A CN2011102054125A CN201110205412A CN102254015A CN 102254015 A CN102254015 A CN 102254015A CN 2011102054125 A CN2011102054125 A CN 2011102054125A CN 201110205412 A CN201110205412 A CN 201110205412A CN 102254015 A CN102254015 A CN 102254015A
Authority
CN
China
Prior art keywords
image
standard picture
retrieved
descriptor
sift
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
Application number
CN2011102054125A
Other languages
English (en)
Other versions
CN102254015B (zh
Inventor
冯德瀛
杨杰
杨程
刘从新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN2011102054125A priority Critical patent/CN102254015B/zh
Publication of CN102254015A publication Critical patent/CN102254015A/zh
Application granted granted Critical
Publication of CN102254015B publication Critical patent/CN102254015B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种计算机信息处理技术领域的基于视觉词组的图像检索方法，首先对标准图像和待检索图像分别提取显著性区域，并在显著性区域中提取特征描述子，然后对标准图像库中的特征描述子采用随机kd树进行聚类，接着将标准图像和待检索图像的特征描述子分别通过视觉词组进行表示，并根据标准图像的视觉词组创建二维倒排索引，最后将由视觉词组表示的待检索图像的特征描述子在二维倒排索引中进行相似性搜索以及空间几何关系度量，给出最终检索结果。本发明在保证检索准确率的情况下，降低了检索过程的计算量，提高了检索的实时性。

Description

基于视觉词组的图像检索方法
技术领域
本发明涉及的是计算机信息处理技术领域的方法，具体是一种基于视觉词组的图像检索方法。
背景技术
随着具有拍照功能的手机价格更加低廉以及互联网的发展，图像的获取更加简捷方便，图像数量也呈现爆炸性的增长。图像数量的快速增长对图像数据的存储、搜索和组织提出了巨大的挑战和考验。在现实生活中，如何在大规模图像库中根据手机拍摄图像获取最有用的信息，成为人们关注和研究的焦点之一。
图像检索技术是指根据查询图像内容信息或者指定查询标准，在标准图像库中进行搜索并查找出符合条件的相关图像。传统的图像检索技术大多采用基于文本的检索方法，它沿用了传统的文本检索技术，从图像名称、图像尺寸、压缩类型、作者、年代等方面描述图像，通过关键词的形式查询图像。基于文本的图像检索技术，不能对图像低层特征元素进行客观分析和描述，逐渐被基于内容的图像检索技术所取代。
基于内容的图像检索技术，早期大多采用颜色、纹理、形状等全局特征进行相似性搜索，但是这些特征对于光照、遮挡以及几何形变等不具有稳健性，因此逐渐被SIFT、SURF等局部不变性特征描述子所取代。与传统的图像全局特征相比，图像的局部不变性特征具有更好的唯一性、不变性和鲁棒性，能够适应图像背景混杂、局部遮挡、光线变化等各种情况，因此适用于在各种情况下拍摄的手机图像。将图像的局部不变性特征进行聚类量化，并在高维索引结构中进行相似性搜索，即可根据手机拍摄图像在标准图像库中查询出相关结果。
经对现有技术的文献检索发现， Andrew Zisserman等在专利“Object Retrieval”（美国专利号为US 2005/0225678 A1，公开日期为2005年12月13日）中提供了用户在图像中自定义目标进行检索的方法。在该方法中，首先采用形状自适应与最大稳健区域进行特征提取，并采用SIFT描述子进行特征描述，然后采用K-Means聚类方法对所有SIFT描述子进行聚类，创建视觉码书，接着进行标准图像矢量化，并根据标准图像矢量的稀疏性创建倒排索引，进行相似性搜索。在创建视觉码书的过程中，标准图像中的每个SIFT描述子通过一个聚类中心进行表示，从而降低了同一类别SIFT描述子之间的区分性，造成了量化损失。在待检索图像查询过程中，必须先对待检索图像的SIFT描述子进行矢量化，然后才能在倒排索引中进行相似性查询，待检索图像矢量化过程以及待检索图像和标准图像相似性度量过程耗费了不少时间，从而降低了检索的实时性。
进一步检索发现，David Nister等在专利“Scalable Object Recognition Using Hierarchical Quantization with a Vocabulary Tree”（美国专利号为US7725484 B2，公开日期为2010年5月25日）中提供了一种图像检索方法。该方法在K-Means聚类的基础上引入了分层的概念，虽然降低了传统K-Means聚类的时间，但是属于同一类别的描述子往往会被划分到不同的类别中，以及同一类别SIFT描述子之间不存在区分性的问题，造成了更大的量化损失。在待检索图像查询的过程中，由于同样要进行矢量化以及倒排索引相似性搜索，从而也降低了检索的实时性。
发明内容
本发明针对现有技术存在的上述不足，提供一种基于视觉词组的图像检索方法，通过基于视觉词组的二维倒排索引以及对图像进行空间几何关系度量得以实现，能够提高图像中尺度不变描述子的区分性，并在保证检索准确率的同时，降低检索过程中的计算量，提高了检索的实时性。
本发明是通过以下技术方案来实现的，本发明具体为：
首先对标准图像和待检索图像分别提取显著性区域，并在显著性区域中提取特征描述子；
然后对标准图像库中的特征描述子采用随机kd树进行聚类；
接着将标准图像和待检索图像的特征描述子分别通过视觉词组进行表示，并根据标准图像的视觉词组创建二维倒排索引；
最后将由视觉词组表示的待检索图像的特征描述子在二维倒排索引中进行相似性搜索以及空间几何关系度量，给出最终检索结果。
所述的对标准图像和待检索图像分别提取显著性区域是指：将图像从空间坐标变换到频率坐标，计算图像的对数谱，并将其与滤波后的对数谱进行差分得到谱残差，进而反变换得到显著性区域。
进一步的，所述的提取显著性区域包括离线处理和实时处理两个步骤，其中：
在离线处理中，对于标准图像库
Figure 2011102054125100002DEST_PATH_IMAGE001
中的图像
Figure 2011102054125100002DEST_PATH_IMAGE002
，提取到的显著性区域为
Figure 2011102054125100002DEST_PATH_IMAGE004
，其中：是图像
Figure 27440DEST_PATH_IMAGE002
中的第个显著性区域，
Figure 2011102054125100002DEST_PATH_IMAGE008
是图像
Figure 863120DEST_PATH_IMAGE002
中显著性区域的个数。
在实时处理中，对于待检索图像Q，提取到的显著性区域为
Figure 498632DEST_PATH_IMAGE009
，其中：
Figure 2011102054125100002DEST_PATH_IMAGE010
Figure 17863DEST_PATH_IMAGE011
是待检索图像Q中第
Figure 2011102054125100002DEST_PATH_IMAGE012
个显著性区域，
Figure 528347DEST_PATH_IMAGE013
是待检索图像Q中显著性区域的个数。
所述的提取特征描述子是指：在提取到的显著性区域中首先采用高斯差分算子（Different of Gaussian，DOG)进行特征点检测，然后将每个高斯差分算子通过尺度不变描述子（Scale Invariant Feature Transformation，SIFT)进行描述。
进一步的，所述的提取特征描述子包括离线处理和实时处理两个步骤，其中：
在离线处理中，在图像
Figure 134909DEST_PATH_IMAGE002
提取到的显著性区域
Figure 2011102054125100002DEST_PATH_IMAGE014
中，提取到的SIFT描述子表示为
Figure 431069DEST_PATH_IMAGE015
，其中：
Figure 2011102054125100002DEST_PATH_IMAGE016
是图像中第
Figure 548508DEST_PATH_IMAGE017
个描述子，维数为128维，
Figure 2011102054125100002DEST_PATH_IMAGE018
是图像中SIFT描述子的个数。标准图像库中全部SIFT描述子表示为
Figure 626372DEST_PATH_IMAGE019
。
在实时处理中，在待检索图像Q提取到的显著性区域
Figure 2011102054125100002DEST_PATH_IMAGE020
中，提取到的SIFT描述子表示为，其中：
Figure 2011102054125100002DEST_PATH_IMAGE022
是图像Q中第
Figure 644586DEST_PATH_IMAGE023
个描述子，维数为128维，
Figure 2011102054125100002DEST_PATH_IMAGE024
是图像Q中SIFT描述子的个数。
所述的对标准图像的特征描述子进行聚类是指：在离线处理中，聚类过程中采用随机kd树进行近似最近邻搜索，将特征描述子划分到对应的类别，并在多次迭代后确定聚类中心。
所述采用随机kd树进行聚类的步骤包括：
1）  在全部SIFT描述子
Figure 540254DEST_PATH_IMAGE025
中随机选择
Figure 2011102054125100002DEST_PATH_IMAGE026
个对象作为聚类中心
Figure 249322DEST_PATH_IMAGE027
；
2）  根据聚类中心
Figure 2011102054125100002DEST_PATH_IMAGE028
创建随机kd树，随机kd树中的每个节点在多个较大方差值对应的维数中随机选择，节点的分割阈值在对应维数靠近中值的元素中随机选择；
3）  对SIFT描述子
Figure 791292DEST_PATH_IMAGE025
采用随机kd树进行近似最近邻搜索，将每个SIFT描述子划分到对应的类别中；
4）  重新计算每个类别的均值，确定新的聚类中心；
5）  重复步骤2) - 4)，设迭代的次数为 次，直到每个类别不再发生变化为止。
所述的将标准图像和待检索图像的特征描述子分别通过视觉词组进行表示是指：在聚类完成后，根据随机kd树确定每个SIFT描述子对应的最近邻的两个聚类中心。
进一步的，所述确定每个SIFT描述子对应的最近邻的两个聚类中心步骤包括：
a)        在确定聚类中心
Figure 694317DEST_PATH_IMAGE028
后，根据聚类中心创建的随机kd树对SIFT描述子
Figure 2011102054125100002DEST_PATH_IMAGE030
进行近似最近邻搜索；
b)       与SIFT描述子 欧式距离最小的两个聚类中心，即为表示SIFT描述子的视觉词组。
所述的根据标准图像的视觉词组创建二维倒排索引是指：在离线处理中，分别以最近邻和次近邻的聚类中心作为行索引和列索引，标准图像
Figure 665870DEST_PATH_IMAGE031
作为索引目标。对于标准图像
Figure 925207DEST_PATH_IMAGE002
中的第
Figure 215374DEST_PATH_IMAGE017
个SIFT描述子
Figure 33288DEST_PATH_IMAGE030
，可以通过视觉词组
Figure 2011102054125100002DEST_PATH_IMAGE032
进行表示，从而标准图像
Figure 720490DEST_PATH_IMAGE002
被记录在索引值为
Figure 517938DEST_PATH_IMAGE033
的索引列表中。由于同一幅图像中不同的SIFT描述子可能会通过相同的视觉词组进行表示，因此在同一索引列表中重复出现多次的标准图像只被记录一次，从而保证查询的实时性。
所述的将量化后的待检索图像特征描述子在二维倒排索引中进行相似性搜索包含以下步骤：
i.          根据聚类中心C创建的随机kd树对待检索图像Q中的SIFT描述子R进行近似最近邻搜索，查找出每个SIFT描述子所对应的最近邻和次近邻聚类中心，即将每个SIFT描述子通过视觉词组进行表示；
ii.        在二维倒排索引中进行相似性搜索时，存在累加器
Figure 2011102054125100002DEST_PATH_IMAGE034
，用于记录标准图像出现的次数
Figure 480789DEST_PATH_IMAGE035
，每个标准图像都对应着一个累加器，则
Figure 2011102054125100002DEST_PATH_IMAGE036
。当待检索图像Q中的一个SIFT描述子通过视觉词组
Figure 307024DEST_PATH_IMAGE037
进行表示时，存储在索引值为
Figure 2011102054125100002DEST_PATH_IMAGE038
的索引列表中的标准图像被查询一次，对应的累加器
Figure 617788DEST_PATH_IMAGE035
加1，即
Figure 839822DEST_PATH_IMAGE039
；
iii.      将标准图像
Figure 127715DEST_PATH_IMAGE002
对应的累加器
Figure 532545DEST_PATH_IMAGE035
进行排序，数值较大的前个累加器对应的标准图像，即为待检索图像Q的
Figure 25712DEST_PATH_IMAGE040
个的候选查询结果。
所述的在候选查询结果中进行空间几何关系度量是指：对于包含内容相同的两幅图像，图像中特征点的空间几何关系具有很大的相似性。因此，根据待检索图像Q与标准图像
Figure 90752DEST_PATH_IMAGE002
中特征点空间位置坐标的对应关系，计算两幅图像的变换矩阵，进而根据变换矩阵估计待检索图像Q与标准图像 中特征点空间几何关系相似性。
所述的空间几何关系度量步骤包括：
I.         根据SIFT描述子与视觉词组的对应关系，确定待检索图像Q与标准图像
Figure 808882DEST_PATH_IMAGE002
中特征点空间位置坐标的对应关系，获取
Figure 48234DEST_PATH_IMAGE041
对两两相互对应的特征点，其中
Figure 2011102054125100002DEST_PATH_IMAGE042
；
II.      由于不同的SIFT描述子可能会通过相同的视觉词组进行表示，因此在
Figure 782709DEST_PATH_IMAGE041
对特征点中可能会存在特征点对一对多的对应关系，即一个特征点同时会有多个特征点与其相对应，统计待检索图像Q与标准图像
Figure 45194DEST_PATH_IMAGE002
中单一对应的特征点对，设单一对应特征点对的数量为
Figure 729510DEST_PATH_IMAGE043
；
III.   从
Figure 994007DEST_PATH_IMAGE043
对特征点对中随机选取
Figure 2011102054125100002DEST_PATH_IMAGE044
对特征点，根据特征点空间位置坐标的对应关系计算待检索图像Q与标准图像
Figure 604111DEST_PATH_IMAGE002
的变换矩阵
Figure 601497DEST_PATH_IMAGE045
；
IV.   根据变换矩阵
Figure 650355DEST_PATH_IMAGE045
及特征点空间位置坐标，将待检索图像Q中剩余的
Figure 2011102054125100002DEST_PATH_IMAGE046
个特征点映射到标准图像
Figure 972621DEST_PATH_IMAGE002
中，计算映射后的特征点坐标与原特征点坐标的欧式距离，如果小于阈值
Figure 878260DEST_PATH_IMAGE047
，则待检索图像Q与标准图像
Figure 413540DEST_PATH_IMAGE002
中的特征点存在对应关系，统计对应的特征点对数量，设其数量为
Figure 2011102054125100002DEST_PATH_IMAGE048
；
V.      重复步骤III - IV，设迭代的次数为
Figure 938194DEST_PATH_IMAGE049
次，计算待检索图像Q与标准图像
Figure 239600DEST_PATH_IMAGE002
对应的特征点对的平均数量
Figure 2011102054125100002DEST_PATH_IMAGE050
；
VI.   将二维倒排索引查询到的 个候选标准图像结果按照值从大到小进行排序，其中最大
Figure 401481DEST_PATH_IMAGE051
值对应的标准图像，即为待检索图像Q的检索结果。
本发明的有益效果是：本发明通过提取图像的显著性区域，减少了图像中特征点的数量，降低了后续聚类过程的计算量，通过视觉词组增强了图像中尺度不变描述子之间的区分性，降低了量化损失，通过二维倒排索引，直接对量化后的待检索图像特征描述子进行相似性搜索，降低了计算量，通过对图像之间空间几何关系的度量，确定最后的检索结果。与现有技术相比，本发明在保证检索准确率的同时，提高了检索的实时性。
附图说明
图1为本发明方法流程图。
图2为待检索图像的整体检索时间及特征提取时间。
图3为待检索图像的特征量化时间、二维倒排索引检索时间以及空间几何关系度量时间。
图4为待检索图像矢量化时间、传统倒排索引检索时间、二维倒排索引检索时间以及空间几何关系度量时间。
图5为不同迭代次数下空间几何关系度量时间。
图6为不同候选图像数量下空间几何关系度量时间。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例采用基于视觉词组的图像检索方法，对手机拍摄图像进行检索，具体实施步骤如下：
1.      对标准图像和待检索图像分别提取显著性区域。
在离线处理中，对标准图像
Figure 636022DEST_PATH_IMAGE002
提取显著性区域
Figure 260295DEST_PATH_IMAGE004
，其中：
Figure 2011102054125100002DEST_PATH_IMAGE052
是图像
Figure 580287DEST_PATH_IMAGE002
中的第
Figure 571377DEST_PATH_IMAGE007
个显著性区域，
Figure 348840DEST_PATH_IMAGE008
是图像
Figure 194612DEST_PATH_IMAGE002
中显著性区域的个数。
在实时处理中，对待检索图像Q提取显著性区域
Figure 424736DEST_PATH_IMAGE009
，其中：
Figure 219517DEST_PATH_IMAGE010
是待检索图像Q中第
Figure 287705DEST_PATH_IMAGE012
个显著性区域， 是待检索图像Q中显著性区域的个数。
 2.     在标准图像和待检索图像的显著性区域中分别提取特征描述子。
在离线处理中，对标准图像 中的显著性区域
Figure 569672DEST_PATH_IMAGE014
提取SIFT描述子，SIFT描述子表示为
Figure 56148DEST_PATH_IMAGE015
，其中：
Figure 455774DEST_PATH_IMAGE030
是图像
Figure 37322DEST_PATH_IMAGE002
中第
Figure 173905DEST_PATH_IMAGE017
个描述子，维数为128维，是图像
Figure 147732DEST_PATH_IMAGE002
中SIFT描述子的个数。标准图像库中全部SIFT描述子表示为
Figure 839744DEST_PATH_IMAGE019
。
在实时处理中，对待检索图像Q中的显著性区域
Figure 514439DEST_PATH_IMAGE020
提取SIFT描述子，SIFT描述子表示为
Figure 414656DEST_PATH_IMAGE021
，其中：
Figure 782183DEST_PATH_IMAGE053
是图像Q中第
Figure 633596DEST_PATH_IMAGE023
个描述子，维数为128维，
Figure 610517DEST_PATH_IMAGE024
是图像Q中SIFT描述子的个数。
 3.     对标准图像库中的特征描述子采用随机kd树进行聚类，确定聚类中心。
在离线处理中，采用10棵独立的随机kd树进行聚类，聚类中心数目
Figure 2011102054125100002DEST_PATH_IMAGE054
，迭代次数
Figure 67037DEST_PATH_IMAGE055
。在每次迭代过程中，将标准图像库中的特征描述子依次在10棵独立的随机kd树进行近似最近邻搜索，进而将SIFT描述子划分到对应的类别中。多次迭代后，确定聚类中心。
 4.     将标准图像和待检索图像中的特征描述子分别通过视觉词组进行表示。
在离线处理中，将标准图像库中的SIFT描述子
Figure 853070DEST_PATH_IMAGE025
在根据聚类中心创建的10棵独立随机kd树中进行近似最近邻搜索。对于SIFT描述子
Figure 519675DEST_PATH_IMAGE030
，给出与其欧式距离最小的两个聚类中心，对应的两个聚类中心即为SIFT描述子
Figure 536172DEST_PATH_IMAGE030
的视觉词组。
在实时处理中，将待检索图像Q中的SIFT描述子
Figure 408051DEST_PATH_IMAGE053
在根据聚类中心创建的10棵独立随机kd树中进行近似最近邻搜索。对应SIFT描述子
Figure 851802DEST_PATH_IMAGE053
，给出与其欧式距离最小的两个聚类中心，对应的两个聚类中心即为SIFT描述子 的视觉词组。
 5.     根据标准图像的视觉词组创建二维倒排索引。
在离线处理中，根据聚类中心的数量
Figure 265039DEST_PATH_IMAGE054
，创建15000行15000列的二维倒排索引。对于标准图像
Figure 555206DEST_PATH_IMAGE002
中的第
Figure 435437DEST_PATH_IMAGE017
个SIFT描述子，可以通过视觉词组
Figure 605573DEST_PATH_IMAGE032
进行表示，从而标准图像
Figure 15826DEST_PATH_IMAGE002
被记录在索引值为 的索引列表中。依次对标准图像库中的每个描述子进行上述处理，则可将标准图像名称记录在对应的索引列表中。由于同一幅图像中不同的SIFT描述子可能会通过相同的视觉词组进行表示，因此在同一索引列表中重复出现多次的标准图像只被记录一次，从而保证查询的实时性。
 6.       将由视觉词组表示的待检索图像特征描述子在二维倒排索引中进行相似性搜索。
在实时处理中，依次将待检索图像Q中的SIFT描述子
Figure 103441DEST_PATH_IMAGE053
根据其对应的视觉词组
Figure 203115DEST_PATH_IMAGE037
在索引值为
Figure 966410DEST_PATH_IMAGE038
的索引列表中进行相似性搜索。对于标准图像
Figure 63810DEST_PATH_IMAGE002
，存在对应的累加器
Figure 728534DEST_PATH_IMAGE035
，当标准图像
Figure 740221DEST_PATH_IMAGE002
在索引列表中被查询一次时，对应的累加器
Figure 349233DEST_PATH_IMAGE035
加1，即
Figure 679851DEST_PATH_IMAGE039
。当待检索图像中的所有描述子查询完毕后，对标准图像对应的累加器按照数值从大到小排序，数值较大的前
Figure 517357DEST_PATH_IMAGE040
个累加器对应的标准图像，即为待检索图像Q的个候选查询结果，其中
Figure 493458DEST_PATH_IMAGE040
根据检索时间的要求进行确定，
Figure 994978DEST_PATH_IMAGE040
越大，检索时间越长，这里设 。
 7.     在二维倒排索引给出的候选查询结果中进行空间几何关系度量。
根据SIFT描述子与视觉词组的对应关系，依次确定待检索图像Q与5幅候选查询图像对应的特征点对数量
Figure 758928DEST_PATH_IMAGE057
，并根据
Figure 2011102054125100002DEST_PATH_IMAGE058
单一对应的特征点对数量。在
Figure 268593DEST_PATH_IMAGE059
对特征点对中随机选取3对，根据公式
Figure 2011102054125100002DEST_PATH_IMAGE060
，计算待检索图像Q与候选查询图像的变换矩阵
Figure 193211DEST_PATH_IMAGE045
。将待检索图像Q中剩余的
Figure 238265DEST_PATH_IMAGE061
对特征点映射到候选查询图像中，与候选查询图像中的对应特征点进行欧式距离计算。设定阈值
Figure 2011102054125100002DEST_PATH_IMAGE062
，若对应的欧式聚类小于2，则待检索图像与候选图像之间的特征点对存在对应关系。设迭代次数，即重复计算变换矩阵
Figure 674636DEST_PATH_IMAGE045
5次，进行对应特征点对
Figure 2011102054125100002DEST_PATH_IMAGE064
的估计计算，进而检索图像Q与候选图像对应的特征点对的平均数量
Figure 517958DEST_PATH_IMAGE065
。将5个
Figure 551773DEST_PATH_IMAGE051
值从大到小排序，最大
Figure 371700DEST_PATH_IMAGE051
值对应的候选查询图像，即为待检索图像Q的检索结果。
对本发明方法仿真实验如下：
在7655幅标准图像的基础上，对300幅手机拍摄的图像进行检索测试。表1中给出了显著性区域方法对7655幅标准图像提取SIFT描述子数量的影响。可以看出，使用显著性区域提取到的SIFT描述子的数量大约是未使用显著性区域提取到的SIFT描述子数量的三分之一。使用显著性区域可以在保证图像特征的情况下减少SIFT描述子的数量，进而降低后续过程的计算量。
表1 显著性区域方法对7655幅标准图像提取SIFT描述子数量的影响
Figure 2011102054125100002DEST_PATH_IMAGE066
图2中给出了实时处理300幅手机拍摄图像的整体检索时间以及特征提取时间。图3中给出了特征量化、二维倒排索引检索以及空间几何关系度量时间。从图2中可以看出，圆圈曲线表示的整体检索平均时间为0.4735s，方框曲线表示的特征提取平均时间为0.4216s。从图3中可以看出，菱形曲线表示的特征量化时间为0.0338s，三角形曲线表示的二维倒排索引检索时间为0.0039s，叉号曲线表示的空间几何关系度量时间为0.0143s。因为300幅图像通过不同的手机进行采集，所以300幅图像的大小不同，因此检索时间也不相同，时间曲线表现出较大的波动性，不过特征提取时间占用了整体检索时间的绝大部分，二维倒排索引检索和空间几何关系度量耗费时间短，整体检索时间满足实时性要求。
在倒排索引查询准确率及查询时间上，本发明方法与传统的倒排索引方法进行了比较，并在300幅手机拍摄图像的基础上进行测试。表2中给出了传统倒排索引方法与二维倒排索引方法的检索准确率。可以看出，二维倒排索引的检索准确率比图像矢量化与传统倒排索引的检索准确率略低，但是二维倒排索引与空间几何关系的检索准确率略高于传统二维倒排索引检索。图4中给出了待检索图像矢量化的时间、传统倒排索引检索时间以及二维倒排索引检索时间。可以看出，十字曲线表示的待检索图像矢量化的平均时间为0.0016s，实点曲线表示的传统倒排索引检索的平均时间为0.0529s，三角形曲线表示的二维倒排索引检索时间为0.0039s，叉号曲线表示的空间几何关系度量时间为0.0143s。在保证了检索准确率的情况下，二维倒排索引检索与空间几何关系度量的总体时间低于待检索图像矢量化与传统倒排索引检索的总体时间，从而提高了检索的实时性。
表2 传统倒排索引方法与二维倒排索引方法检索准确率比较
Figure 828700DEST_PATH_IMAGE067
在空间几何关系度量上，本发明方法在迭代次数及候选查询图像数量的基础上进行了测试。图5中给出了不同迭代次数下空间几何关系度量所耗费的时间。图6中给出了不同候选查询图像数量下空间几何关系度量所耗费的时间。从图5中可以看出，随着迭代次数的增加，空间几何关系度量时间也随之增长，但是迭代次数从5增加到30，检索准确率仅仅从96.3%增加到97%，因此，为了保证检索实时性，空间几何度量的迭代次数设定为5次。从图6中可以看出，随着候选查询图像数量的增加，空间几何关系度量时间也随之增长，但是候选查询图像数量从5增加到30，检索准确率始终保持在96.3%，因此，为了保证检索实时性，候选查询图像数量设定为5幅。
本实施例中所设计的算法均在Matlab 7.6上运行。

Claims (10)

1.一种基于视觉词组的图像检索方法，其特征在于具体为：
首先对标准图像和待检索图像分别提取显著性区域，并在显著性区域中提取特征描述子；
然后对标准图像库中的特征描述子采用随机kd树进行聚类；
接着将标准图像和待检索图像的特征描述子分别通过视觉词组进行表示，并根据标准图像的视觉词组创建二维倒排索引；
最后将由视觉词组表示的待检索图像的特征描述子在二维倒排索引中进行相似性搜索以及空间几何关系度量，给出最终检索结果。
2.根据权利要求1所述的基于视觉词组的图像检索方法，其特征是，所述的对标准图像和待检索图像分别提取显著性区域是指：将图像从空间坐标变换到频率坐标，计算图像的对数谱，并将其与滤波后的对数谱进行差分得到谱残差，进而反变换得到显著性区域；
所述的提取特征描述子是指：在提取到的显著性区域中首先采用高斯差分算子进行特征点检测，然后将每个高斯差分算子通过尺度不变描述子进行描述。
3.根据权利要求1或2所述的基于视觉词组的图像检索方法，其特征是，所述的提取显著性区域包括离线处理和实时处理两个步骤，其中：
所述离线处理中，在图像                                                提取到的显著性区域
Figure 72354DEST_PATH_IMAGE002
中，获取到的SIFT描述子表示为，其中：
Figure 241691DEST_PATH_IMAGE004
是图像
Figure 83745DEST_PATH_IMAGE001
中第个描述子，维数为128维，
Figure 665905DEST_PATH_IMAGE006
是图像中SIFT描述子的个数，标准图像库中全部SIFT描述子表示为；
所述实时处理中，在待检索图像Q提取到的显著性区域
Figure 566656DEST_PATH_IMAGE008
中，获取到的SIFT描述子表示为
Figure 2011102054125100001DEST_PATH_IMAGE009
，其中：是图像Q中第
Figure 2011102054125100001DEST_PATH_IMAGE011
个描述子，维数为128维，
Figure 658688DEST_PATH_IMAGE012
是图像Q中SIFT描述子的个数。
4.根据权利要求1或2所述的基于视觉词组的图像检索方法，其特征是，所述的提取特征描述子包括离线处理和实时处理两个步骤，其中：
所述离线处理中，在图像提取到的显著性区域
Figure 258614DEST_PATH_IMAGE002
中，获取到的SIFT描述子表示为
Figure 386844DEST_PATH_IMAGE003
，其中：
Figure 999223DEST_PATH_IMAGE004
是图像
Figure 899439DEST_PATH_IMAGE001
中第
Figure 516234DEST_PATH_IMAGE005
个描述子，维数为128维，
Figure 633226DEST_PATH_IMAGE006
是图像
Figure 285180DEST_PATH_IMAGE001
中SIFT描述子的个数，标准图像库中全部SIFT描述子表示为
Figure 990968DEST_PATH_IMAGE007
；
所述实时处理中，在待检索图像Q提取到的显著性区域
Figure 201501DEST_PATH_IMAGE008
中，获取到的SIFT描述子表示为
Figure 242007DEST_PATH_IMAGE009
，其中：
Figure 383138DEST_PATH_IMAGE010
是图像Q中第
Figure 756482DEST_PATH_IMAGE011
个描述子，维数为128维，是图像Q中SIFT描述子的个数。
5.根据权利要求1所述的基于视觉词组的图像检索方法，其特征是，所述的对标准图像的特征描述子进行聚类是指：在离线处理中，聚类过程中采用随机kd树进行近似最近邻搜索，将特征描述子划分到对应的类别，并在多次迭代后确定聚类中心；
采用随机kd树确定聚类中心的步骤包括：
在全部SIFT描述子中随机选择
Figure 719245DEST_PATH_IMAGE014
个对象作为聚类中心；
根据聚类中心
Figure 788702DEST_PATH_IMAGE016
创建随机kd树，随机kd树中的每个节点在多个较大方差值对应的维数中随机选择，节点的分割阈值在对应维数靠近中值的元素中随机选择；
对SIFT描述子
Figure 203502DEST_PATH_IMAGE013
采用随机kd树进行近似最近邻搜索，将每个SIFT描述子划分到对应的类别中；
重新计算每个类别的均值，确定新的聚类中心；
重复步骤2）—4），设迭代的次数为
Figure 2011102054125100001DEST_PATH_IMAGE017
次，直到每个类别不再发生变化为止。
6.根据权利要求1所述的基于视觉词组的图像检索方法，其特征是，所述的将标准图像和待检索图像的特征描述子分别通过视觉词组进行表示是指：在聚类完成后，根据随机kd树确定每个SIFT描述子对应的最近邻的两个聚类中心；
所述确定每个SIFT描述子对应的最近邻的两个聚类中心步骤包括：
在确定聚类中心
Figure 709832DEST_PATH_IMAGE016
后，根据聚类中心创建的随机kd树对每个SIFT描述子
Figure 23133DEST_PATH_IMAGE018
进行近似最近邻搜索；
与SIFT描述子
Figure 820581DEST_PATH_IMAGE018
欧式距离最小的两个聚类中心，即为表示SIFT描述子的视觉词组。
7.根据权利要求1所述的基于视觉词组的图像检索方法，其特征是，所述的根据标准图像的视觉词组创建二维倒排索引是指：在离线处理中，分别以最近邻和次近邻的聚类中心作为行索引和列索引，标准图像
Figure 2011102054125100001DEST_PATH_IMAGE019
作为索引目标；对于标准图像中的第
Figure 655868DEST_PATH_IMAGE005
个SIFT描述子
Figure 456465DEST_PATH_IMAGE018
，通过视觉词组
Figure 743090DEST_PATH_IMAGE020
进行表示，从而标准图像
Figure 181418DEST_PATH_IMAGE001
被记录在索引值为
Figure 2011102054125100001DEST_PATH_IMAGE021
的索引列表中；由于同一幅图像中不同的SIFT描述子可能会通过相同的视觉词组进行表示，因此在同一索引列表中重复出现多次的标准图像只被记录一次，从而保证查询的实时性。
8.根据权利要求1所述的基于视觉词组的图像检索方法，其特征是，所述的将由视觉词组表示的待检索图像的特征描述子在二维倒排索引中进行相似性搜索，包含以下步骤：
根据聚类中心C创建的随机kd树对待检索图像Q中的SIFT描述子R进行近似最近邻搜索，查找出每个SIFT描述子所对应的最近邻和次近邻聚类中心，即将每个SIFT描述子通过视觉词组进行表示；
在二维倒排索引中进行相似性搜索时，存在累加器，用于记录标准图像出现的次数
Figure 2011102054125100001DEST_PATH_IMAGE023
，每个标准图像都对应着一个累加器
Figure 107344DEST_PATH_IMAGE023
，则
Figure 475877DEST_PATH_IMAGE024
，当待检索图像Q中的一个SIFT描述子通过视觉词组
Figure 2011102054125100001DEST_PATH_IMAGE025
进行表示时，存储在索引值为
Figure 104698DEST_PATH_IMAGE026
的索引列表中的标准图像被查询一次，对应的累加器
Figure 817570DEST_PATH_IMAGE023
加1，即
Figure 2011102054125100001DEST_PATH_IMAGE027
；
将标准图像
Figure 819899DEST_PATH_IMAGE001
对应的累加器
Figure 996934DEST_PATH_IMAGE023
进行排序，数值较大的前个累加器对应的标准图像，即为待检索图像Q的
Figure 934507DEST_PATH_IMAGE028
个候选标准图像结果。
9.根据权利要求1所述的基于视觉词组的图像检索方法，其特征是，所述的空间几何关系度量是指：对于包含有同一内容的两幅图像，图像中特征点的空间几何关系具有很大的相似性，根据待检索图像Q与标准图像
Figure 366626DEST_PATH_IMAGE001
中特征点空间位置坐标的对应关系，计算两幅图像的变换矩阵，进而根据变换矩阵估计待检索图像Q与标准图像
Figure 631123DEST_PATH_IMAGE001
中特征点空间几何关系相似性。
10.根据权利要求1或9所述的基于视觉词组的图像检索方法，其特征是，所述空间几何关系度量步骤包括：
根据SIFT描述子与视觉词组的对应关系，确定待检索图像Q与标准图像
Figure 241227DEST_PATH_IMAGE001
中特征点空间位置坐标的对应关系，获取
Figure 2011102054125100001DEST_PATH_IMAGE029
对两两相互对应的特征点，其中，
Figure 275752DEST_PATH_IMAGE023
为标准图像出现的次数；
不同的SIFT描述子可能会通过相同的视觉词组进行表示，因此在
Figure 690608DEST_PATH_IMAGE029
对特征点中可能会存在特征点对一对多的对应关系，即一个特征点同时会有多个特征点与其相对应，统计待检索图像Q与标准图像
Figure 662106DEST_PATH_IMAGE001
中单一对应的特征点对，设单一对应特征点对的数量为
Figure 2011102054125100001DEST_PATH_IMAGE031
；
从
Figure 551872DEST_PATH_IMAGE031
对特征点对中随机选取
Figure 479376DEST_PATH_IMAGE032
对特征点，根据特征点空间位置坐标的对应关系计算待检索图像Q与标准图像
Figure 992135DEST_PATH_IMAGE001
的变换矩阵
Figure 2011102054125100001DEST_PATH_IMAGE033
；
根据变换矩阵
Figure 450929DEST_PATH_IMAGE033
及特征点空间位置坐标，将待检索图像Q中剩余的
Figure 77476DEST_PATH_IMAGE034
个特征点映射到标准图像
Figure 938116DEST_PATH_IMAGE001
中，并计算映射后的特征点坐标与原特征点坐标的欧式距离，如果小于阈值
Figure 2011102054125100001DEST_PATH_IMAGE035
，则待检索图像Q与标准图像
Figure 497142DEST_PATH_IMAGE001
中的特征点存在对应关系，统计对应的特征点对数量，设其数量为
Figure 944697DEST_PATH_IMAGE036
；
重复步骤3）-4），设迭代的次数为
Figure 2011102054125100001DEST_PATH_IMAGE037
次，计算待检索图像Q与标准图像
Figure 247371DEST_PATH_IMAGE001
对应的特征点对的平均数量
Figure 962518DEST_PATH_IMAGE038
；
将二维倒排索引查询到的
Figure 757692DEST_PATH_IMAGE028
个候选标准图像结果按照值从大到小进行排序，其中最大
Figure 299400DEST_PATH_IMAGE039
值对应的标准图像，即为待检索图像Q的检索结果。
CN2011102054125A 2011-07-21 2011-07-21 基于视觉词组的图像检索方法 Expired - Fee Related CN102254015B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011102054125A CN102254015B (zh) 2011-07-21 2011-07-21 基于视觉词组的图像检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011102054125A CN102254015B (zh) 2011-07-21 2011-07-21 基于视觉词组的图像检索方法

Publications (2)

Publication Number Publication Date
CN102254015A true CN102254015A (zh) 2011-11-23
CN102254015B CN102254015B (zh) 2013-11-20

Family

ID=44981279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011102054125A Expired - Fee Related CN102254015B (zh) 2011-07-21 2011-07-21 基于视觉词组的图像检索方法

Country Status (1)

Country Link
CN (1) CN102254015B (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103164436A (zh) * 2011-12-13 2013-06-19 阿里巴巴集团控股有限公司 一种图像搜索方法及装置
CN103970769A (zh) * 2013-01-29 2014-08-06 华为技术有限公司 图像检索方法及装置
CN104021171A (zh) * 2014-06-03 2014-09-03 哈尔滨工程大学 一种基于gmm的手机内图像的组织和搜索方法
CN104063703A (zh) * 2014-07-22 2014-09-24 清华大学 基于倒排索引方式的手势识别方法
CN104240238A (zh) * 2014-09-01 2014-12-24 宁波大学 一种基于惩罚控制竞争学习聚类算法的特征分层匹配方法
CN104794219A (zh) * 2015-04-28 2015-07-22 杭州电子科技大学 一种基于地理位置信息的场景检索方法
CN104915673A (zh) * 2014-03-11 2015-09-16 株式会社理光 一种基于视觉词袋模型的目标分类方法和系统
CN104951440A (zh) * 2014-03-24 2015-09-30 联想(北京)有限公司 一种图像处理方法及电子设备
CN105045841A (zh) * 2015-07-01 2015-11-11 北京理工大学 结合重力传感器与图像特征点角度的图像特征查询方法
CN105404886A (zh) * 2014-09-16 2016-03-16 株式会社理光 特征模型生成方法和特征模型生成装置
CN105677898A (zh) * 2016-02-02 2016-06-15 中国科学技术大学 一种基于特征差异性的改进图像搜索方法
CN106126572A (zh) * 2016-06-17 2016-11-16 中国科学院自动化研究所 基于区域验证的图像检索方法
CN106874421A (zh) * 2017-01-24 2017-06-20 聊城大学 基于自适应矩形窗口的图像检索方法
CN106874268A (zh) * 2015-12-10 2017-06-20 富士通株式会社 图像检索方法和图像检索设备
CN107862864A (zh) * 2017-10-18 2018-03-30 南京航空航天大学 基于驾驶习惯和交通路况的行驶工况智能预测估计方法
CN108959650A (zh) * 2018-08-02 2018-12-07 聊城大学 基于共生surf特征的图像检索方法
CN110070626A (zh) * 2019-03-15 2019-07-30 西安电子科技大学 一种基于多视角分类的三维物体检索方法
CN110083731A (zh) * 2019-03-12 2019-08-02 平安科技（深圳）有限公司 图像检索方法、装置、计算机设备及存储介质
CN111583332A (zh) * 2020-05-18 2020-08-25 中国科学院自动化研究所 基于并行搜索2d-3d匹配的视觉定位方法、系统、装置
WO2020181793A1 (en) * 2019-03-11 2020-09-17 Boe Technology Group Co., Ltd. Reverse image search method, apparatus and application system
CN113869414A (zh) * 2021-09-28 2021-12-31 埃洛克航空科技（北京）有限公司 用于稀疏重建的匹配方法及装置
CN114216461A (zh) * 2021-09-29 2022-03-22 杭州图灵视频科技有限公司 一种基于全景相机的移动机器人室内定位方法及系统
CN116796021A (zh) * 2023-08-28 2023-09-22 上海任意门科技有限公司 图像检索方法、系统、电子设备和介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004786A (zh) * 2010-12-02 2011-04-06 上海交通大学 图像检索系统中的加速方法
CN102129451A (zh) * 2011-02-17 2011-07-20 上海交通大学 图像检索系统中数据聚类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004786A (zh) * 2010-12-02 2011-04-06 上海交通大学 图像检索系统中的加速方法
CN102129451A (zh) * 2011-02-17 2011-07-20 上海交通大学 图像检索系统中数据聚类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MEI MEI ET AL.: "《Rapid Search Scheme for Video Copy Detection in Large Databases》", 《IEEE ICIS2009》 *
MOHAMED ALY ET AL.: "《Scaling Object Recognition: Benchmark of Current State of the Art Techniques》", 《IEEE ICCV2009 WORKSHOPS》 *

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103164436B (zh) * 2011-12-13 2017-06-16 阿里巴巴集团控股有限公司 一种图像搜索方法及装置
CN103164436A (zh) * 2011-12-13 2013-06-19 阿里巴巴集团控股有限公司 一种图像搜索方法及装置
CN103970769A (zh) * 2013-01-29 2014-08-06 华为技术有限公司 图像检索方法及装置
CN103970769B (zh) * 2013-01-29 2018-06-26 华为技术有限公司 图像检索方法及装置
CN104915673A (zh) * 2014-03-11 2015-09-16 株式会社理光 一种基于视觉词袋模型的目标分类方法和系统
CN104915673B (zh) * 2014-03-11 2018-09-11 株式会社理光 一种基于视觉词袋模型的目标分类方法和系统
CN104951440B (zh) * 2014-03-24 2020-09-25 联想(北京)有限公司 一种图像处理方法及电子设备
CN104951440A (zh) * 2014-03-24 2015-09-30 联想(北京)有限公司 一种图像处理方法及电子设备
CN104021171A (zh) * 2014-06-03 2014-09-03 哈尔滨工程大学 一种基于gmm的手机内图像的组织和搜索方法
CN104063703A (zh) * 2014-07-22 2014-09-24 清华大学 基于倒排索引方式的手势识别方法
CN104240238A (zh) * 2014-09-01 2014-12-24 宁波大学 一种基于惩罚控制竞争学习聚类算法的特征分层匹配方法
CN105404886A (zh) * 2014-09-16 2016-03-16 株式会社理光 特征模型生成方法和特征模型生成装置
CN105404886B (zh) * 2014-09-16 2019-01-18 株式会社理光 特征模型生成方法和特征模型生成装置
CN104794219A (zh) * 2015-04-28 2015-07-22 杭州电子科技大学 一种基于地理位置信息的场景检索方法
CN105045841B (zh) * 2015-07-01 2017-06-23 北京理工大学 结合重力传感器与图像特征点角度的图像特征查询方法
CN105045841A (zh) * 2015-07-01 2015-11-11 北京理工大学 结合重力传感器与图像特征点角度的图像特征查询方法
CN106874268A (zh) * 2015-12-10 2017-06-20 富士通株式会社 图像检索方法和图像检索设备
CN105677898A (zh) * 2016-02-02 2016-06-15 中国科学技术大学 一种基于特征差异性的改进图像搜索方法
CN105677898B (zh) * 2016-02-02 2021-07-06 中国科学技术大学 一种基于特征差异性的改进图像搜索方法
CN106126572B (zh) * 2016-06-17 2019-06-14 中国科学院自动化研究所 基于区域验证的图像检索方法
CN106126572A (zh) * 2016-06-17 2016-11-16 中国科学院自动化研究所 基于区域验证的图像检索方法
CN106874421A (zh) * 2017-01-24 2017-06-20 聊城大学 基于自适应矩形窗口的图像检索方法
CN107862864A (zh) * 2017-10-18 2018-03-30 南京航空航天大学 基于驾驶习惯和交通路况的行驶工况智能预测估计方法
CN108959650A (zh) * 2018-08-02 2018-12-07 聊城大学 基于共生surf特征的图像检索方法
US11481432B2 (en) 2019-03-11 2022-10-25 Beijing Boe Technology Development Co., Ltd. Reverse image search method, apparatus and application system
WO2020181793A1 (en) * 2019-03-11 2020-09-17 Boe Technology Group Co., Ltd. Reverse image search method, apparatus and application system
CN110083731A (zh) * 2019-03-12 2019-08-02 平安科技（深圳）有限公司 图像检索方法、装置、计算机设备及存储介质
CN110083731B (zh) * 2019-03-12 2024-05-07 平安科技（深圳）有限公司 图像检索方法、装置、计算机设备及存储介质
CN110070626A (zh) * 2019-03-15 2019-07-30 西安电子科技大学 一种基于多视角分类的三维物体检索方法
CN110070626B (zh) * 2019-03-15 2023-08-11 西安电子科技大学 一种基于多视角分类的三维物体检索方法
CN111583332A (zh) * 2020-05-18 2020-08-25 中国科学院自动化研究所 基于并行搜索2d-3d匹配的视觉定位方法、系统、装置
CN111583332B (zh) * 2020-05-18 2024-02-13 中国科学院自动化研究所 基于并行搜索2d-3d匹配的视觉定位方法、系统、装置
CN113869414A (zh) * 2021-09-28 2021-12-31 埃洛克航空科技（北京）有限公司 用于稀疏重建的匹配方法及装置
CN113869414B (zh) * 2021-09-28 2022-11-08 埃洛克航空科技（北京）有限公司 用于稀疏重建的匹配方法及装置
CN114216461A (zh) * 2021-09-29 2022-03-22 杭州图灵视频科技有限公司 一种基于全景相机的移动机器人室内定位方法及系统
CN116796021A (zh) * 2023-08-28 2023-09-22 上海任意门科技有限公司 图像检索方法、系统、电子设备和介质
CN116796021B (zh) * 2023-08-28 2023-12-05 上海任意门科技有限公司 图像检索方法、系统、电子设备和介质

Also Published As

Publication number Publication date
CN102254015B (zh) 2013-11-20

Similar Documents

Publication Publication Date Title
CN102254015B (zh) 基于视觉词组的图像检索方法
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
CN107679250B (zh) 一种基于深度自编码卷积神经网络的多任务分层图像检索方法
CN105912611B (zh) 一种基于cnn的快速图像检索方法
US9330341B2 (en) Image index generation based on similarities of image features
CN104035949B (zh) 一种基于局部敏感哈希改进算法的相似性数据检索方法
CN106777038B (zh) 一种基于序列保留哈希的超低复杂度图像检索方法
CN102004786B (zh) 图像检索系统中的加速方法
KR20130142191A (ko) 비주얼 탐색을 위한 강건한 특징 매칭
CN109710792B (zh) 一种基于索引的快速人脸检索系统应用
CN106951551B (zh) 联合gist特征的多重索引图像检索方法
Weyand et al. Visual landmark recognition from internet photo collections: A large-scale evaluation
CN110188225A (zh) 一种基于排序学习和多元损失的图像检索方法
CN102890700A (zh) 一种基于体育比赛视频的相似视频片段检索方法
CN104573130A (zh) 基于群体计算的实体解析方法及装置
CN105678244B (zh) 一种基于改进编辑距离的近似视频检索方法
CN105760875B (zh) 基于随机森林算法的判别二进制图像特征相似实现方法
Tolias et al. Towards large-scale geometry indexing by feature selection
CN104361135A (zh) 一种图像检索方法
Keyvanpour et al. Feature weighting for improving document image retrieval system performance
Bosilj et al. Beyond MSER: Maximally stable regions using tree of shapes
CN115129915A (zh) 重复图像检索方法、装置、设备及存储介质
CN104123382B (zh) 一种社会媒体下的图像集摘要生成方法
CN106557533B (zh) 一种单目标多图像联合检索的方法和装置
Nayef et al. Efficient symbol retrieval by building a symbol index from a collection of line drawings

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: 20131120

Termination date: 20170721