CN102945289B - 基于cgci-sift局部特征的图像检索方法 - Google Patents
基于cgci-sift局部特征的图像检索方法 Download PDFInfo
- Publication number
- CN102945289B CN102945289B CN201210505313.3A CN201210505313A CN102945289B CN 102945289 B CN102945289 B CN 102945289B CN 201210505313 A CN201210505313 A CN 201210505313A CN 102945289 B CN102945289 B CN 102945289B
- Authority
- CN
- China
- Prior art keywords
- sift
- cgci
- pixel
- picture
- point
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000002093 peripheral effect Effects 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 26
- 230000000007 visual effect Effects 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 abstract 1
- 230000009466 transformation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 241000086550 Dinosauria Species 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
基于CGCI-SIFT局部特征的图像检索方法，本发明公开了一种图像检索方法，基于CGCI-SIFT实现，从邻域像素对关键点的影响强弱及分布入手，通过灰度纹理对比强度信息构建外围局部特征描述子，然后结合对中心特征点描述较强的方向梯度信息构建中心局部描述子形成最终的描述，CGCI-SIFT利用局部区域的对比性质结合了原SIFT算法的梯度信息，而不是像SIFT那样单纯地存储的梯度的权值大小和方向，使得CGCI-SIFT具有更加全面的几何和光学变换不变性。灰度纹理对比强度信息的使用使得CGCI-SIFT的计算简单，因此更加高效，更适合实时性的应用。实验结果表明，本发明的检索方法性能稳定，检索时间短，检索效果明显提升。
Description
技术领域
本发明涉及一种图像检索的方法，具体涉及一种基于特征的图像检索方法，尤其是使用一种新的局部特征描述信息用于图像检索的方法，属于图像检索领域。
背景技术
局部特征描述方法是图像匹配中一种非常稳定的方法。局部特征描述方法冗余性低、无需预先对图像进行分割、具有多种变换下的不变性，使得局部特征描述方法得到广泛的应用，例如基于内容的大规模检索，视频分析，重复检测，物体识别，旅游拍照，3D重建与检索等。
好的局部图像特征方法应具有以下特点：不需要预先分割图像，特征检测重复率高，特征描述符维度低，易于实现快速匹配，对光照、旋转、视点变化等图像变换具有鲁棒性等。局部特征描述方法经过不断发展，已经成为图像配准技术的主流方向。如2004年提出的SIFT方法，该方法不仅具有尺度变换、旋转变换、仿射变换、光照变化的多种不变性，而且在目标遮挡、噪声干扰的情况下也能保持较好的匹配效果。
但是，现有的局部特征描述方法都存在各种各样的问题，如SIFT描述子维度过高以及单纯地使用梯度直方图构建描述子，限制了其在实时及某些特殊专业方面的中应用。为了提高匹配精度，增强鲁棒性，同时减少匹配时间，希望能够发明更好的局部特征描述方法，以更好地满足人们对图像检索效果的需求。
发明内容
本发明的发明目的是提供一种基于CGCI-SIFT局部特征的图像检索方法，利用CGCI-SIFT对图像进行描述，CGCI对于图像的模糊、光照、JPEG压缩具有更好的不变性，对图像特征进行聚类后进行图像检索，以获得更好的检索效果，更贴近检索用户的需求。
为达到上述发明目的，本发明采用的技术方案是：一种基于CGCI-SIFT局部特征的图像检索方法，提供用于检索的图像库和待检索的图片，将图片转换成灰度图，先对用于检索的图像库进行局部特征描述处理，再进行图像检索，包括下列步骤：
（1）对于图像库中的每一张图片采用DOG算法检测特征点；
（2）对于每一个留下来的特征点，首先将该点的外周区域的像素点进行零均值规范化，所述外周区域为以特征点为中心，边长为2R+1的方形区域，零均值规范化的公式如下所示：
(1)
(2)
式中I(x, y)与I'(x, y)分别表示原图形像素强度以及规范化后的像素强度，(x,y)为进行零均值规范化的像素点在图片中的位置，R为12～20的整数，NumC表示像素点周边涉及计算的像素个数，NumC=R2；
（3）确定特征点的主方向，方法是：在以特征点为中心的圆形邻域窗口中计算每个像素的梯度方向和梯度模值，
(3)
(4)
其中，m(x,y)是像素点(x,y)的梯度模值，θ(x,y)是像素点(x,y)的梯度方向，梯度直方图的范围是0～360°，每10°代表一个方向, 总共36个方向，直方图的峰值即代表该特征点的主方向，所述圆形邻域窗口的半径为8；
（4）以特征点为中心，特征点的主方向为0°方向，建立极坐标系，以特征点为中心，R为半径的区域为兴趣区域，在此极坐标系中, 将兴趣区域划分为内围区域和外围区域，内围区域的半径为4，周向均分为τ块，τ取1或4，外围区域分为2层，每层周向均分为δ+1块，δ取3、7或15；从内围区域中的块开始计数，分别定义每个块为Ri ，内围区域为R0 至R τ -1 ，外围区域为R τ 至R τ +2 δ +1 ；
(5) 对特征点外围区域的每个块，分别计算其正向强度对比值和负向强度对比值，如下：
正向强度对比值
(5)
负向强度对比值
(6)
式中pk 为特征点，Ri 表示外围区域中的第i个块，定义同步骤(4)，p表示外围区域的该块中的像素点， NumRi+ 、NumRi − 分别代表块Ri 中像素强度大于和小于特征点pk 的像素点的个数，D(p)=I(p)-I(pk )，I(p)是点p的像素强度，I(pk )是点pk 的像素强度；
(6) 对特征点的内围区域的每个像素点，采用公式（3）、（4）获得梯度模值和梯度方向，然后统计内围区域中Ri 块内的梯度值，并绘制梯度直方图，梯度直方图分为8个单元，每45°为一个单元，每个块产生8个方向的梯度直方图值，每个块的方向梯度直方图值表示为GRidj (i∈{0,…,τ-1}且j∈{0,…,7})，式中，GRidj 表示块中属于同一45°方向单元的像素的模值的和，i表示所在的块，j表示方向单元；
（7）分别对步骤(5)和(6)获得的外围区域和内围区域的描述子进行整体归一化，使得整体描述子对光照变化具有不变性，公式如下：
(7)
(8)
(9)
式中以及，分别表示归一化后的方向梯度直方图值以及强度对比值；
（8）将两个部分的归一化后的描述子组合成一维向量，表示为：
(10)
描述子维度Dimen为：
(11)
重复（2）到（8），至所有特征点都处理完；
（9）采用K − Means聚类方法将图像库中的图片进行特征点聚类，聚类结果生成K个子节点，计算出每个子节点的中心向量Ci ，对新生成的每个子节点再进行K − Means聚类，以生成下一层的子节点，不断重复直到树的深度达到预设值P，构造出CGCI-SIFT词汇树，其中，K为5～10的整数，P为3～6的整数；
(10) 将图像库中的图片与词汇树进行关联：词汇树的叶节点个数为M=kP-1，每个叶节点具有中心向量Cm，其中，m为1～M的整数，将每个叶节点称为一个视觉词汇单词Wm ，图像库中的总图片数为N，其中每个图片称为一个文档Fi，i是1～N的整数，则文档Fi 和视觉词汇单词Wm 的相关度为，式中，表示视觉词汇单词Wm 在图片文档Fi 中出现的次数，，Nm 表示视觉词汇单词Wm 一共包含的图片文档数目；计算每个图片与词汇树的每个叶节度的相关度，完成图片与词汇树的关联；
（11）进行图片检索，将待查询图片的CGCI-SIFT特征量化到CGCI-SIFT词汇树的M个视觉词汇单词上，形成一个M维的特征向量，具体方法为：
首先提取待查询图片的CGCI-SIFT特征点向量，对提取到的CGCI-SIFT特征点向量与步骤(9)中获得的词汇树的节点逐层进行欧氏距离计算，找到一层上最相近的节点作为匹配节点，再从这些匹配节点的子节点分别向下搜索，直至找到叶节点中的各匹配节点，得到特征向量；
(12) 利用在视觉词汇层上量化后的特征向量，对图像库中所有图片在视觉词汇层上量化结果进行欧氏距离计算，和图像库量化后的每张图片得到一个匹配值；
将结果按由小到大排序后输出，完成图像检索。
上述技术方案中，所述步骤(9)中，词汇树的构建方法是：设定聚类个数K，树的深度P，对步骤(1)获得的特征集合进行分层聚类，第一层获得K个聚类，作为词汇树的K个子节点，计算出每个子节点的中心向量；对每个子节点分别进行聚类，每一子节点生成K个下一层的子节点，并计算出每个子节点的中心向量；不断重复直到树的深度达到预设值P，获得CGCI-SIFT词汇树。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：
1、本发明引入了极坐标分块的描述算法，和现有方法中使用矩形分块的方法相比，分块更加科学，检索结果对于图像的变换更加有效。
2、本发明同时使用两种不同的方法对区域进行描述，和现有方法中使用一种的方法相比，检索结果更为有效。
3、本发明通过简洁地计算对特征的进行描述，并且产生的描述子维度更低，因为计算时间更短，时效性更强。
4、本发明对于采用了CGCI，因而在对具有光照、模糊、缩放变换的图片进行检索时，效果更强。
附图说明
图1是实施例中构建CGCI-SIFT局部描述子的示意图。
图2是实施例中作为待检索图片的恐龙样例图。
图3是恐龙图片作为检索例，传统的算法检索结果图。
图4是恐龙图片作为检索例，本发明的算法的检索结果图。
图5是实施例中作为待检索图片的花朵样例图。
图6是花朵图片作为检索例，传统的算法检索结果图。
图7是花朵图片作为检索例，本发明的算法的检索结果图。
图8是整个技术方案流程图。
具体实施方式
下面结合附图及实施例对本发明作进一步描述：
实施例：一种基于CGCI-SIFT局部特征的图像检索方法。首先提取图像包含颜色信息的CGCI-SIFT特征来构造图像库的特征词汇树，整个方法过程按如下步骤处理：
(1)图片库分10类，每类图片有100幅相同语义的图像，所以我们在检索过程中统计前80幅图像的查询结果。对于每一张库中得图片采用DOG算法检测特征点。图2中检测出的点坐标如下所示：
（82,434）（83,6）（85,413）（89,273）（91,338）（96,399）（96,341）（97,361）（97,385）（97,414）（101,315）（102,347）（102,431）（103,302）（110,362）（111,124）（121,363）（32,291）（153,146）（158,322）（164,128）（164,299）（164，341）（165,316）（165,367）（69,323）（170,310）（171,184）（173,394）（175,336）（180,311）（184,369）（193,228）（98,300）（199,73）（200,458）（201,421）（204,132）（210,262）（211,401）（212,47）（214,439）（219,444）（229,452）（231,492）（233,53）（233,157）（237,423）（245,414）（249,339）（250,114）（255,434）（260,270）（264，421）（271,230）（272,142）（277,166）（280,470）（281,261）（281,490）（282,394）（285,415）（290,134）（293,243）（299,161）（299,237）（309,490）（324,382）（29,482）（32,124）（35,88）（37,109）（49,116）（67,15）（77,414）（83,379）（90,381）（94,253）（95,435）（97,354）（102,419）（104,118）（105,288）（108,96）（126,429）（137,320）（139,216）（143,481）（154,47）（158,293）（161，94）（165,486）（190,484）（192,305）（196,142）（207,416）（210,148）（218,233）（219,398）（222,49）（223,406）（229,223）（230,148）（244,180）（244,288）（250,114）（251,200）（253,100）（256,172）（256,415）（257,426）（264,70）（269,321）（277,293）（281,214）（285,275）（289,483）（293,144）（294,117）（295,102）（298，250）（333,342）（9,43）（17,44）（20,240）（45,196）（59,210）（74,87）（79,122）（80,112）（83,225）（90,244）（96,122）（96,220）（99,85）（101,100）（104,167）（104,208）（108,211）（116,96）（117,225）（118,120）（122,95）（124,75）（126,93）（137,217）（138，147）（139,234）（141,121）（142,97）（143,86）（30,60）（39,198）（73,103）（77,243）（87,193）（88,202）（90,104）（90,114）（93,89）（97,159）（102,244）（118,107）（127,110）（129,242）（132,146）（136,101）（137,92）（142,54）（155,119）（6,63）（12,97）（34,31）（62,51）（75,176）（76,199）（87,176）（105,113）（128,165）（132,174）（134,153）（138,168）（138,240）（140,19）（140,138）（16,22）（23,101）（32,100）（42,48）（48,114）（56,48）（58,25）（57,80）（58,85）（61,35）（65,71）（35,47）（45,28）（51,81）（52,41）（59,66）（64,63）（31,72）（77,116）（25,15）（19,41）（19,52）（7,27）（12,13）（16,22）（34,53）（9,23）（15,7）（15,18）；
（2）对于每一个留下来的特征点，首先将该点的外围区域零均值规范化，公式如下所示：
（1）
（2）
式子中I(x, y)与I'(x, y)分别表示原图形像素强度以及预处理规范化后的像素强度，NumC表示像素点周边涉及计算的像素个数，NumC取144到400。
（3）接下来确定主方向，以特征点为中心的圆形邻域窗口计算每个像素的梯度方向和模值如公式（3）（4）所示，
（3）
（4）
梯度直方图的范围是0～360°，每10°代表一个方向, 总共36个方向，直方图的峰值即代表该特征点的主方向，此处圆形区域半径取8。
（4）以特征点为中心建立极坐标系，极径和极角分别为， 在此极坐标系中, 将兴趣区域划分为若干个不相交的子区域:R0 ,
R1 , R2 ….RS 。极坐标中极径；极角，用τ表示中心区域分块数，取4，δ取7。
(5) 外围区域采用强度对比直方图表示，对于每个特征点pk ，采用极坐标将外围区域进一步分块后，我们计算外围区域每个点p与特征点的差异值：D(p)=I(p)-I(pk )，I(p)表示点p的像素强度，D(p)表示像素间强度的差值，然后将每小块中每个像素和特征点像素进行强度比较，将正向强度和负向强度对比值分别作为计算结果，公式定义如下（6）（7）所示：
（5）
（6）
式中Ri 表示外围区域分块后的子区域，NumRi+ 、NumRi − 分别代表子区域Ri 中像素强度大于和小于特征点pk 的点的个数，D(p)和上文的一致，表示的是p点和关键点的像素强度差。
一个特征点的32维对比强度，如下所示：
0.000000 17.000000 0.000000 17.000000 0.000000 8.000000 0.000000 18.000000
0.000000 15.000000 0.000000 7.000000 0.000000 8.000000 0.000000 15.000000
0.000000 11.000000 0.000000 18.000000 0.000000 10.000000 0.000000 14.000000
0.000000 0.000000 0.000000 10.000000 0.000000 10.000000 0.000000 11.000000。
(6) 内围区域采用梯度公式（4）（5）来产生描述子。采用极坐标对内围区域分块后，对于每个内围子区域Ri ，首先计算每个像素的邻域梯度方向和大小，然后统计Ri 区域内的梯度值，并绘制梯度直方图。梯度直方图分为8个单元，每45度一个单元，每个区域可产生8个方向的梯度直方图值，每个区域的方向梯度直方图值表示为。
一个特征点的32维梯度直方图信息，如下所示
0.344349 0.045117 0.006770 0.006204 0.058885 0.065835 0.004979 0.046900
0.065822 0.005867 0.000498 0.006329 0.249271 0.244665 0.012369 0.036338
0.348398 0.055346 0.007099 0.013995 0.044707 0.007678 0.001300 0.017917
0.052876 0.019365 0.007479 0.032171 0.295646 0.074701 0.005806 0.007663。
（7）分别对内外围描述子进行整体归一化，使得整体描述子对光照变化具有不变性，公式如下：
（7）
（8）
（9）
式子中以及，分别表示归一化后的方向梯度直方图值以及对比强度值。
（8）将两个部分的归一化后的描述子组合成一维向量，可以表示为：
（10）
极坐标中极径表示内外围圈数，取3；极角，描述子维度Dimen可以表示为：
（11）
重复（2）到（8）过程，至所有特征点都处理完。
一个特征点的64维的整合后的描述子维度信息如下所示：
0.000000 17.000000 0.000000 17.000000 0.000000 8.000000 0.000000 18.000000
0.000000 15.000000 0.000000 7.000000 0.000000 8.000000 0.000000 15.000000
0.000000 11.000000 0.000000 18.000000 0.000000 10.000000 0.000000 14.000000
0.000000 0.000000 0.000000 10.000000 0.000000 10.000000 0.000000 11.000000。
（9）采用K − Means聚类方法将图像库中的图片进行聚类，K − Means有比较好的伸缩性，聚类速度相对较快。聚类结果生成K个子节点(本例中K取6)，计算出每个子节点的中心向量Ci ，同样地，对新生成的每个子节点再进行K − Means聚类，以生成下一层的子节点，不断重复直到树的深度达到我们的预设值P (本例中P=4)。这样最终会构造出一个完整的CGCI-SIFT词汇树。
(10)将图像库中的图片与词汇树进行关联：词汇树的叶节点个数为M=kP-1，每个叶节点具有中心向量Cm，其中，m为1～M的整数，将每个叶节点称为一个视觉词汇单词Wm ，图像库中的总图片数为N，其中每个图片称为一个文档Fi，i是1～N的整数，则文档Fi和视觉词汇单词Wm 的相关度为，式中，表示视觉词汇单词Wm 在图片文档Fi 中出现的次数，，Nm 表示视觉词汇单词Wm 一共包含的图片文档数目；计算每个图片与词汇树的每个叶节度的相关度，完成图片与词汇树的关联；
（11）将查询图片的CGCI-SIFT特征量化到CGCI-SIFT词汇树的M个视觉词汇单词上，形成一个M维的特征向量，具体方法为：
对查询图片提取到的CGCI-SIFT特征点向量对词汇树逐层的节点进行欧氏距离计算，找到一层上最相近的节点作为匹配节点，再从这些点的子节点向下搜索。
(12) 利用在视觉词汇层上量化后的特征向量，对图像库中所有图片在视觉词汇层上量化结果进行欧氏距离计算，这样就会和图像库量化后的每张图片得到一个匹配值。
将结果按
由小到大排序后输出。
Claims (2)
1.一种基于CGCI-SIFT局部特征的图像检索方法，提供用于检索的图像库和待检索的图片，其特征在于，将图片转换成灰度图，先对用于检索的图像库进行局部特征描述处理，再进行图像检索，包括下列步骤：
（1）对于图像库中的每一张图片采用DOG算法检测特征点；
（2）对于每一个留下来的特征点，首先将该点的外周区域的像素点进行零均值规范化，所述外周区域为以特征点为中心，边长为2R+1的方形区域，零均值规范化的公式如下所示：
(1)
(2)
式中I(x, y)与I'(x, y)分别表示原图形像素强度以及规范化后的像素强度，(x,y)为进行零均值规范化的像素点在图片中的位置，R为12～20的整数，NumC表示像素点周边涉及计算的像素个数，NumC=R2，I(xi , yi )表示像素点(x, y)周边涉及计算的第i个像素的图形像素强度；
（3）确定特征点的主方向，方法是：在以特征点为中心的圆形邻域窗口中计算每个像素的梯度方向和梯度模值，
(3)
(4)
其中，m(x,y)是像素点(x,y)的梯度模值，θ(x,y)是像素点(x,y)的梯度方向，梯度直方图的范围是0～360°，每10°代表一个方向，总共36个方向，直方图的峰值即代表该特征点的主方向，所述圆形邻域窗口的半径为8；
（4）以特征点为中心，特征点的主方向为0°方向，建立极坐标系，以特征点为中心，R为半径的区域为兴趣区域，在此极坐标系中, 将兴趣区域划分为内围区域和外围区域，内围区域的半径为4，周向均分为τ块，τ取1或4，外围区域分为2层，每层周向均分为δ+1块，δ取3、7或15；从内围区域中的块开始计数，分别定义每个块为Ri ，内围区域为R0 至R τ -1 ，外围区域为R τ 至R τ +2 δ +1 ；
(5) 对特征点外围区域的每个块，分别计算其正向强度对比值和负向强度对比值，如下：
正向强度对比值
(5)
负向强度对比值
(6)
式中pk 为特征点，Ri 表示外围区域中的第i个块，定义同步骤(4)，p表示外围区域的该块中的像素点， NumRi + 、NumRi − 分别代表块Ri 中像素强度大于和小于特征点pk 的像素点的个数，D(p)=I(p)-I(pk )，I(p)是点p的像素强度，I(pk )是点pk 的像素强度；
(6) 对特征点的内围区域的每个像素点，采用公式（3）、（4）获得梯度模值和梯度方向，然后统计内围区域中Ri 块内的梯度值，并绘制梯度直方图，梯度直方图分为8个单元，每45°为一个单元，每个块产生8个方向的梯度直方图值，每个块的方向梯度直方图值表示为GRidj (i∈{0,…,τ-1}且j∈{0,…,7})，式中，GRidj 表示块中属于同一45°方向单元的像素的模值的和，i表示所在的块，j表示方向单元；
（7）分别对步骤(5)和(6)获得的外围区域和内围区域的描述子进行整体归一化，使得整体描述子对光照变化具有不变性，公式如下：
(7)
(8)
(9)
式中以及，分别表示归一化后的方向梯度直方图值以及强度对比值；
（8）将两个部分的归一化后的描述子组合成一维向量，表示为：
(10)
描述子维度Dimen为：
(11)
重复（2）到（8），至所有特征点都处理完；
（9）采用K − Means聚类方法将图像库中的图片进行特征点聚类，聚类结果生成K个子节点，计算出每个子节点的中心向量Ci ，对新生成的每个子节点再进行K − Means聚类，以生成下一层的子节点，不断重复直到树的深度达到预设值P，构造出CGCI-SIFT词汇树，其中，K为5～10的整数，P为3～6的整数；
(10)将图像库中的图片与词汇树进行关联：词汇树的叶节点个数为M=kP-1，每个叶节点具有中心向量Cm，其中，m为1～M的整数，将每个叶节点称为一个视觉词汇单词Wm ，图像库中的总图片数为N，其中每个图片称为一个文档Fi，i是1～N的整数，则文档Fi 和视觉词汇单词Wm 的相关度为，式中，表示视觉词汇单词Wm 在图片文档Fi 中出现的次数，，Nm 表示视觉词汇单词Wm 一共包含的图片文档数目；计算每个图片与词汇树的每个叶节度的相关度，完成图片与词汇树的关联；
（11）进行图片检索，将待查询图片的CGCI-SIFT特征量化到CGCI-SIFT词汇树的M个视觉词汇单词上，形成一个M维的特征向量，具体方法为：
首先提取待查询图片的CGCI-SIFT特征点向量，对提取到的CGCI-SIFT特征点向量与步骤(9)中获得的词汇树的节点逐层进行欧氏距离计算，找到一层上最相近的节点作为匹配节点，再从这些匹配节点的子节点分别向下搜索，直至找到叶节点中的各匹配节点，得到特征向量；
(12) 利用在视觉词汇层上量化后的特征向量，对图像库中所有图片在视觉词汇层上量化结果进行欧氏距离计算，和图像库量化后的每张图片得到一个匹配值；
将结果按由小到大排序后输出，完成图像检索。
2.根据权利要求1所述的基于CGCI-SIFT局部特征的图像检索方法，其特征在于：所述步骤(9)中，词汇树的构建方法是：设定聚类个数K，树的深度P，对步骤(1)获得的特征集合进行分层聚类，第一层获得K个聚类，作为词汇树的K个子节点，计算出每个子节点的中心向量；对每个子节点分别进行聚类，每一子节点生成K个下一层的子节点，并计算出每个子节点的中心向量；不断重复直到树的深度达到预设值P，获得CGCI-SIFT词汇树。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210505313.3A CN102945289B (zh) | 2012-11-30 | 2012-11-30 | 基于cgci-sift局部特征的图像检索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210505313.3A CN102945289B (zh) | 2012-11-30 | 2012-11-30 | 基于cgci-sift局部特征的图像检索方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102945289A CN102945289A (zh) | 2013-02-27 |
| CN102945289B true CN102945289B (zh) | 2016-01-06 |
Family
ID=47728233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210505313.3A Expired - Fee Related CN102945289B (zh) | 2012-11-30 | 2012-11-30 | 基于cgci-sift局部特征的图像检索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102945289B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218427B (zh) * | 2013-04-08 | 2016-06-29 | 北京大学 | 局部描述子的提取方法、图像检索方法及图像匹配方法 |
| WO2014166376A1 (zh) * | 2013-04-12 | 2014-10-16 | 北京大学 | 获取图像的紧凑全局特征描述子的方法及图像检索方法 |
| CN103366183B (zh) * | 2013-07-19 | 2017-05-10 | 南方医科大学 | 一种局灶性病灶的非参数自动检测方法 |
| CN104616278B (zh) * | 2013-11-05 | 2020-03-17 | 北京三星通信技术研究有限公司 | 三维点云兴趣点检测方法和系统 |
| WO2015127117A1 (en) * | 2014-02-19 | 2015-08-27 | Nant Holdings Ip, Llc | Invariant-based dimensional reduction of object recognition features, systems and methods |
| CN104778701B (zh) * | 2015-04-15 | 2018-08-24 | 浙江大学 | 一种基于rgb-d传感器的局部图像描述方法 |
| CN105787487B (zh) * | 2016-02-24 | 2019-04-12 | 昆明理工大学 | 一种剪切工具图片的相似度匹配方法 |
| CN105550381B (zh) * | 2016-03-17 | 2019-04-05 | 北京工业大学 | 一种基于改进sift特征的高效图像检索方法 |
| CN106339486A (zh) * | 2016-08-30 | 2017-01-18 | 西安电子科技大学 | 一种基于大规模词汇树的增量学习的图像检索方法 |
| CN106355577B (zh) * | 2016-09-08 | 2019-02-12 | 武汉科技大学 | 基于特征状态与全局一致性的快速图像匹配方法及系统 |
| CN111368125B (zh) * | 2017-02-13 | 2022-06-10 | 哈尔滨理工大学 | 一种面向图像检索的距离度量方法 |
| CN108629350B (zh) * | 2017-03-15 | 2021-08-20 | 华为技术有限公司 | 一种识别图片之间相似关系的方法及装置 |
| CN108171283B (zh) * | 2017-12-31 | 2020-06-16 | 厦门大学 | 一种基于结构化语义嵌入的图像内容自动描述方法 |
| CN108875753A (zh) * | 2018-04-03 | 2018-11-23 | 南昌奇眸科技有限公司 | 一种商标图像检索特征提取方法 |
| CN108921006B (zh) * | 2018-05-03 | 2020-08-04 | 西北大学 | 手写签名图像真伪鉴别模型建立方法及真伪鉴别方法 |
| CN108734180B (zh) * | 2018-05-22 | 2020-09-11 | 东南大学 | 一种基于计算方式优化的sift特征点梯度生成方法 |
| CN108932518B (zh) * | 2018-06-22 | 2020-08-25 | 大连理工大学 | 一种基于视觉词袋模型的鞋印图像特征提取及检索方法 |
| CN109086744A (zh) * | 2018-08-29 | 2018-12-25 | 北京猫眼视觉科技有限公司 | 信息处理方法及装置 |
| CN110008966A (zh) * | 2019-04-08 | 2019-07-12 | 湖南博睿基电子科技有限公司 | 一种基于极坐标的快速sift特征点提取方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7809192B2 (en) * | 2005-05-09 | 2010-10-05 | Like.Com | System and method for recognizing objects from images and identifying relevancy amongst images and information |
| CN101388115B (zh) * | 2008-10-24 | 2011-07-27 | 北京航空航天大学 | 一种结合纹理信息的深度图像自动配准方法 |
| CN101859326B (zh) * | 2010-06-09 | 2012-04-18 | 南京大学 | 一种图像检索方法 |
-
2012
- 2012-11-30 CN CN201210505313.3A patent/CN102945289B/zh not_active Expired - Fee Related
Non-Patent Citations (2)
| Title |
|---|
| 《基于SIFT特征的图像检索》;吴锐航等;《计算机应用研究》;20080229;全文 * |
| 《基于词汇树层次语义模型的图形检索算法》;张月辉等;《微电子学与计算机》;20121105;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102945289A (zh) | 2013-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102945289B (zh) | 基于cgci-sift局部特征的图像检索方法 | |
| Li et al. | Building-a-nets: Robust building extraction from high-resolution remote sensing images with adversarial networks | |
| Zhou et al. | Contextual ensemble network for semantic segmentation | |
| CN113177518B (zh) | 一种利用弱监督区域推荐的车辆重识别方法 | |
| Cai et al. | MHA-Net: Multipath Hybrid Attention Network for building footprint extraction from high-resolution remote sensing imagery | |
| CN105205135B (zh) | 一种基于主题模型的3d模型检索方法及其检索装置 | |
| Furuya et al. | Visual saliency weighting and cross-domain manifold ranking for sketch-based image retrieval | |
| CN106156798A (zh) | 基于环形空间金字塔和多核学习的场景图像分类方法 | |
| Wang et al. | Remote sensing scene classification using heterogeneous feature extraction and multi-level fusion | |
| CN104317946A (zh) | 一种基于多张关键图的图像内容检索方法 | |
| Zhou et al. | Deep feature representations for high-resolution remote sensing scene classification | |
| Jin Kim et al. | Learned contextual feature reweighting for image geo-localization | |
| Zhan et al. | Instance search via instance level segmentation and feature representation | |
| Das et al. | Hybrid descriptor definition for content based image classification using fusion of handcrafted features to convolutional neural network features | |
| Zhang et al. | Supervised label transfer for semantic segmentation of street scenes | |
| CN103399863A (zh) | 基于边缘方向差特征袋的图像检索方法 | |
| Hu et al. | Military object detection based on optimal gabor filtering and deep feature pyramid network | |
| Sun et al. | Search by detection: Object-level feature for image retrieval | |
| Ksibi et al. | Deep salient-Gaussian Fisher vector encoding of the spatio-temporal trajectory structures for person re-identification | |
| Özyurt et al. | A new method for classification of images using convolutional neural network based on Dwt-Svd perceptual hash function | |
| Ravanbakhsh et al. | Cnn-aware binary map for general semantic segmentation | |
| Obulesu et al. | Image retrieval based local motif patterns code | |
| Feng et al. | Aggregation of reversal invariant features from edge images for large-scale trademark retrieval | |
| Zhang et al. | Sketch-based image retrieval using contour segments | |
| Teng et al. | Mask assisted object coding with deep learning for object retrieval in surveillance videos |
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: 20160106 Termination date: 20191130 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |