CN103020111B - 基于词汇树层次语义模型的图像检索方法 - Google Patents
基于词汇树层次语义模型的图像检索方法 Download PDFInfo
- Publication number
- CN103020111B CN103020111B CN201210422998.5A CN201210422998A CN103020111B CN 103020111 B CN103020111 B CN 103020111B CN 201210422998 A CN201210422998 A CN 201210422998A CN 103020111 B CN103020111 B CN 103020111B
- Authority
- CN
- China
- Prior art keywords
- picture
- semantic
- image
- node
- visual vocabulary
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种图像检索方法,基于词汇树层次语义模型实现。首先提取图像包含颜色信息的SIFT特征来构造图像库的特征词汇树,生成描述图像视觉信息的视觉词汇。并在此基础上利用Bayesian决策理论实现视觉词汇到语义主题信息的映射,进而构造了一个层次语义模型,并在此模型基础上完成了基于内容的语义图像检索算法。通过检索过程中用户的相关反馈,不仅可以加入正反馈图像扩展图像查询库,同时能够修正高层语义映射。实验结果表明,本发明的检索方法性能稳定,并且随着反馈次数的增加,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,具体涉及一种基于内容的图像检索方法,尤其是一种考虑图像所包含的图像高层语义信息,并加入用户对图像内容理解和检索结果反馈的方法。
背景技术
随着因特网和多媒体技术的迅速发展,从20世纪90年代初至今,基于内容的图像检索(CBIR)得到了广泛的研究。
现有图像检索技术中,由于其使用图像纹理、颜色和形状等低层特征作为索引来对图像进行检索,而图像低层特征表达出的信息与用户对这些特征图像理解的含义存在不一致性,即语义鸿沟,所以检索效果往往不能满足用户的需求。
如果检索过程中能够考虑图像所包含的图像高层语义信息,加入用户对图像内容的理解,则会是一种更贴近用户理解的图像检索。然而,目前语义检索中语义映射关系大多是通过人工标注建立,对于待检索图像中的语义信息难以获得较好的映射,并且,建立的映射关系不能随着用户检索的反馈信息自动进行修正,从而影响检索效果的提升。
发明内容
本发明的发明目的是提供一种基于词汇树层次语义模型的图像检索方法,利用词汇树将图像特征与人工标注的语义特征进行关联,以实现检索过程中的自动语义映射;并实现高层语义映射的自动修正,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:一种图像检索方法,提供用于检索的图像库和待检索的图片,包括下列步骤:
(1)提取图像库中所有图片的SIFT特征,得到特征集合;
(2)构建词汇树,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SIFT词汇树;其中,K取5~10的整数,P取3~6的整数;
(3)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=K×P,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Weight(i,m)=NUMim×idfm,式中,NUMim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;
(4)设定图像库的语义主题信息集,先采用人工标注的方法将图像库中的图片分类至语义主题信息集中的各语义主题信息;再利用Bayesian统计决策理论实现视觉词汇层到语义信息层的映射,映射方法为,每个视觉词汇单词和语义主题信息间的映射概率为:
(5)提取待查询图片的SIFT特征,得到具有n个特征点的特征向量T={t1,t2......tn};
(6)将待查询图片的SIFT特征量化到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V={v1,v2......vm},方法为:
将待查询图片提取到的SIFT特征点向量对词汇树逐层的节点进行欧氏距离计算,找到每层上最相近的节点作为匹配节点;对提取到的n个特征点进行匹配操作,对于每一个视觉词汇单词节点,累计待查询图片中特征点与该节点的匹配次数NUMm,利用生成词汇树时产生的视觉词汇单词节点的值idfm,计算出待查询图片与视觉词汇单词节点的相关程度wm,最终形成一个m维的特征向量V={v1,v2......vm};
(7)利用在视觉词汇层上量化后的特征向量V={v1,v2......vm},与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,和每张图片V'={v1',v2'......vn'}得到一个匹配值Wt1:
(8)根据步骤(6)中计算得到的NUMm,利用所建立的主题信息语义映射的Bayesian模型,计算得到主题语义信息集合对应的概率值集合q={q1,q2......qn},式中,n是主题语义信息的个数,qn为待查询图片属于该主题语义信息的概率;
(9)对于步骤(8)中生成的集合q={q1,q2......qn},和图像库中每张图片的语义特征q'={q1',q2'......qn'}进行欧氏距离的计算,得到匹配值记为Wt2:
(10)待查询图片与图像库中的每张图片的相似度定义为Weight=g×Wt1+Wt2,式中,g表示调整Wt1与Wt2数量级的参数,g的取值范围是8~12;Weight的值载小,待查询图片与该图片越近似,检索结果排位越前,由此实现图像的检索。
进一步的技术方案,根据用户搜索结果的反馈信息修正语义映射并扩展图像库,方法为:
①根据用户的查询图片返回查询结果,用户根据返回结果标记满意的结果为正反馈记录I+,其余为负反馈记录I-;
②将用户的查询图片加入到词汇树中,其量化到的每一个视觉词汇单词节点,都加入该图片的记录,并且更新idf值。
③根据步骤(4)的语义映射公式在视觉词汇层到主题语义信息层映射的过程中,对于正反馈图像分布的每一个视觉词汇单词节点,其视觉词汇单词y上出现包含语义主题信息节点qi的图片数目占总图像库中数目的比值P(qi)都增加一个正比例因子U+,而对于负反馈图像分布的每一个视觉词汇单词节点,其P(qi)都加上一个负比例因子U-。
优选的技术方案,步骤(2)中,聚类的方法采用K-means聚类法,聚类个数K取6,树的深度P取4。步骤(10)中,g的取值为10。
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、本发明引入了词汇树模型,和现有方法中直接使用低层特征和语义主题映射相比,有更好的检索效果。
2、本发明同时使用低层特征和语义主题映射进行检索,通过设定权重实现图像的检索,检索结果更为有效。
3、本发明通过进一步设置反馈过程,利用用户提供的正反馈图像和负反馈图像,不仅可以自动扩展含有高层语义信息的查询图像库,而且使得建立的基于词汇树层次语义模型通过修正视觉词汇到主题信息的映射关系,使图像的语义信息提取更加准确,随着用户查询次数的增加,视觉词汇到主题信息的映射会越加完善,检索效果更加精确。
附图说明
图1是实施例中构建SIFT词汇树的示意图。
图2是实施例中作为待检索图片的汽车样例图。
图3是汽车图片作为检索例,图片库中80张图片第一次检索结果图。
图4是一次用户反馈后,图片库中80张图片的检索结果图。
图5是图片库中10类图片,随着用户反馈次数的增加,检索效果的变化情况图。
图6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:一种基于词汇树层次语义模型的图像检索方法。首先提取图像包含颜色信息的SIFT特征来构造图像库的特征词汇树,生成描述图像视觉信息的视觉词汇。并在此基础上利用Bayesian决策理论实现视觉词汇到语义主题信息的映射,进而构造了一个层次语义模型,并在此模型基础上完成了基于内容的语义图像检索算法。通过检索过程中用户的相关反馈,不仅可以加入正反馈图像扩展图像查询库,同时能够修正高层语义映射。实验结果表明,基于该模型的图像检索算法性能稳定,并且随着反馈次数的增加,检索效果明显提升。
整个方法过程按如下步骤处理:
(1)首先对图像库构建视觉词汇树,并将图片量化到词汇树;
(1.1)首先提取图像库中所有图片的SIFT特征,得到一个特征集合Feature={featurei},然后对特征集合Feature={featurei}进行分层聚类,此处我们采用K-Means聚类方法,因为它有比较好的伸缩性,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预设值P(本例中P=4)。这样最终会构造出一个完整的SIFT词汇树,过程如图1所示。
(1.2)通过构造词汇树,就生成了1296个聚类簇集(选取最后一层簇集),且每个聚类簇集都有一个中心向量Cm,把生成的聚类簇集称作视觉词汇单词,图像库中的每幅图片称为一个文档,通过计算每个文档和词汇单词的相关程度使图像量化到这1296个聚类簇集中,即生成一个1296维的向量。假设Fi表示每个图片文档,Wm表示每个词汇单词,Weight(i,m)表示文档和词汇单词的相关度。所有每个文档就可以量化到M个视觉词汇单词中,在计算Weight(i,m)时,NUMim表示单词Wm在图片文档Fi中出现的次数。Nm表示词汇单词Wm一共包含的图片文档数目,最终图片文档Fi和视觉词汇单词Wm的相关度为Weight(i,m)=NUMim×idfm。
(2)视觉词汇层到语义信息层的映射
Bayesian理论主要是在获得先验类属概率的前提下,通过对后验概率函数的计算进行分类,计算公式:将其应用到本方法中,可以实现从视觉词汇层到语义信息层的映射。其中,fY(qi,y)是视觉词汇单词节点的中心向量y相对于主题信息节点qi的条件概率密度,f(y)是中心向量y的视觉词汇单词上出现包含语义主题信息节点qi的图片数目与总的图像库中数目的比值,P(qi,y)为视觉词汇单词My映射到语义主题信息qi的后验概率,P(qi)为语义主题信息的先验概率值,其中是语义主题信息qi包含的图片数,N是图像库中的总图片数;其中,G(y,yi,δ)是Gaussian核函数,yi是语义主题信息qi对应的每一个视觉词汇的中心向量,y为当前视觉词汇的中心向量,δ是平滑参数;得后验概率公式为:这样利用Bayesian统计决策理论实现了视觉词汇层到语义信息层的映射,从而实现了图像的高层语义信息提取,并且在此基础上可以进行语义图像检索。
(3)对待查询图片提取包含颜色信息的SIFT特征,得到具有n(各图片有不同特征点数不同)个特征点的特征向量T={t1,t2......tn};
(4)将查询图片的SIFT特征量化到SIFT词汇树的1296个视觉词汇单词上,形成一个1296维的特征向量V={v1,v2,…,v1296},具体方法为:
对查询图片提取到的SIFT特征点向量对词汇树逐层的节点进行欧氏距离计算,找到每层上最相近的节点作为匹配节点。对提取到的n个特征点进行相同操作,最终对于每一个视觉词汇单词节点,累计查询图片中特征点与该节点的匹配次数NUMm。利用生成词汇树时产生的视觉词汇单词节点的值idfm,就可以计算出查询图片与视觉词汇单词节点的相关程度wm。最终形成一个m维的特征向量V={v1,v2......vm}。
(5)利用在视觉词汇层上量化后的特征向量V={v1,v2......vm},对图像库中所有图片在视觉词汇层上量化结果进行欧式距离计算,这样就会和每张图片V'={v1',v2'......vn'}得到一个匹配值Wt1。
(6)根据(4)步骤中计算得到的NUMm,利用所建立的主题信息语义映射的Bayesian模型,按照式计算得到主题语义信息集合对应的概率值集合q={q1,q2......qn}。
(7)对于步骤(6)中生成的集合q={q1,q2......qn}。图像库中图片如果包含主题信息Qi,和图像库中每张图片的语义特征q'={q1',q2'......qn'}进行欧氏距离的计算,得到匹配值记为Wt2。
(8)最终图像库中的图片IMGj和查询图片的相似度定义为Weight=g×Wt1+Wt2,该值越小,在检索结果中越靠前。
(9)相关反馈
在上述基于词汇树的语义模型下进行图像检索时,视觉词汇层到主题语义信息层的映射对检索效果有很重要的影响。所以在检索过程中,可以根据用户搜索结果的反馈信息修正语义映射使其更加完善,并且可以加入正反馈图像来扩展图像库,因此避免了人工标注图像语义信息来增加查询图像库的困难。
具体过程为:
①根据用户的查询图片返回查询结果,用户根据返回结果标记满意的结果为正反馈记录I+,其余为负反馈记录I-。
②将用户的查询图片加入到词汇树中,其量化到的每一个视觉词汇单词节点,都加入该图片的记录,并且更新idf值。
③根据语义映射公式在视觉词汇层到主题语义信息层映射的过程中,对于正反馈图像分布的每一个视觉词汇单词节点,其视觉词汇单词y上出现包含语义主题信息节点qi的图片数目占总图像库中数目的比值f(yi)都增加一个正比例因子U+,而对于负反馈图像分布的每一个视觉词汇单词节点,其f(yi)都加上一个负比例因子U-。其中,U+=0.1,U-=-0.1。
这样在反馈过程中,通过用户提供正反馈图像和负反馈图像,不仅可以自动扩展含有高层语义信息的查询图像库,而且使得建立的基于词汇树层次语义模型通过修正视觉词汇到主题信息的映射关系,使图像的语义信息提取更加准确,随着用户查询次数的增加,视觉词汇到主题信息的映射会越加完善,检索效果更加精确。
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。以附图2(汽车)所示图片为用户检索图片例作进一步说明,分别按如下步骤处理:
[1]首先构建图片库的词汇树,得到1296个簇集,即1296个视觉词汇,记录每个结点的idfm(1≤m≤1296)值的数据。
[2]利用上述的Bayesian统计学习模型将1296个视觉单词映射到汽车主题,计算相对应的概率值。
[3]提取汽车图片包含颜色信息的SIFT特征,得到具有27(对于本张汽车图片特征点数为27)个特征点的特征向量Y={y1,y2,…,y27}。
[4]将汽车图片的SIFT特征量化到SIFT词汇树的1296个视觉词汇单词上,形成一个1296维的特征向量V={v1,v2,…,v1296}。具体处理过程为:
[4.1]对汽车图片提取到的SIFT特征点向量对词汇树逐层的节点进行欧氏距离计算,找到每层上最相近的节点作为匹配节点。对提取到的n(n=27)个特征点进行相同操作,最终对于每一个视觉词汇单词节点,累计查询图片中特征点与该节点的匹配次数NUMm。
[4.2]利用生成词汇树时产生的视觉词汇单词节点的值idfm,就可以计算出查询图片与视觉词汇单词节点的相关程度vi(1≤i≤m),最终形成一个m维的特征向量V={v1,v2......vm}。
[5]利用在视觉词汇层上量化后的特征向量V={v1,v2......vm},对图像库中所有图片在视觉词汇层上量化结果进行匹配,这样就会和每张图片得到一个匹配值Wt1。
[6]根据[4]步骤中计算得到的NUMm,利用所建立的主题信息语义映射的Bayesian模型,按照公式计算得到主题语义信息集合对应的概率值集合q={q1,q2......qn}(1≤n≤10)。本例中10类图片中各类主题语义信息集合对应的概率值如下:
q | q1野人 | q2海滩 | q3高楼 | q4汽车 | q5恐龙 |
71.823296 | 34.826923 | 69.850754 | 84.297997 | 18.006845 | |
q | q6大象 | q7鲜花 | q8野马 | q9雪山 | q10美食 |
34.693035 | 9.772268 | 34.730274 | 35.102665 | 60.221863 |
[7]对于步骤[6]中生成的集合q={q1,q2......qn}。图像库中图片如果包含主题信息Qi,则该图片和查询图片的语义相关度就等于主题信息Qi在q={q1,q2......qn}中的概率值,记为Wt2。
[8]计算图像库中的1000张图片IMGj和查询图片的相似度Weight,在本例实际处理时,Weight=10×Wt1+Wt2。
Weight值越小,则图片显示位置越靠前,附图3中给出了前80张图片的检索结果图。
[9]相关反馈
根据附图3中80张图片的检索结果,选择第2张图片为正反馈图像,第31(或32)张图片为负反馈图像,进行反馈查询。
修改视觉词汇单词到汽车主题语义信息的映射概率值。
反馈查询结果见附图4,从附图4中可以看出,负反馈图像位置后移,整个检索效果更优,可进一步反馈以得到更好的检索结果。
附图5给出了在每个语义类别中,随着用户反馈次数的增加,检索效果的变化情况。其表明在基于词汇树层次语义模型的图像检索系统中,用户的相关反馈对于检索结果提升有很好的作用。并且随着用户反馈次数的增加,检索出来的相关图像会越多,效果越好。
Claims (4)
1.一种基于词汇树层次语义模型的图像检索方法,提供用于检索的图像库和待检索的图片,其特征在于,包括下列步骤:
(1)提取图像库中所有图片的SIFT特征,得到特征集合;
(2)构建词汇树,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SIFT词汇树;其中,K取5~10的整数,P取3~6的整数;
(3)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=K×P,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W m ,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W m 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,,N m 表示视觉词汇单词W m 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点的相关度,完成图片与词汇树的关联;
(4)设定图像库的语义主题信息集,先采用人工标注的方法将图像库中的图片分类至语义主题信息集中的各语义主题信息;再利用Bayesian统计决策理论实现视觉词汇层到语义信息层的映射,映射方法为,每个视觉词汇单词和语义主题信息间的映射概率为:
,式中,qn表示当前语义主题信息,ym表示当前视觉词汇单词的中心向量,yi表示第i个视觉词汇单词的中心向量,f(yi)是第i个视觉词汇单词对应语义主题信息节点qn的图片数目与总的图像库中图片数目N的比值,是Gaussian核函数,δ是平滑参数;
(5)提取待查询图片的SIFT特征,得到具有n个特征点的特征向量;
(6)将待查询图片的SIFT特征量化到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,方法为:
将待查询图片提取到的SIFT特征点向量对词汇树逐层的节点进行欧氏距离计算,找到每层上最相近的节点作为匹配节点;对提取到的n个特征点进行匹配操作,对于每一个视觉词汇单词节点,累计待查询图片中特征点与该节点的匹配次数,利用生成词汇树时产生的视觉词汇单词节点的值,计算出待查询图片与视觉词汇单词节点的相关程度,最终形成一个m维的特征向量,其中
(7)利用在视觉词汇层上量化后的特征向量,与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,和每张图片得到一个匹配值:
;
(8)根据步骤(6)中计算得到的,利用所建立的主题信息语义映射的Bayesian模型,计算得到主题语义信息集合对应的概率值集合,式中,n是主题语义信息的个数,qn为待查询图片属于该主题语义信息的概率;
(9)对于步骤(8)中生成的集合,和图像库中每张图片的语义特征进行欧氏距离的计算,得到匹配值记为:
;
(10)待查询图片与图像库中的每张图片的相似度定义为Weight=g×Wt1+Wt2,式中,g的取值范围是8~12,Weight的值越小,待查询图片与该图片越近似,检索结果排位越前,由此实现图像的检索。
2.根据权利要求1所述的图像检索方法,其特征在于:根据用户搜索结果的反馈信息修正语义映射并扩展图像库,方法为:
①根据用户的查询图片返回查询结果,用户根据返回结果标记满意的结果为正反馈记录I+,其余为负反馈记录I?;
②将用户的查询图片加入到词汇树中,其量化到的每一个视觉词汇单词节点,都加入该图片的记录,并且更新idf值;
③根据步骤(4)的语义映射公式在视觉词汇层到主题语义信息层映射的过程中,对于正反馈图像分布的每一个视觉词汇单词节点,其视觉词汇单词y上出现包含语义主题信息节点qi的图片数目占总图像库中数目的比值P(qi)都增加一个正比例因子U+,而对于负反馈图像分布的每一个视觉词汇单词节点,其P(qi)都加上一个负比例因子U?,其中,U+=0.1,U?=-0.1。
3. 根据权利要求1所述的图像检索方法,其特征在于:步骤(2)中,聚类的方法采用K-means聚类法,聚类个数K取6,树的深度P取4。
4. 根据权利要求1所述的图像检索方法,其特征在于:步骤(10)中,g的取值为10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210422998.5A CN103020111B (zh) | 2012-10-29 | 2012-10-29 | 基于词汇树层次语义模型的图像检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210422998.5A CN103020111B (zh) | 2012-10-29 | 2012-10-29 | 基于词汇树层次语义模型的图像检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103020111A CN103020111A (zh) | 2013-04-03 |
CN103020111B true CN103020111B (zh) | 2015-06-17 |
Family
ID=47968715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210422998.5A Expired - Fee Related CN103020111B (zh) | 2012-10-29 | 2012-10-29 | 基于词汇树层次语义模型的图像检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020111B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845499A (zh) * | 2017-01-19 | 2017-06-13 | 清华大学 | 一种基于自然语言语义的图像目标检测方法 |
CN107622071A (zh) * | 2016-07-15 | 2018-01-23 | 上海交通大学 | 通过间接相关反馈在无查源下的衣服图像检索系统及方法 |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440352B (zh) * | 2013-09-24 | 2017-04-19 | 中国科学院自动化研究所 | 基于深度学习的对象间的关联分析方法及其装置 |
CN103530633B (zh) * | 2013-10-09 | 2017-01-18 | 深圳大学 | 一种图像局部不变特征的语义映射方法及语义映射系统 |
CN103970729B (zh) * | 2014-04-29 | 2016-08-24 | 河海大学 | 一种基于语义类的多主题提取方法 |
CN104038792B (zh) * | 2014-06-04 | 2017-06-16 | 紫光软件系统有限公司 | 用于iptv监管的视频内容分析方法及设备 |
JP6005716B2 (ja) * | 2014-12-19 | 2016-10-12 | 株式会社Cygames | 情報処理システム、サーバ、プログラム、及び情報処理方法 |
CN104899547A (zh) * | 2015-03-17 | 2015-09-09 | 黑龙江八一农垦大学 | 基于图像理解的农作物病害诊断方法 |
CN104834693B (zh) * | 2015-04-21 | 2017-11-28 | 上海交通大学 | 基于深度搜索的视觉图像检索方法及系统 |
CN106021251A (zh) * | 2015-09-16 | 2016-10-12 | 展视网(北京)科技有限公司 | 一种基于背景知识的层次语义模型图像检索方法 |
CN105426533B (zh) * | 2015-12-17 | 2019-07-19 | 电子科技大学 | 一种融合空间约束信息的图像检索方法 |
CN107038173B (zh) * | 2016-02-04 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 应用查询方法和装置、相似应用检测方法和装置 |
CN106055573B (zh) * | 2016-05-20 | 2019-12-27 | 西安邮电大学 | 一种多示例学习框架下的鞋印图像检索方法及系统 |
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 |
CN106776856B (zh) * | 2016-11-29 | 2020-07-03 | 江南大学 | 一种融合颜色特征与词汇树的车辆图像检索方法 |
CN107045520B (zh) * | 2016-11-29 | 2020-07-03 | 江南大学 | 一种基于位置信息加权词汇树的车辆图像检索方法 |
CN106919658B (zh) * | 2017-02-08 | 2019-09-27 | 华中科技大学 | 一种基于gpu加速的大规模图像词汇树检索方法及系统 |
CN106874446A (zh) * | 2017-02-10 | 2017-06-20 | 深圳前海大造科技有限公司 | 一种基于磁盘的词汇树模型构建方法 |
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 |
CN107122801B (zh) * | 2017-05-02 | 2020-03-03 | 北京小米移动软件有限公司 | 图像分类的方法和装置 |
CN107730357A (zh) * | 2017-10-19 | 2018-02-23 | 上海斐讯数据通信技术有限公司 | 一种基于视觉词典库实现图像快速检索的方法及系统 |
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 |
CN109241319B (zh) * | 2018-09-28 | 2021-11-02 | 百度在线网络技术(北京)有限公司 | 一种图片检索方法、装置、服务器和存储介质 |
CN110196906B (zh) * | 2019-01-04 | 2023-07-04 | 华南理工大学 | 面向金融行业的基于深度学习文本相似性检测方法 |
CN109918529A (zh) * | 2019-02-25 | 2019-06-21 | 重庆邮电大学 | 一种基于树形聚类矢量量化的图像检索方法 |
CN110263198A (zh) * | 2019-06-27 | 2019-09-20 | 安徽淘云科技有限公司 | 一种检索方法及装置 |
CN110458175B (zh) * | 2019-07-08 | 2023-04-07 | 中国地质大学(武汉) | 一种基于词汇树检索的无人机影像匹配对选择方法及系统 |
CN111310712B (zh) * | 2020-03-04 | 2024-02-13 | 杭州晟元数据安全技术股份有限公司 | 一种基于指纹词袋特征的快速搜索方法 |
CN111860535B (zh) * | 2020-06-22 | 2023-08-11 | 长安大学 | 一种无人机影像匹配像对提取方法、三维稀疏重建方法 |
CN111797268B (zh) * | 2020-07-17 | 2023-12-26 | 中国海洋大学 | Rgb-d图像检索方法 |
CN112100360B (zh) * | 2020-10-30 | 2024-02-02 | 北京淇瑀信息科技有限公司 | 一种基于向量检索的对话应答方法、装置和系统 |
CN113435479A (zh) * | 2021-06-03 | 2021-09-24 | 湖北大学 | 基于区域特征表达约束的特征点匹配方法与系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8254697B2 (en) * | 2009-02-02 | 2012-08-28 | Microsoft Corporation | Scalable near duplicate image search with geometric constraints |
CN102402621A (zh) * | 2011-12-27 | 2012-04-04 | 浙江大学 | 一种基于图像分类的图像检索方法 |
CN102629275B (zh) * | 2012-03-21 | 2014-04-02 | 复旦大学 | 面向跨媒体新闻检索的人脸-人名对齐方法及系统 |
-
2012
- 2012-10-29 CN CN201210422998.5A patent/CN103020111B/zh not_active Expired - Fee Related
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622071A (zh) * | 2016-07-15 | 2018-01-23 | 上海交通大学 | 通过间接相关反馈在无查源下的衣服图像检索系统及方法 |
CN107622071B (zh) * | 2016-07-15 | 2020-01-07 | 上海媒智科技有限公司 | 通过间接相关反馈在无查源下的衣服图像检索系统及方法 |
CN106845499A (zh) * | 2017-01-19 | 2017-06-13 | 清华大学 | 一种基于自然语言语义的图像目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103020111A (zh) | 2013-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020111B (zh) | 基于词汇树层次语义模型的图像检索方法 | |
CN102254015B (zh) | 基于视觉词组的图像检索方法 | |
CN108038122B (zh) | 一种商标图像检索的方法 | |
CN107239565B (zh) | 一种基于显著性区域的图像检索方法 | |
Bosch et al. | Which is the best way to organize/classify images by content? | |
CN108647350A (zh) | 一种基于双通道网络的图文关联检索方法 | |
US7894665B2 (en) | Video annotation method by integrating visual features and frequent patterns | |
CN106126581A (zh) | 基于深度学习的手绘草图图像检索方法 | |
CN103473327A (zh) | 图像检索方法与系统 | |
CN110674407A (zh) | 基于图卷积神经网络的混合推荐方法 | |
Liu et al. | A new approach to retrieve video by example video clip | |
CN103336795A (zh) | 基于多特征的视频索引方法 | |
CN104216949A (zh) | 一种融合空间信息的图像特征聚合表示方法及系统 | |
CN103902704A (zh) | 面向大规模图像视觉特征的多维倒排索引与快速检索算法 | |
CN107577758B (zh) | 一种基于多区域交叉权值的图像卷积特征的生成方法 | |
Solli et al. | Emotion related structures in large image databases | |
CN105117407A (zh) | 一种基于聚类的距离方向直方图的图像检索方法 | |
CN100535906C (zh) | 融合伪相关反馈与检索技术的自动图像标注方法 | |
de Ves et al. | A novel dynamic multi-model relevance feedback procedure for content-based image retrieval | |
CN108470025A (zh) | 局部话题概率生成正则化自编码文本嵌入表示方法 | |
CN109034953B (zh) | 一种电影推荐方法 | |
dos Santos et al. | Efficient and effective hierarchical feature propagation | |
CN105183845A (zh) | 一种结合语义特征的ervq图片索引与检索方法 | |
CN111368126B (zh) | 一种面向图像检索的生成方法 | |
Westerveld | Using generative probabilistic models for multimedia retrieval |
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: 20150617 Termination date: 20171029 |
|
CF01 | Termination of patent right due to non-payment of annual fee |