CN103744931A - 一种图像检索的方法及系统 - Google Patents
一种图像检索的方法及系统 Download PDFInfo
- Publication number
- CN103744931A CN103744931A CN201310745844.4A CN201310745844A CN103744931A CN 103744931 A CN103744931 A CN 103744931A CN 201310745844 A CN201310745844 A CN 201310745844A CN 103744931 A CN103744931 A CN 103744931A
- Authority
- CN
- China
- Prior art keywords
- distance
- image
- pixel
- centroid
- centroid distance
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
Abstract
本发明适用于图像处理领域,提供了一种图像检索的方法,包括:获取待测图像的质心距离;将获取到的所述质心距离进行标准化处理;量化经过了标准化处理后的所述质心距离;计算距离聚合向量;计算所述待测图像的质心到最大聚合向量之间的距离,以获取特征距离;用所述特征距离作为图像特征的最终索引进行图像检索。本发明还提供了一种图像检索的系统。本发明所提供的图像检索的方法及系统能解决不同的形状仍有相同的距离聚合向量问题,进而提高图像检索的精确度。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种图像检索的方法及系统。
背景技术
基于内容的图像检索(Content-based Image Rerieeval,CBIR)技术依赖图像的颜色、纹理、形状和空间关系等特征来检索相似的图像。形状特征与目标对象往往联系紧密,并不随周围环境变化而变化,因此形状特征更适合表示图像的内容。
这些年来,形状特征的描述和提取一直是人们研究的热点,在众多的形状描述方法中,主要分为基于边界的方法和基于区域的方法两大类,其中,基于边界的方法主要有多边形近似、自回归模型、傅立叶描述子和链码等,基于区域的方法主要是不变矩。
在基于边界的图像检索方法中,距离直方图是一种常用的形状描述方法。然而,由于同颜色直方图类似,距离直方图不能反映轮廓像素点的空间分布信息,因而会导致较高的误检索。为了解决该问题,有人提出了一种距离聚合向量的方法,即在距离直方图的基础上将每个区间里的像素分为聚合和非聚合,有效的融入了形状的空间信息,弥补了距离直方图的部分缺点,但不同的形状仍有相同的距离聚合向量,进而影响了图像检索的精确度。
因此,亟需设计一种全新的图像检索的方法及系统,从而可以解决不同的形状仍有相同的距离聚合向量问题,进而提高图像检索的精确度。
发明内容
有鉴于此,本发明实施例的目的在于提供一种图像检索的方法及系统,旨在解决现有技术中采用距离聚合向量的方法进行图像检索时存在不同的形状仍有相同的距离聚合向量的问题,进而影响了图像检索的精确度。
本发明实施例是这样实现的,一种图像检索的方法,包括:
获取待测图像的质心距离;
将获取到的所述质心距离进行标准化处理;
量化经过了标准化处理后的所述质心距离;
计算距离聚合向量;
计算所述待测图像的质心到最大聚合向量之间的距离,以获取特征距离;
用所述特征距离作为图像特征的最终索引进行图像检索。
优选的,所述获取待测图像的质心距离的步骤包括:
利用预设算法对所述待测图像进行边缘检测以得到所述待测图像的轮廓图像;
计算所述轮廓图像的轮廓点的质心距离,并形成质心距离矩阵。
优选的,所述将获取到的所述质心距离进行标准化处理的步骤包括:
利用基于显著封闭边界的图像检索算法,将所述质心距离矩阵内的所有质心距离规划至预设范围内。
优选的,所述量化经过了标准化处理后的所述质心距离的步骤包括:
以预设单位将经过了标准化处理后的所述质心距离均匀的量化为n个区间,其中,n为自然数。
优选的,所述计算距离聚合向量的步骤包括:
利用领域搜索方法查找每个区间的连通像素;
将每个区间中连通像素的长度大于或等于预设阈值的像素标记为聚合像素,否则标记为非聚合像素;
统计每个区间的聚合像素和非聚合像素的数目。
优选的,所述计算所述待测图像的质心到最大聚合向量之间的距离,以获取特征距离的步骤包括:
求取每个区间中最大连通区域像素的平均坐标,并计算平均坐标的质心距离。
另一方面,本发明还提供一种图像检索的系统,所述系统包括:
距离获取模块,用于获取待测图像的质心距离;
标准化处理模块,用于将获取到的所述质心距离进行标准化处理;
距离量化模块,用于量化经过了标准化处理后的所述质心距离;
第一计算模块,用于计算距离聚合向量;
第二计算模块,用于计算所述待测图像的质心到最大聚合向量之间的距离,以获取特征距离;
图像检索模块,用于用所述特征距离作为图像特征的最终索引进行图像检索。
优选的,所述距离获取模块包括:
轮廓获取子模块,用于利用预设算法对所述待测图像进行边缘检测以得到所述待测图像的轮廓图像;
距离计算子模块,用于计算所述轮廓图像的轮廓点的质心距离,并形成质心距离矩阵。
优选的,所述标准化处理模块,具体用于利用基于显著封闭边界的图像检索算法,将所述质心距离矩阵内的所有质心距离规划至预设范围内。
优选的,所述距离量化模块,具体用于以预设单位将经过了标准化处理后的所述质心距离均匀的量化为n个区间,其中,n为自然数。
优选的,所述第一计算模块包括:
查找子模块,用于利用领域搜索方法查找每个区间的连通像素;
标记子模块,用于将每个区间中连通像素的长度大于或等于预设阈值的像素标记为聚合像素,否则标记为非聚合像素;
统计子模块,用于统计每个区间的聚合像素和非聚合像素的数目。
优选的,所述第二计算模块,具体用于求取每个区间中最大连通区域像素的平均坐标,并计算平均坐标的质心距离。
在本发明实施例中,本发明提供的技术方案,提出一种图像检索的方法及系统,通过提取聚合向量的最大连通区域平均坐标信息,进而计算该坐标的质心距离并将其作为一个新的特征,新增加的质心距离特征向量具有平移、旋转不变性,通过归一化处理还具有尺度不变性,这种方法融入了更多的空间信息,从而可以解决不同的形状仍有相同的距离聚合向量问题,进而提高图像检索的精确度。对于原聚合向量特征和新增加的质心距离特征向量特征这两种不同的形状特征,分别采用了不同的相似性度量函数进行相似度匹配,并通过合理的分配两个特征所占的权值,取得了比原始方法更好的图像检索效果。
附图说明
图1为本发明一实施方式中图像检索的方法流程图;
图2为本发明一实施方式中图1所示步骤S11的详细流程示意图;
图3为本发明一实施方式中256x256的一幅形状图像f(x,y)示意图;
图4为本发明一实施方式中图1所示步骤S14的详细流程示意图;
图5为本发明一实施方式中利用新增加的质心距离特征向量作为图像特征的最终索引进行图像检索的仿真检索效果图;
图6为现有技术中采用距离聚合向量方法进行图像检索的仿真检索效果图;
图7为本发明一实施方式中图像检索的系统结构示意图;
图8为本发明一实施方式中图7的距离获取模块101的内部结构示意图;
图9为本发明一实施方式中图7的第一计算模块104的内部结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明具体实施方式提供了一种图像检索的方法,主要包括如下步骤:
S11、获取待测图像的质心距离;
S12、将获取到的所述质心距离进行标准化处理;
S13、量化经过了标准化处理后的所述质心距离;
S14、计算距离聚合向量;
S15、计算所述待测图像的质心到最大聚合向量之间的距离,以获取特征距离;
S16、用所述特征距离作为图像特征的最终索引进行图像检索。
本发明所提供的一种图像检索的方法,通过提取聚合向量的最大连通区域平均坐标信息,进而计算该坐标的质心距离并将其作为一个新的特征,新增加的质心距离特征向量具有平移、旋转不变性,通过归一化处理还具有尺度不变性,这种方法融入了更多的空间信息,从而可以解决不同的形状仍有相同的距离聚合向量问题,进而提高图像检索的精确度。对于原聚合向量特征和新增加的质心距离特征向量特征这两种不同的形状特征,分别采用了不同的相似性度量函数进行相似度匹配,并通过合理的分配两个特征所占的权值,取得了比原始方法更好的图像检索效果。
以下将对本发明所提供的一种图像检索的方法进行详细说明。
请参阅图1,为本发明一实施方式中图像检索的方法流程图。
在步骤S11中,获取待测图像的质心距离。
在本实施方式中,步骤S11的详细流程主要包括步骤S111-S112,如图2所示。
请参阅图2,为本发明一实施方式中图1所示步骤S11的详细流程示意图。
在步骤S111中,利用预设算法对所述待测图像进行边缘检测以得到所述待测图像的轮廓图像。在本实施方式中,预设算法为Sobel算子算法,待测图像例如为256x256的一幅形状图像f(x,y),如图3所示,步骤中首先读入图3所示的256x256的一幅形状图像f(x,y),然后使用Sobel算子算法对图3的图像进行边缘检测得到图3的轮廓图像B(x,y)。
在步骤S112中,计算所述轮廓图像的轮廓点的质心距离,并形成质心距离矩阵。在本实施方式中,利用如下公式计算所述轮廓图像的轮廓点的质心距离:
其中,c(xc,yc)为质心,
然后将计算得到的所有质心距离形成质心距离矩阵D(x,y)。
请继续参阅图1,在步骤S12中,将获取到的所述质心距离进行标准化处理。在本实施方式中,所述将获取到的所述质心距离进行标准化处理的步骤S12包括:利用基于显著封闭边界的图像检索算法,将所述质心距离矩阵内的所有质心距离规划至预设范围内,其中,预设范围为0至200。
在本实施方式中,由于质心距离矩阵D(x,y)是一个离散的并没有规律的数字集,并且不具有尺度不变性,因此为了计算简便和消除尺度变化的影响,本实施方式通过利用基于显著封闭边界的图像检索算法,将所述质心距离矩阵内的所有质心距离规划到0至200之间:
其中,norm_dis为标准化后的距离值,dis为质心距离矩阵中的数值,dismin和dismax分别为质心距离矩阵中的最小值和最大值。
在步骤S13中,量化经过了标准化处理后的所述质心距离。
在本实施方式中,所述量化经过了标准化处理后的所述质心距离的步骤S13具体包括:以预设单位将经过了标准化处理后的所述质心距离均匀的量化为n个区间,其中,n为自然数。
在步骤S14中,计算距离聚合向量。
在本实施方式中,步骤S14的详细流程主要包括步骤S141-S143,如图4所示。
请参阅图4,为本发明一实施方式中图1所示步骤S14的详细流程示意图。
在步骤S141中,利用领域搜索方法查找每个区间的连通像素。
在步骤S142中,将每个区间中连通像素的长度大于或等于预设阈值的像素标记为聚合像素,否则标记为非聚合像素。
在步骤S143中,统计每个区间的聚合像素和非聚合像素的数目。
请继续参阅图1,在步骤S15中,计算所述待测图像的质心到最大聚合向量之间的距离,以获取特征距离。
在本实施方式中,所述计算所述待测图像的质心到最大聚合向量之间的距离,以获取特征距离的步骤S15包括:求取每个区间中最大连通区域像素的平均坐标,并计算平均坐标的质心距离。在本实施方式中,计算平均坐标的质心距离即为计算所述待测图像的质心到最大聚合向量之间的距离,也就是得到了特征距离(即新增加的质心距离特征向量)。在本实施方式中,如果某个区间中的聚合像素的数目为0,则该坐标记为(0,0)。
在步骤S16中,用所述特征距离作为图像特征的最终索引进行图像检索。
在本实施方式中,所述特征距离是一种综合特征距离。在本实施方式中,数据库中存放了400副不同形状的图形,用同样的方法计算每一幅图像的距离聚合向量和新增加的质心距离特征向量,然后采用欧式距离公式分别度量距离聚合向量和新增加的质心距离特征向量,总的差异度按照如下比例来计算:
其中,ω为特征向量距离的权值,其值在(0,1)之间;和分别为距离聚合向量的差异值和新增加的质心距离特征向量的差异值,Dd(Q,I)为融合后的综合特征距离,用该综合特征距离来作为图像特征的最终索引进行图像检索。
请参阅图5,为本发明一实施方式中利用新增加的质心距离特征向量作为图像特征的最终索引进行图像检索的仿真检索效果图。
请参阅图6,为现有技术中采用距离聚合向量方法进行图像检索的仿真检索效果图。
在本实施方式中,对比图5与图6可知,本发明利用新增加的质心距离特征向量作为图像特征的最终索引进行图像检索,能解决不同的形状仍有相同的距离聚合向量问题,进而提高图像检索的精确度。
本发明所提供的一种图像检索的方法,通过提取聚合向量的最大连通区域平均坐标信息,进而计算该坐标的质心距离并将其作为一个新的特征,新增加的质心距离特征向量具有平移、旋转不变性,通过归一化处理还具有尺度不变性,这种方法融入了更多的空间信息,从而可以解决不同的形状仍有相同的距离聚合向量问题,进而提高图像检索的精确度。对于原聚合向量特征和新增加的质心距离特征向量特征这两种不同的形状特征,分别采用了不同的相似性度量函数进行相似度匹配,并通过合理的分配两个特征所占的权值,取得了比原始方法更好的图像检索效果。
本发明具体实施方式还提供一种图像检索的系统10,主要包括:
距离获取模块101,用于获取待测图像的质心距离;
标准化处理模块102,用于将获取到的所述质心距离进行标准化处理;
距离量化模块103,用于量化经过了标准化处理后的所述质心距离;
第一计算模块104,用于计算距离聚合向量;
第二计算模块105,用于计算所述待测图像的质心到最大聚合向量之间的距离,以获取特征距离;
图像检索模块106,用于用所述特征距离作为图像特征的最终索引进行图像检索。
本发明所提供的一种图像检索的系统10,通过提取聚合向量的最大连通区域平均坐标信息,进而计算该坐标的质心距离并将其作为一个新的特征,新增加的质心距离特征向量具有平移、旋转不变性,通过归一化处理还具有尺度不变性,这种方法融入了更多的空间信息,从而可以解决不同的形状仍有相同的距离聚合向量问题,进而提高图像检索的精确度。对于原聚合向量特征和新增加的质心距离特征向量特征这两种不同的形状特征,分别采用了不同的相似性度量函数进行相似度匹配,并通过合理的分配两个特征所占的权值,取得了比原始方法更好的图像检索效果。
请参阅图7,所示为本发明一实施方式中图像检索的系统10的结构示意图。在本实施方式中,图像检索的系统10包括距离获取模块101、标准化处理模块102、距离量化模块103、第一计算模块104、第二计算模块105以及图像检索模块106。
距离获取模块101,用于获取待测图像的质心距离。在本实施方式中,距离获取模块101具体包括轮廓获取子模块1011以及距离计算子模块1012,如图8所示。
请参阅图8,所示为本发明一实施方式中图7的距离获取模块101的内部结构示意图。
轮廓获取子模块1011,用于利用预设算法对所述待测图像进行边缘检测以得到所述待测图像的轮廓图像。在本实施方式中,预设算法为Sobel算子算法,待测图像例如为256x256的一幅形状图像f(x,y),如图3所示,首先读入图3所示的256x256的一幅形状图像f(x,y),然后使用Sobel算子算法对图3的图像进行边缘检测得到图3的轮廓图像B(x,y)。
距离计算子模块1012,用于计算所述轮廓图像的轮廓点的质心距离,并形成质心距离矩阵。在本实施方式中,利用如下公式计算所述轮廓图像的轮廓点的质心距离:
其中,c(xc,yc)为质心,
然后将计算得到的所有质心距离形成质心距离矩阵D(x,y)。
请继续参阅图7,标准化处理模块102,用于将获取到的所述质心距离进行标准化处理。在本实施方式中,标准化处理模块102,具体用于利用基于显著封闭边界的图像检索算法,将所述质心距离矩阵内的所有质心距离规划至预设范围内,其中,预设范围为0至200。
在本实施方式中,由于质心距离矩阵D(x,y)是一个离散的并没有规律的数字集,并且不具有尺度不变性,因此为了计算简便和消除尺度变化的影响,本实施方式通过利用基于显著封闭边界的图像检索算法,将所述质心距离矩阵内的所有质心距离规划到0至200之间:
其中,norm_dis为标准化后的距离值,dis为质心距离矩阵中的数值,dismin和dismax分别为质心距离矩阵中的最小值和最大值。
距离量化模块103,用于量化经过了标准化处理后的所述质心距离。
在本实施方式中,距离量化模块103,具体用于以预设单位将经过了标准化处理后的所述质心距离均匀的量化为n个区间,其中,n为自然数。
第一计算模块104,用于计算距离聚合向量。
在本实施方式中,第一计算模块104具体包括查找子模块1041、标记子模块1042以及统计子模块1043,如图9所示。
请参阅图9,所示为本发明一实施方式中图7的第一计算模块104的内部结构示意图。
查找子模块1041,用于利用领域搜索方法查找每个区间的连通像素。
标记子模块1042,用于将每个区间中连通像素的长度大于或等于预设阈值的像素标记为聚合像素,否则标记为非聚合像素。
统计子模块1043,用于统计每个区间的聚合像素和非聚合像素的数目。
请继续参阅图7,第二计算模块105,用于计算所述待测图像的质心到最大聚合向量之间的距离,以获取特征距离。
在本实施方式中,第二计算模块105,具体用于求取每个区间中最大连通区域像素的平均坐标,并计算平均坐标的质心距离。在本实施方式中,计算平均坐标的质心距离即为计算所述待测图像的质心到最大聚合向量之间的距离,也就是得到了特征距离(即新增加的质心距离特征向量)。在本实施方式中,如果某个区间中的聚合像素的数目为0,则该坐标记为(0,0)。
图像检索模块106,用于用所述特征距离作为图像特征的最终索引进行图像检索。
在本实施方式中,所述特征距离是一种综合特征距离。在本实施方式中,数据库中存放了400副不同形状的图形,用同样的方法计算每一幅图像的距离聚合向量和新增加的质心距离特征向量,然后采用欧式距离公式分别度量距离聚合向量和新增加的质心距离特征向量,总的差异度按照如下比例来计算:
其中,ω为特征向量距离的权值,其值在(0,1)之间;和分别为距离聚合向量的差异值和新增加的质心距离特征向量的差异值,Dd(Q,I)为融合后的综合特征距离,用该综合特征距离来作为图像特征的最终索引进行图像检索。
本发明所提供的一种图像检索的系统10,通过提取聚合向量的最大连通区域平均坐标信息,进而计算该坐标的质心距离并将其作为一个新的特征,新增加的质心距离特征向量具有平移、旋转不变性,通过归一化处理还具有尺度不变性,这种方法融入了更多的空间信息,从而可以解决不同的形状仍有相同的距离聚合向量问题,进而提高图像检索的精确度。对于原聚合向量特征和新增加的质心距离特征向量特征这两种不同的形状特征,分别采用了不同的相似性度量函数进行相似度匹配,并通过合理的分配两个特征所占的权值,取得了比原始方法更好的图像检索效果。
在本发明实施例中,本发明提供的技术方案,通过提取聚合向量的最大连通区域平均坐标信息,进而计算该坐标的质心距离并将其作为一个新的特征,新增加的质心距离特征向量具有平移、旋转不变性,通过归一化处理还具有尺度不变性,这种方法融入了更多的空间信息,从而可以解决不同的形状仍有相同的距离聚合向量问题,进而提高图像检索的精确度。对于原聚合向量特征和新增加的质心距离特征向量特征这两种不同的形状特征,分别采用了不同的相似性度量函数进行相似度匹配,并通过合理的分配两个特征所占的权值,取得了比原始方法更好的图像检索效果。
值得注意的是,上述实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种图像检索的方法,其特征在于,所述方法包括:
获取待测图像的质心距离;
将获取到的所述质心距离进行标准化处理;
量化经过了标准化处理后的所述质心距离;
计算距离聚合向量;
计算所述待测图像的质心到最大聚合向量之间的距离,以获取特征距离;
用所述特征距离作为图像特征的最终索引进行图像检索。
2.如权利要求1所述的图像检索的方法,其特征在于,所述获取待测图像的质心距离的步骤包括:
利用预设算法对所述待测图像进行边缘检测以得到所述待测图像的轮廓图像;
计算所述轮廓图像的轮廓点的质心距离,并形成质心距离矩阵。
3.如权利要求2所述的图像检索的方法,其特征在于,所述将获取到的所述质心距离进行标准化处理的步骤包括:
利用基于显著封闭边界的图像检索算法,将所述质心距离矩阵内的所有质心距离规划至预设范围内。
4.如权利要求1所述的图像检索的方法,其特征在于,所述量化经过了标准化处理后的所述质心距离的步骤包括:
以预设单位将经过了标准化处理后的所述质心距离均匀的量化为n个区间,其中,n为自然数。
5.如权利要求1所述的图像检索的方法,其特征在于,所述计算距离聚合向量的步骤包括:
利用领域搜索方法查找每个区间的连通像素;
将每个区间中连通像素的长度大于或等于预设阈值的像素标记为聚合像素,否则标记为非聚合像素;
统计每个区间的聚合像素和非聚合像素的数目。
6.如权利要求5所述的图像检索的方法,其特征在于,所述计算所述待测图像的质心到最大聚合向量之间的距离,以获取特征距离的步骤包括:
求取每个区间中最大连通区域像素的平均坐标,并计算平均坐标的质心距离。
7.一种图像检索的系统,其特征在于,所述系统包括:
距离获取模块,用于获取待测图像的质心距离;
标准化处理模块,用于将获取到的所述质心距离进行标准化处理;
距离量化模块,用于量化经过了标准化处理后的所述质心距离;
第一计算模块,用于计算距离聚合向量;
第二计算模块,用于计算所述待测图像的质心到最大聚合向量之间的距离,以获取特征距离;
图像检索模块,用于用所述特征距离作为图像特征的最终索引进行图像检索。
8.如权利要求7所述的图像检索的系统,其特征在于,所述距离获取模块包括:
轮廓获取子模块,用于利用预设算法对所述待测图像进行边缘检测以得到所述待测图像的轮廓图像;
距离计算子模块,用于计算所述轮廓图像的轮廓点的质心距离,并形成质心距离矩阵。
9.如权利要求8所述的图像检索的系统,其特征在于,所述标准化处理模块,具体用于利用基于显著封闭边界的图像检索算法,将所述质心距离矩阵内的所有质心距离规划至预设范围内。
10.如权利要求7所述的图像检索的系统,其特征在于,所述距离量化模块,具体用于以预设单位将经过了标准化处理后的所述质心距离均匀的量化为n个区间,其中,n为自然数。
11.如权利要求7所述的图像检索的系统,其特征在于,所述第一计算模块包括:
查找子模块,用于利用领域搜索方法查找每个区间的连通像素;
标记子模块,用于将每个区间中连通像素的长度大于或等于预设阈值的像素标记为聚合像素,否则标记为非聚合像素;
统计子模块,用于统计每个区间的聚合像素和非聚合像素的数目。
12.如权利要求11所述的图像检索的系统,其特征在于,所述第二计算模块,具体用于求取每个区间中最大连通区域像素的平均坐标,并计算平均坐标的质心距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310745844.4A CN103744931A (zh) | 2013-12-30 | 2013-12-30 | 一种图像检索的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310745844.4A CN103744931A (zh) | 2013-12-30 | 2013-12-30 | 一种图像检索的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103744931A true CN103744931A (zh) | 2014-04-23 |
Family
ID=50501949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310745844.4A Pending CN103744931A (zh) | 2013-12-30 | 2013-12-30 | 一种图像检索的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103744931A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462502A (zh) * | 2014-12-19 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种基于特征融合的图像检索方法 |
CN107844541A (zh) * | 2017-10-25 | 2018-03-27 | 北京奇虎科技有限公司 | 图像查重的方法及装置 |
CN104462502B (zh) * | 2014-12-19 | 2018-08-31 | 中国科学院深圳先进技术研究院 | 一种基于特征融合的图像检索方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020063718A1 (en) * | 2000-10-21 | 2002-05-30 | Samsung Electronics Co., Ltd. | Shape descriptor extracting method |
US20050012815A1 (en) * | 2001-12-31 | 2005-01-20 | Woo-Young Lim | Apparatus and method for abstracting motion picture shape descriptor including statistical characteristic of still picture shape descriptor, and video indexing system and method using the same |
CN101859326A (zh) * | 2010-06-09 | 2010-10-13 | 南京大学 | 一种图像检索方法 |
CN103226584A (zh) * | 2013-04-10 | 2013-07-31 | 湘潭大学 | 形状描述符的构建方法及基于该描述符的图像检索方法 |
-
2013
- 2013-12-30 CN CN201310745844.4A patent/CN103744931A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020063718A1 (en) * | 2000-10-21 | 2002-05-30 | Samsung Electronics Co., Ltd. | Shape descriptor extracting method |
US20050012815A1 (en) * | 2001-12-31 | 2005-01-20 | Woo-Young Lim | Apparatus and method for abstracting motion picture shape descriptor including statistical characteristic of still picture shape descriptor, and video indexing system and method using the same |
CN101859326A (zh) * | 2010-06-09 | 2010-10-13 | 南京大学 | 一种图像检索方法 |
CN103226584A (zh) * | 2013-04-10 | 2013-07-31 | 湘潭大学 | 形状描述符的构建方法及基于该描述符的图像检索方法 |
Non-Patent Citations (1)
Title |
---|
赵永刚: "图像检索中形状描述和匹配算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462502A (zh) * | 2014-12-19 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种基于特征融合的图像检索方法 |
CN104462502B (zh) * | 2014-12-19 | 2018-08-31 | 中国科学院深圳先进技术研究院 | 一种基于特征融合的图像检索方法 |
CN107844541A (zh) * | 2017-10-25 | 2018-03-27 | 北京奇虎科技有限公司 | 图像查重的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | MARCH: Multiscale-arch-height description for mobile retrieval of leaf images | |
Salti et al. | SHOT: Unique signatures of histograms for surface and texture description | |
CN102236675B (zh) | 图像特征点匹配对处理、图像检索方法及设备 | |
KR100353798B1 (ko) | 영상 객체 모양 정보 추출 방법 및 그를 이용한 내용기반 이미지 검색 시스템 및 그 방법 | |
CN102176208B (zh) | 基于三维空时特征的鲁棒视频指纹方法 | |
Kim et al. | Predicting good features for image geo-localization using per-bundle vlad | |
CN106407311A (zh) | 获取搜索结果的方法和装置 | |
JP2013025799A (ja) | 画像検索方法、システム、及びプログラム | |
CN104376003A (zh) | 一种视频检索方法及装置 | |
CN104199842A (zh) | 一种基于局部特征邻域信息的相似图片检索方法 | |
WO2020199773A1 (zh) | 图像检索方法及装置和计算机可读存储介质 | |
US8948517B2 (en) | Landmark localization via visual search | |
Sfikas et al. | Partial matching of 3D cultural heritage objects using panoramic views | |
Wu et al. | An efficient visual loop closure detection method in a map of 20 million key locations | |
JP2019211913A (ja) | 特徴量抽出装置、方法、及びプログラム | |
CN111373393B (zh) | 图像检索方法和装置以及图像库的生成方法和装置 | |
Sarohi et al. | Image retrieval using perceptual hashing | |
Jang et al. | A linear-time approximation of the earth mover's distance | |
Kong et al. | Robust convnet landmark-based visual place recognition by optimizing landmark matching | |
CN106886783A (zh) | 一种基于区域特征的图像检索方法及系统 | |
CN103744931A (zh) | 一种图像检索的方法及系统 | |
Hou et al. | Tree-based indexing for real-time ConvNet landmark-based visual place recognition | |
CN104616302A (zh) | 一种目标实时识别方法 | |
CN104978729A (zh) | 一种基于数据感知的图像哈希方法 | |
Daras et al. | 3D model search and retrieval based on the spherical trace transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140423 |
|
RJ01 | Rejection of invention patent application after publication |