CN104111947B - 一种遥感图像的检索方法 - Google Patents
一种遥感图像的检索方法 Download PDFInfo
- Publication number
- CN104111947B CN104111947B CN201310137554.1A CN201310137554A CN104111947B CN 104111947 B CN104111947 B CN 104111947B CN 201310137554 A CN201310137554 A CN 201310137554A CN 104111947 B CN104111947 B CN 104111947B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- resolution
- image
- search method
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感图像的检索方法,首先是遥感影像获取和预处理;然后检测与描述底层视觉特征,聚类生成视觉词汇表;再基于隐含狄利克雷分配模型进行遥感信息检索;最后实现较高精度的地物检索;采用本发明所提供的遥感图像的检索方法,具有较好的降维效果,检索准确度更高,可将检索地图准确标识。
Description
技术领域
本发明涉及一种遥感图像的检索方法,具体的说,是涉及一种基于隐含狄利克雷分配模型(Latent Dirichlet Allocation - LDA)的快速高分辨率遥感信息检索方法,属于遥感领域。
背景技术
近年来,各式各样的传感器无时不刻不在采集各种时间、空间和光谱分辨率的遥感影像,产生了呈几何级数增长的遥感数据。但实际上,多源海量遥感数据的利用率仍然较低,从遥感数据中获得并使用的信息不足以满足各种应用的需求。在海量遥感数据的存储和管理方面,NASA的WIST、USGS、Geospatial One-Stop、欧盟的INSPIRE、eoPortal和我国的地球系统科学数据共享网等遥感数据分发共享网站,仍采用集中式的数据中心方式,以单文件的形式存储和组织遥感数据;也通常只支持基于元数据的遥感数据在线检索。这使得科学研究者和数据用户需花费大量精力来寻找他们所感兴趣的遥感数据,而对于使用者更高层次的需求——高分辨率遥感影像中的高精度信息检索,如各种人工地物的检测与统计,它们更是无能为力。这表明,此方式已无法应对当前高产、海量和复杂的遥感数据,也无法满足广大用户高时效检索并使用遥感数据的需求。
在图像检索领域,像当前作为主流技术是基于内容的图像检索。但是仅仅从图像底层视觉特征层次进行检索,无法达到人类解译图像的层次高度,即无法跨跃所谓的“语义鸿沟”,无法真正满足用户的查询需求。在计算机视觉领域,主要有Bag of Words模型和星形图空间模型,以及更高层次上的场景检索,但也面临着海量像素、海量类别和海量图像的问题。
传统遥感影像检索系统主要是基于遥感影像的元数据、底层视觉特征或语义标注来实现检索功能,但当面对高分辨率遥感影像的海量性时,会因为计算量大或人力标注工作量大而显得力不从心,无法兼顾时效性和准确性。
发明内容
为解决上述技术问题,本发明的目的在于提供一种具有较好的降维效果,检索准确度更高的遥感图像的检索方法。
为达到上述目的,本发明的技术方案如下:一种遥感图像的检索方法,具体检索步骤如下:
步骤一:高分辨率遥感影像集获取;
步骤二:小影像集大文件预处理;
步骤三:底层视觉特征检测与描述;
步骤四:视觉词汇表聚类生成;
步骤五:基于隐含狄利克雷分配模型的遥感影像检索排序;
步骤六:高分辨率遥感影像精确地物检索。
进一步地,步骤三中检测底层视觉特征的具体方法为:采用最大稳定极值区域和Harris-Affine两种底层视觉特征来完成,再使用SIFT128维特征描述器进行描述。
进一步地,步骤四中视觉词汇表聚类生成的具体方法为选择聚类分析。
进一步地,步骤五中隐含狄利克雷分配模型的建立方法为:从高分辨率遥感影像集的视觉词项—遥感影像共现矩阵处理开始,首先,进行遥感影像集级参数的计算;然后,计算主题数;按照预先设定逐渐增大的不同主题数,计算出多组参数,获得多个高分辨率遥感影像集的隐含狄利克雷分配模型;同时计算每个模型的困惑度,取当困惑度局部极小值时对应的主题数作为当前隐含狄利克雷分配模型的最优主题数,高分辨率遥感影像集的隐含狄利克雷分配模型建立完成。
进一步地,步骤五中遥感影像检索排序的方法为:通过从视觉词汇—主题概率矩阵中取出相应的行,得到组成待查高分辨率遥感影像中视觉词项与所有主题的概率关系矩阵,再乘以主题—遥感影像概率矩阵得出待查高分辨率遥感影像中各词项与高分辨率遥感影像中各遥感影像的概率关系矩阵。
进一步地,所有主题的概率关系矩阵与主题—遥感影像概率矩阵采用对数化简求和的方式进行求积计算,采用以下公式计算:
式中,为待查遥感影像与张遥感影像的相似概率, 为待查遥感影像中第个视觉词项与第张遥感影像的相似概率;之后,系统对得出的待查遥感影像与高分辨率遥感影像库中各幅遥感影像的相似概率行向量按数值进行排序,按由高到低的相似程度返回高分辨率遥感影像查询结果。
采用上述技术方案,本发明技术方案的有益效果是:一种遥感图像的检索方法,具有较好的降维效果,检索准确度更高,可将检索地图准确标识;检测底层视觉特征的方法是通过采用最大稳定极值区域和Harris-Affine两种底层视觉特征来完成,能够为遥感影像提取更稳定视觉特征;采用隐含狄利克雷分配模型,在一定程度上适用于新引入的影像文档和主题,显著提高了模型的扩展性。
附图说明
为了更清楚地说明本发明实施例技术中的技术方案,下面将对实施例技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种遥感图像的检索方法的流程图;
图2为本发明一种遥感图像的检索方法的隐含利克雷分配模型检索排序流程;
图3为本发明一种遥感图像的检索方法检索遥感影像图;
图4为本发明一种遥感图像的检索方法主题数为10时检索结果图;
图5为本发明一种遥感图像的检索方法主题数为30时检索结果图;
图6为本发明一种遥感图像的检索方法主题数为50时检索结果图;
图7为本发明一种遥感图像的检索方法主题数为70时检索结果图;
图8为本发明一种遥感图像的检索方法主题数为100时检索结果图;
图9为本发明一种遥感图像的检索方法主题数为150时检索结果图;
图10为本发明一种遥感图像的检索方法主题数为200时检索结果图;
图11为本发明一种遥感图像的检索方法不同主题数时隐含利克雷分配模型的查准率;
图12为一种遥感图像的检索方法用户指定的待检索地物图;
图13为本发明一种遥感图像的检索方法精确地物检索效果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
一种遥感图像的检索方法,如图1流程图所示,具体检索步骤如下:
步骤一:高分辨率遥感影像集获取,通过学术研究申请免费下载或数据购买的方式,获取高分辨率遥感影像数据集,并存储到高性能平台中;
步骤二:小影像集大文件预处理,对获取到的各幅高分辨率遥感影像以指定长宽进行规则格网重新划分,再将所得的小影像集合并以“大文件—索引”和“大文件—数据”的形式进行保存,以满足高性能计算环境中遥感影像并行处理的数据要求;
步骤三:底层视觉特征检测与描述,对保存为小影像集大文件结构的大幅面高分辨率遥感影像数据集进行全局并行的高效底层视觉特征提取;检测底层视觉特征的具体方法为:采用最大稳定极值区域和Harris-Affine两种底层视觉特征来完成,再使用SIFT128维特征描述器进行描述,采用这两种底层视觉特征特征是因为它们能较好地为遥感影像提取稳定的视觉特征。检测后可以得到每个兴趣点的仿射协变区域椭圆参数描述(位置、尺度、方向),将SIFT 128维特征描述统计和多维向量相结合,采用4 ×4像素子窗口,45度一个方向,共8个方向梯度统计,总共有128维。
步骤四:视觉词汇表聚类生成,对底层视觉特征进行全局并行的高效聚类分析,形成自定义数量的视觉词项,作为遥感影像描述和后文检索的基础;获得高分辨率遥感影像特征描述向量后,需要采取一定方式进行精简提炼,提取出一个对高分辨率遥感影像的抽象描述集合,即高分辨率遥感影像的视觉词汇表。选择聚类分析作为处理高分辨率遥感影像底层特征描述生成高分辨率遥感影像视觉词汇的基本方法。
步骤五:基于隐含狄利克雷分配模型的遥感影像检索排序,采用概率主题模型中著名的隐含狄利克雷分配模型,对遥感影像集进行生成模型训练,计算出潜在主题和相关概率矩阵,再根据此时建立的三层贝叶斯模型进行推理,检索出相似的遥感影像,并排序;如图2所示,左侧分支流程为待查遥感影像的量化过程,核心的部分为右侧矩形框中遥感影像集模型隐含狄利克雷分配模型的建立过程。从高分辨率遥感影像集的视觉词项—遥感影像共现矩阵处理开始,首先,进行遥感影像集级参数的计算;然后,计算主题数;按照预先设定逐渐增大的不同主题数,计算出多组参数,获得多个高分辨率遥感影像集的隐含狄利克雷分配模型;同时计算每个模型的困惑度,取当困惑度局部极小值时对应的主题数作为当前隐含狄利克雷分配模型的最优主题数,高分辨率遥感影像集的隐含狄利克雷分配模型建立完成。
通过对待查高分辨率遥感影像进行视觉特征检测与描述及视觉词项映射,可将待查高分辨率遥感影像转换成视觉词项序列向量,表示为一个视觉词项的索引序列。通过从视觉词汇—主题概率矩阵中取出相应的行,得到组成待查高分辨率遥感影像中视觉词项与所有主题的概率关系矩阵。再乘以主题—遥感影像概率矩阵得出待查高分辨率遥感影像中各词项与高分辨率遥感影像中各遥感影像的概率关系矩阵。
由于每个遥感影像的概率可看作是它的每个视觉词项概率的乘积,即,可以将矩阵的每一列进行连乘,即得到待查遥感影像与每张遥感影像的相似概率。这里值得注意的是,由于共现矩阵的行列数往往成千上万,所以矩阵φ与θ中的各项的值都非常小。在实际计算中,非常容易因乘积过小而导致结果变成零。于是,本发明采用对数化简求和的方式进行求积计算,采用以下公式计算:
式中,为待查遥感影像与张遥感影像的相似概率, 为待查遥感影像中第个视觉词项与第张遥感影像的相似概率;之后,系统对得出的待查遥感影像与高分辨率遥感影像库中各幅遥感影像的相似概率行向量按数值进行排序,按由高到低的相似程度返回高分辨率遥感影像查询结果。
步骤六:高分辨率遥感影像精确地物检索,在基于主题模型的遥感影像检索基础之上,已经可以粗略的获得包含相似地物的遥感影像。地物检索步骤通过基于滑动窗口和梯度约束的地物识别方法,实现对地物的精确标识和检索。
隐含狄利克雷分配模型本质上是一种概率主题模型,基于隐含狄利克雷分配模型进行遥感影像检索时,首先需要对影像进行模型训练,计算出潜在主题以及相关概率矩阵,再根据建立的三层贝叶斯模型进行推理,检索得到近似的遥感影像,从而为精确地物定位与检索提供基础。采用该模型可以在一定程度上适用于新引入的影像文档和主题,显著提高了模型的扩展性。
隐含狄利克雷分配模型引入了狄利克雷概率分布,狄利克雷分布是一个描述n维样本空间x1,x2,…xn概率的n维概率分布,因此,它也是描述“分布的分布”。 隐含狄利克雷分配模型其本质是一个三层贝叶斯模型。它将词项、主题和文档三个层次,通过基于概率的有限混合组织起来。每个文档可以表示为多个主题的有限概率混合,而每个主题对应于词汇表上的一个多项式分布,主题被文档集中的所有文档所共享。文档集D中的文档w的产生过程可描述如下:
1)选择文档字数N,N~Possion(ξ),即文档的长度;
2)选择θ,θ~Dir(α),θ是一个列向量,表示主题发生的概率;
3)对于所选的N个词项中的每一个词项:
——选择一个主题,~Multinomial(θ),即当前选中的主题;
——根据概率,选择一个词项,其中是在主题条件下的一个多项式概率。
给定参数α和β,主题混合变量θ、N个主题的集合z 和N个词项的集合W的联合概率可定义为:
通过连乘独立文档的边缘概率,就可以获得文档集的概率:
隐含利克雷分配模型的参数推导和选取部分:
1)文档集级参数α、β , 基于采样的算法即Gibbs采样来推导参数;
2)主题数选取,通过比较困惑度(perplexity)来确定最适主题数。
一般情况下,可以取困惑度局部极小值对应的主题数作为最优主题数。
实施例2
为验证本发明具有较好的降维效果,检索准确度更高,对建立的高分辨率遥感影像库,分别进行基于潜在语义分析和基于隐含狄利克雷分配的高分辨率遥感影像检索实验。通过调整两种模型中降维维度和主题数,验证隐含狄利克雷分配的检索优势。
本实验原始数据使用2009 年北京顺义区一块经度范围为116.63085669 至116.67480200、纬度范围为40.11169071 至40.14530795 的GeoEye-1 0.41 米8192×8192像素的高分辨率遥感影像数据,对该幅高分辨率遥感影像通过规则格网划分成256×256像素的小影像块共计1024幅,以每幅小影像作为独立的检索对象进行实验。
本实验所使用的视觉词汇表为采用聚类生成的最大稳定极值区域和Harris-Affine两种类型的视觉词项各1000个,共计2000个。通过对高分辨率遥感影像库中各幅遥感影像进行特征检测与描述及最临近方法进行视觉词项关联,可获得各幅遥感影像的视觉词项描述,即获得了该高分辨率遥感影像的视觉词项—遥感影像共现矩阵。
检索遥感影像为本高分辨率遥感影像集中的一幅包含两栋高大建筑的遥感影像,如图3所示。基于隐含狄利克雷分配模型的高分辨率遥感影像检索实验,本实验也同样使用已有的高分辨率遥感影像库的视觉词项—遥感影像共现矩阵,进行模型训练。通过分别设定该模型的主题数为10、30、50、70、100、150和200七种进行高分辨率遥感影像检索排序实验。检索效果如图4-图10所示,下面分别列出七种主题数时前20幅遥感影像检索结果,按照从左往右、从上到下的顺序,相似度逐渐降低。在本检索实验中,在主题数为10时,检索影像就已出现在检索结果的第二位,但其它遥感影像的相似度不高。在主题数为30时,检索影像排到检索结果第一,并且其它遥感影像的相似度已很高。总体上看,随着主题数的增多,检索结果相似度越来越高。
对实验所建立的高分辨率遥感影像集的1024幅遥感影像进行人工统计,其中与实验中使用的检索影像相似的共有78幅。对不同主题数时,检索结果前五十幅中包含高大建筑物的遥感影像进行统计,计算出的查准率如图11所示。
如图11所示,随着降维维度增加,基于潜在语义分析的高分辨率遥感影像检索方法查准率并没有太大改变,一直徘徊在0.3左右。而随着主题数增加,基于隐含狄利克雷分配的高分辨率遥感影像检索方法查准率增加迅速。当主题数达到40时,其查准率已达到0.9,而后一直稳定的保持在0.9以上。这说明基于隐含狄利克雷分配的高分辨率遥感影像检索方法不仅降维效果好,而且检索准确度更高。
如图12所示,为用户指定的待检索地物,如图13所示,为影像库与待检索地物近似的地物检索结果,最终基于滑动窗口的精确地物检索结果可看出,基于隐含狄利克雷分配模型检索排序,可得到相似度很高的影像,最终通过滑动窗口和梯度约束的简单方法即可将检索地图准确标识。
通过上述技术方案,本发明技术方案的有益效果是:一种遥感图像的检索方法,具有较好的降维效果,检索准确度更高,可将检索地图准确标识;检测底层视觉特征的方法是通过采用最大稳定极值区域和Harris-Affine两种底层视觉特征来完成,能够为遥感影像提取更稳定视觉特征;采用隐含狄利克雷分配模型,在一定程度上适用于新引入的影像文档和主题,显著提高了模型的扩展性。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种遥感图像的检索方法,其特征在于,具体检索步骤如下:
步骤一:高分辨率遥感影像集获取;
步骤二:小影像集大文件预处理;
步骤三:底层视觉特征检测与描述;
步骤四:视觉词汇表聚类生成;
步骤五:基于隐含狄利克雷分配模型的遥感影像检索排序;所述隐含狄利克雷分配模型的建立方法为:从高分辨率遥感影像集的视觉词项—遥感影像共现矩阵处理开始,首先,进行遥感影像集级参数的计算;然后,计算主题数;按照预先设定逐渐增大的不同主题数,计算出多组参数,获得多个高分辨率遥感影像集的隐含狄利克雷分配模型;同时计算每个模型的困惑度,取当困惑度局部极小值时对应的主题数作为当前隐含狄利克雷分配模型的最优主题数,高分辨率遥感影像集的隐含狄利克雷分配模型建立完成;所述遥感影像检索排序的方法为:通过从视觉词汇—主题概率矩阵中取出相应的行,得到组成待查高分辨率遥感影像中视觉词项与所有主题的概率关系矩阵,再乘以主题—遥感影像概率矩阵得出待查高分辨率遥感影像中各词项与高分辨率遥感影像中各遥感影像的概率关系矩阵;所有主题的概率关系矩阵与主题—遥感影像概率矩阵采用对数化简求和的方式进行求积计算,采用以下公式计算:
式中,为待查遥感影像与张遥感影像的相似概率, 为待查遥感影像中第个视觉词项与第张遥感影像的相似概率;之后,系统对得出的待查遥感影像与高分辨率遥感影像库中各幅遥感影像的相似概率行向量按数值进行排序,按由高到低的相似程度返回高分辨率遥感影像查询结果;
步骤六:高分辨率遥感影像精确地物检索。
2.根据权利要求1所述的遥感图像的检索方法,其特征在于,步骤三中检测底层视觉特征的具体方法为:采用最大稳定极值区域和Harris-Affine两种底层视觉特征来完成,再使用SIFT128维特征描述器进行描述。
3.根据权利要求1所述的遥感图像的检索方法,其特征在于,步骤四中视觉词汇表聚类生成的具体方法为选择聚类分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310137554.1A CN104111947B (zh) | 2013-04-19 | 2013-04-19 | 一种遥感图像的检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310137554.1A CN104111947B (zh) | 2013-04-19 | 2013-04-19 | 一种遥感图像的检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104111947A CN104111947A (zh) | 2014-10-22 |
CN104111947B true CN104111947B (zh) | 2017-10-27 |
Family
ID=51708742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310137554.1A Expired - Fee Related CN104111947B (zh) | 2013-04-19 | 2013-04-19 | 一种遥感图像的检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104111947B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654137B (zh) * | 2015-12-31 | 2019-01-11 | 中国科学院电子学研究所 | 一种海量遥感数据分类组织方法 |
CN105930836B (zh) * | 2016-04-19 | 2020-01-03 | 北京奇艺世纪科技有限公司 | 一种视频文字的识别方法和装置 |
CN106528644B (zh) * | 2016-10-14 | 2020-07-31 | 航天恒星科技有限公司 | 一种遥感数据的检索方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877007A (zh) * | 2010-05-18 | 2010-11-03 | 南京师范大学 | 融合空间方位关系语义的遥感图像检索方法 |
CN102254303A (zh) * | 2011-06-13 | 2011-11-23 | 河海大学 | 遥感图像分割方法及遥感图像检索方法 |
-
2013
- 2013-04-19 CN CN201310137554.1A patent/CN104111947B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877007A (zh) * | 2010-05-18 | 2010-11-03 | 南京师范大学 | 融合空间方位关系语义的遥感图像检索方法 |
CN102254303A (zh) * | 2011-06-13 | 2011-11-23 | 河海大学 | 遥感图像分割方法及遥感图像检索方法 |
Non-Patent Citations (4)
Title |
---|
一种基于密度的自适应最优LDA模型选择方法;曹娟等;《计算机学报》;20081015;第31卷(第10期);第2.1节,第4节第14段 * |
基于Harris-Affine特征的图像检索系统研究与实现;杨健;《中国优秀硕士学位论文全文数据库 信息科技辑》;20090515(第5期);第2.2.3节 * |
基于LDA模型的图像检索系统研究;吕英丽等;《河北建筑工程学院学报》;20120930;第30卷(第3期);第4段第1-4行 * |
最大稳定极值区域在图像检索领域的应用研究;吴宇锋;《中国优秀硕士论文全文数据库 信息科技辑》;20090515(第5期);第4.2.1-4.1.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104111947A (zh) | 2014-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tuarob et al. | Automatic tag recommendation for metadata annotation using probabilistic topic modeling | |
Fried et al. | Maps of computer science | |
Giannakidou et al. | Co-clustering tags and social data sources | |
CN105138672B (zh) | 一种多特征融合的图像检索方法 | |
Xie et al. | Fast and accurate near-duplicate image search with affinity propagation on the ImageWeb | |
Nocaj et al. | Organizing search results with a reference map | |
CN105426529A (zh) | 基于用户搜索意图定位的图像检索方法及系统 | |
CN103810252A (zh) | 一种基于群稀疏特征选择的图像检索方法 | |
Zheng et al. | MMDF-LDA: An improved Multi-Modal Latent Dirichlet Allocation model for social image annotation | |
CN105205135A (zh) | 一种基于主题模型的3d模型检索方法及其检索装置 | |
CN105740378A (zh) | 一种数字病理全切片图像检索方法 | |
CN103440262A (zh) | 基于相关反馈和Bag-of-Features的图像检索系统及方法 | |
CN102081666B (zh) | 用于分布式图片搜索的索引构建方法和装置 | |
CN104111947B (zh) | 一种遥感图像的检索方法 | |
Adelfio et al. | Similarity search on a large collection of point sets | |
CN104965928A (zh) | 一种基于形状匹配的汉字图像检索方法 | |
Zhang et al. | A novel web video event mining framework with the integration of correlation and co-occurrence information | |
Moumtzidou et al. | Verge in vbs 2017 | |
CN112650869B (zh) | 图像检索重排序方法、装置、电子设备及存储介质 | |
He et al. | Dropout non-negative matrix factorization for independent feature learning | |
Meiyu et al. | Image semantic description and automatic semantic annotation | |
Richter et al. | Leveraging community metadata for multimodal image ranking | |
Song et al. | A textural feature-based image retrieval algorithm | |
Pushplata et al. | An analytical assessment on document clustering | |
Liu et al. | Creating descriptive visual words for tag ranking of compressed social image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171027 Termination date: 20190419 |