CN104142978B - 一种基于多特征和稀疏表示的图像检索系统及方法 - Google Patents
一种基于多特征和稀疏表示的图像检索系统及方法 Download PDFInfo
- Publication number
- CN104142978B CN104142978B CN201410333879.1A CN201410333879A CN104142978B CN 104142978 B CN104142978 B CN 104142978B CN 201410333879 A CN201410333879 A CN 201410333879A CN 104142978 B CN104142978 B CN 104142978B
- Authority
- CN
- China
- Prior art keywords
- image
- dictionary
- similarity
- module
- clog
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 230000002452 interceptive effect Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 33
- 230000006835 compression Effects 0.000 claims description 11
- 238000007906 compression Methods 0.000 claims description 11
- 230000002596 correlated effect Effects 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims 1
- 238000005286 illumination Methods 0.000 abstract description 8
- 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 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013549 information retrieval technique Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
本发明公开了一种基于多特征和稀疏表示的图像检索系统及方法，系统包括特征提取模块、特征字典构造模块、相似性度量模块、信息存储模块、查询交互模块。所述特征提取模块，采用结合形状和颜色的图像特征，色彩增强高斯拉普拉斯特征(CLOG特征)和SURF特征；所述特征字典构造模块，通过在线字典学习算法，将原始特征压缩为过完备字典特征，弥补了原始特征过于稠密的缺点；所述相似性度量模块，引入稀疏表示理论，比较查询图像由原字典和相关字典表示产生的残差大小，判断两幅图像的相似度，避免了传统相似性度量方法特征依赖性较高的问题。本发明可以有效检索旋转、噪声、光照变化图像，显著提高了图像检索的鲁棒性。
Description
技术领域
本发明涉及基于内容的图像检索技术领域，具体涉及一种基于多特征和稀疏表示的鲁棒性的图像检索系统及方法。
背景技术
随着计算机、多媒体、网络、数字通信技术的迅速发展，数字图像作为各种信息的重要载体之一，以其直观、形象、易懂、信息量大的特点深入到与人们生活息息相关的各个方面，成为人们获取信息的一个重要途径。对于数字图像来讲，如何有效的描述图像的内容，进而从数以万计的图像数据中寻找出符合用户需求的图像，正是图像检索领域所要研究的内容。由于人工进行标注工作量巨大，基于关键字的信息检索技术难以满足用户的要求，这就需要有一种针对类型复杂图像库的有效检索方式，于是基于内容的图像检索(CBIR)技术应运而生，从20世纪90年代初起，CBIR就成为多媒体技术应用领域的研究热点。
基于内容的图像检索(CBIR)的任务是：给定查询图像，根据图像的视觉内容在图像数据库中找出与其具有相似特性的其他图像。通过从图像中获得的客观内容特征，如颜色、纹理、形状等来描述图像，不再依赖于人工标注，并基于这些特征来进行相似度匹配，检索出用户满意的图像，即从图像数据库中检索出与此图像相似的图像。
目前，大多数的图像检索系统的相似性度量是基于欧式距离函数，它也是最常见的距离度量函数。它的缺点是事先假定了图像特征的各分量之间是正交无关的，而且各维数的重要程度相同。Mahalanobis距离在基于欧氏距离的基础上加入了协方差矩阵的权重影响，它适用于特征向量的各个分量间具有相关性或者具有不同权重的情形。另外，常用的相似性度量方法还有直方图相交法、余弦距离、相关系数、Kullback-Leibler散度、Jefrrey散度等。但上述的度量方法主要关注于度量测试图像和相关图像在无几何变换，如压缩、变形、亮度或对比度增强等，情况下的相似程度。
此外，已有的基于内容的图像检索系统一般是在图像无压缩、变形、仿射、光照变化、噪音污染等情况下的检索。然而在现实生活中，往往需要检索的图像质量不高，存在噪声污染或者压缩变形，而且在特殊领域中，如安防和公安单位的工作中，理想的图像采集条件很难满足，待检索的图像往往有仿射或光照变化，甚至存在遮挡和伪装。因此，对鲁棒性的图像检索系统的需求更加显著。
发明内容
针对以上现有技术中的不足，本发明的目的在于提供一种能够有效检索压缩、变形、仿射、光照变化、噪音污染图像，具有较强鲁棒性的基于多特征和稀疏表示的图像检索系统及方法。本发明的技术方案如下：一种基于多特征和稀疏表示的图像检索系统，其包括特征提取模块、特征字典构造模块、相似性度量模块、信息存储模块和查询交互模块；
所述特征提取模块用于提取图像数据库中的相关图像和查询图像的原始图像特征，所述原始图像特征包括色彩增强高斯拉普拉斯CLOG特征及快速鲁棒SURF特征；
所述特征字典构造模块用于将特征提取模块提取到的相关图像和查询图像的原始图像特征采用在线字典学习算法压缩重构为相关特征字典和原特征字典；
所述相似性度量模块用于计算相关图像和查询图像的相似度，根据特征字典构造模块得到的相关特征字典和原特征字典，采用正交匹配追踪OMP算法计算出稀疏向量，并比较分别由原特征字典和相关特征字典稀疏向量所产生的残差大小，计算出加权后的相似度；
所述信息存储模块用于存储查询图像的原特征字典以及相关图像的相关特征字典，并存储查询图像与相关图像的相似度；
所述查询交互模块检索出图像库中与查询图像相似度最高的前n幅图像，并根据用户反馈调整查询结果。
一种基于多特征和稀疏表示的图像检索方法，其包括以下步骤：201、从图像数据库的相关图像中分别提取色彩增强高斯拉普拉斯CLOG特征向量和快速鲁棒SURF特征向量其中 表示从相关图像中提取的CLOG特征向量的个数； 表示从相关图像中提取的SURF特征向量的个数，并通过在线字典学习算法得到相关字典和
202、从待查询图像中分别提取CLOG和SURF特征向量，记为 和 为从待查询图像中提取的CLOG特征向量的个数；为从待查询图像中提取的SURF特征向量的个数，并通过在线字典学习算法得到原字典和
203、构建联合字典和分别稀疏编码查询图像特征和利用正交匹配追踪OMP算法得稀疏系数向量和计算稀疏系数；
204、计算重构残差，对于查询图像中的一个CLOG特征向量令稀疏系数向量中对应相关字典的部分为0，得原字典对应的残差然后令稀疏系数向量中对应原字典的部分为0，得相关字典对应的残差比较残差和大小，如果原字典得到一票，得票数记为n1；如果相关字典得到一票，得票数记为n2；n1/(n1+n2)的百分比即为两幅图像CLOG相似度，记为V1 CLOG，同理可得，两幅图像SURF相似度记为V1 SURF；
205、加权相似度融合，迭代循环0-1之间最优的组合作为V1 CLOG和V1 SURF的权值，计算加权融合后待查询图像与相关图像的相似度Sim(I1,I2)＝ω1·V1 CLOG+ω2·V1 SURF；其中ω1表示加权系数，ω2表示另一加权系数；
206、存储步骤205中得到的待查询图像与相关图像的相似度Sim(I1,I2)＝ω1·V1 CLOG+ω2·V1 SURF，当用户检索时，则导出图像库中与查询图像相似度最高的前n幅图像，并根据用户反馈调整查询结果，完成检索。
本发明的优点及有益效果如下：
本发明专利采用结合颜色和形状的CLOG特征和SURF特征，弥补了仅仅使用一种特征对图像内容的描述比较片面，在图像变换较大的情况下不能取得理想的检索效果的缺点。CLOG特征为颜色显著性特征，能充分表达图像的颜色信息，而SURF特征在图像形状描述上具有压缩，变形，光照、仿射不变性等特点。这两种特征的使用不仅能够更加全面的描述图像内容，而且对于压缩、变形、仿射、光照变化等有较强的鲁棒性。
本发明专利通过在线字典学习方法将原始特征压缩为过完备字典特征，使其尽可能地逼近目标特征结构，进而可从过完备字典中找到具有最佳线性组合的原子来表示图像特征。在线字典学习在每次迭代的过程中，仅处理训练集中的一个数据或者进行微型批处理，使之可以处理大的数据集或图像序列，是一种有效快速的字典构造方法，大大减少了构造特征字典的内存消耗和计算时间。
本发明专利引入稀疏表示理论，度量两幅图像的相似程度。通过比较查询图像分别由原字典和相关字典稀疏表示所产生的残差大小，对原字典和相关字典进行投票，相关字典得票总数的百分比记为两幅图像的相似度。避免了传统相似性度量方法特征依赖性较高的问题，且当图像存在压缩、变形、仿射、光照变化、噪音污染等情况下仍能准确给出相似度。
本发明专利为具有较高鲁棒性的图像检索系统。已有的基于内容的图像检索系统一般是在图像无压缩、变形、仿射、光照变化、噪音污染等，理想情况下的检索。然而在现实生活中，往往待检索的图像质量不高，而且在安防和公安单位的工作中，标准的图像采集条件很难满足。鲁棒性的图像检索系统有助于特殊环境和特殊条件下的检索，扩大了图像检索的应用范围。另外，通过对图像内容进行过滤，快速而准确的检测出不良图像，这对于青少年的健康成长以及净化网络环境，有着极其重要的意义。
附图说明
图1所示为本发明优选实施例基于多特征和稀疏表示的图像检索系统功能结构示意图；
图2为本发明优选实施例基于多特征和稀疏表示的图像检索系统整体工作流程示意图；
图3为本发明优选实施例基于多特征和稀疏表示的图像检索系统两幅图像相似程度比较流程示意图；
图4为本发明优选实施例基于多特征和稀疏表示的图像检索系统算法描述示意图。
具体实施方式
下面结合附图给出一个非限定性的实施例对本发明作进一步的阐述。
下面结合附图给出一个非限定的实施例对本发明作进一步的阐述。但是应该理解，这些描述只是示例的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
图1是本发明专利提供的一种基于多特征和稀疏表示的图像检索系统功能结构示意图，图1中，一种基于多特征和稀疏表示的图像检索系统，包括特征提取模块(1)、特征字典构造模块(2)、相似性度量模块(3)、信息存储模块(4)和查询交互模块(5)。
所述特征提取模块(1)用于提取图像的原始特征；所述特征字典构造模块(2)用于将原始图像特征压缩重构为特征字典，并使字典特征尽可能的逼近目标特征的结构，弥补了原始特征过于稠密的缺点；所述相似性度量模块(3)用于度量两幅图像的相似程度，引入稀疏表示理论，比较查询图像分别由原字典和相关字典稀疏表示所产生的残差大小，判断两幅图像的相似度，避免了传统相似性度量方法特征依赖性较高的问题；所述信息存储模块(4)用于存储查询图像以及所有相关图像的特征字典，并存储查询图像与图像库中每幅相关图像的相似度；所述查询交互模块(5)检索出图像库中与查询图像相似度最高的前n幅图像，并根据用户反馈调整查询结果。
图2是本发明专利提供的一种基于多特征和稀疏表示的图像检索系统整体工作流程示意图，图2中，首先提取图像库中的相关图像的CLOG和SURF特征，通过在线字典学习算法将CLOG和SURF特征分别压缩重构为特征字典，并存储图像库中所有相关图像对应的特征字典到相关字典库；同样的，对于查询图像，提取CLOG和SURF特征，并通过在线字典学习算法将其压缩重构为特征字典；相关字典库中的一个相关字典与从查询图像所得特征字典组合为联合字典，联合字典和从查询图像中提取的CLOG和SURF特征输入相似性度量模块中，得相关图像与查询图像的相似度，存储到相似度数据库；以此类推，计算图像库中所有相关图像与查询图像的相似度。最后，查询相似度数据库中相似度最高的前n幅图像并输出结果，根据用户反馈，调整查询输出结果。
图3是本发明专利提供的一种基于多特征和稀疏表示的图像检索系统两幅图像相似程度比较流程示意图，图3中，所描述的具体步骤如下：
a)从相关图像中分别提取CLOG和SURF特征向量，记为 和 并通过在线字典学习算法得到相关字典和
b)从查询图像中分别提取CLOG和SURF特征向量，记为 和 并通过在线字典学习算法(参考文献1)得到原字典和
c)计算稀疏系数。构建联合字典和分别稀疏编码查询图像特征 和 利用OMP正交匹配追踪算法(参考文献2)得稀疏系数向量和
d)计算重构残差。对于查询图像中的一个CLOG特征列向量令稀疏系数向量中响应相关字典的部分为0，得原字典对应的残差同样的，令稀疏系数向量中响应原字典的部分为0，得相关字典对应的残差比较残差和大小，如果原字典得到一票；如果相关字典得到一票。以此类推，对于所有的查询图像CLOG特征向量 相关字典得票总数百分比即为两幅图像CLOG相似度记为V1 CLOG。同理可得，两幅图像SURF相似度记为V1 SURF。e)加权相似度融合。迭代循环0-1之间最优的组合作为V1 CLOG和V1 SURF的权值，计算加权融合后的相似度Sim(I1,I2)＝ω1·V1 CLOG+ω2·V1 SURF。参考文献
[1].J.Mairal,F.Bach,J.Ponce,and G.Sapiro,“Online dictionary learningfor sparse coding,”Proceedings of the26th Annual International Conference onMachine Learning.ACM,pp.689-696,2009.
[2].S.G.Mallat and Z.Zhang,“Matching pursuits with time-frequencydictionaries,”Signal Processing,IEEE Transactions on,1993,41(12):3397-3415.
图3中，为了使相似度更具有区分性，即当两幅图像在视觉上相似时，查询图像特征更倾向于选择相关字典进行稀疏编码，相反的，当两幅图像差异很大时，查询图像特征更倾向于选择从它本身训练得来的字典进行稀疏编码，规定在使用在线学习算法训练字典的过程中，训练相关字典的迭代次数要大于训练原字典的迭代次数；相关字典中的列数大于原字典的列数。
图4是本发明专利提供的一种基于多特征和稀疏表示的图像检索系统算法描述示意图。图4中，执行步骤1到步骤6可以得到两幅图像的相似度，循环执行步骤1到6直到得出图像库中所有相关图像与查询图像的相似度的值，存储到数据库中。最后检索相似度最高的前n幅图像，输出结果。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明方法权利要求所限定的范围。
Claims (2)
1.一种基于多特征和稀疏表示的图像检索系统，其特征在于：包括特征提取模块(1)、特征字典构造模块(2)、相似性度量模块(3)、信息存储模块(4)和查询交互模块(5)；
所述特征提取模块(1)用于提取图像数据库中的相关图像和待查询图像的原始图像特征，所述原始图像特征包括色彩增强高斯拉普拉斯CLOG特征及快速鲁棒SURF特征；
所述特征字典构造模块(2)用于将特征提取模块(1)提取到的相关图像和待查询图像的原始图像特征采用在线字典学习算法压缩重构为相关特征字典和原特征字典；
所述相似性度量模块(3)用于计算相关图像和待查询图像的相似度，根据特征字典构造模块(2)得到的相关特征字典和原特征字典，采用正交匹配追踪OMP算法计算出稀疏向量，并比较分别由原特征字典和相关特征字典稀疏向量所产生的残差大小，计算出加权后的相似度；
所述信息存储模块(4)用于存储待查询图像的原特征字典以及相关图像的相关特征字典，并存储待查询图像与相关图像的相似度；
所述查询交互模块(5)检索出图像数据库中与待查询图像相似度最高的前n幅图像，并根据用户反馈调整查询结果。
2.一种基于多特征和稀疏表示的图像检索方法，其特征在于，包括以下步骤：201、从图像数据库的相关图像中分别提取色彩增强高斯拉普拉斯CLOG特征向量和快速鲁棒SURF特征向量其中 表示从相关图像中提取的CLOG特征向量的个数； 表示从相关图像中提取的SURF特征向量的个数，并通过在线字典学习算法得到相关字典和
202、从待查询图像中分别提取CLOG和SURF特征向量，记为 和 为从待查询图像中提取的CLOG特征向量的个数；为从待查询图像中提取的SURF特征向量的个数，并通过在线字典学习算法得到原字典和
203、构建联合字典和分别稀疏编码待查询图像特征和利用正交匹配追踪OMP算法得到稀疏系数向量和计算稀疏系数；
204、计算重构残差，对于待查询图像中的一个CLOG特征向量令稀疏系数向量中对应相关字典的部分为0，得原字典对应的残差然后令稀疏系数向量中对应原字典的部分为0，得相关字典对应的残差比较残差和大小，如果原字典得到一票，得票数记为n1；如果相关字典得到一票，得票数记为n2；n1/(n1+n2)的百分比即为两幅图像CLOG相似度，记为V1 CLOG，同理可得，两幅图像SURF相似度记为V1 SURF；
205、加权相似度融合，在0-1之间进行迭代循环直到找到最优组合的ω1、ω2作为V1 CLOG和V1 SURF的权值，计算加权融合后待查询图像与相关图像的相似度Sim(I1,I2)＝ω1·V1 CLOG+ω2·V1 SURF；其中ω1表示加权系数，ω2表示另一加权系数，I1表示待查询图像，I2表示相关图像；
206、存储步骤205中得到的待查询图像与相关图像的相似度Sim(I1,I2)＝ω1·V1 CLOG+ω2·V1 SURF，当用户检索时，则导出图像数据库中与待查询图像相似度最高的前n幅图像，并根据用户反馈调整查询结果，完成检索。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410333879.1A CN104142978B (zh) | 2014-07-14 | 2014-07-14 | 一种基于多特征和稀疏表示的图像检索系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410333879.1A CN104142978B (zh) | 2014-07-14 | 2014-07-14 | 一种基于多特征和稀疏表示的图像检索系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104142978A CN104142978A (zh) | 2014-11-12 |
| CN104142978B true CN104142978B (zh) | 2018-04-27 |
Family
ID=51852152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410333879.1A Active CN104142978B (zh) | 2014-07-14 | 2014-07-14 | 一种基于多特征和稀疏表示的图像检索系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104142978B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846414B (zh) * | 2018-05-22 | 2021-09-28 | 浙江理工大学 | 基于决策级融合思想的sar图像子类别分类方法 |
| CN109299305A (zh) * | 2018-10-30 | 2019-02-01 | 湖北工业大学 | 一种基于多特征融合的空间图像检索系统及检索方法 |
| CN111062333B (zh) * | 2019-12-19 | 2024-01-05 | 北京海国华创云科技有限公司 | 活体的面部动态识别方法、系统、存储介质 |
| CN111914920A (zh) * | 2020-07-24 | 2020-11-10 | 山东工商学院 | 一种基于稀疏编码的相似性图像检索方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW536827B (en) * | 2000-07-14 | 2003-06-11 | Semiconductor Energy Lab | Semiconductor display apparatus and driving method of semiconductor display apparatus |
| US7856125B2 (en) * | 2006-01-31 | 2010-12-21 | University Of Southern California | 3D face reconstruction from 2D images |
-
2014
- 2014-07-14 CN CN201410333879.1A patent/CN104142978B/zh active Active
Non-Patent Citations (3)
| Title |
|---|
| 《The impact of color on bag-of –words based object recognition》;D.A.R.Vigo等;《Pattern Recognition(ICPR)，2010 20th International Conference on》;20101007;第1549-1553页，图3 * |
| 《基于SURF和全局特征融合的图像分类研究》;梁进等;《计算机工程与应用》;20130901;第49卷(第17期);第174-177，194页 * |
| 《基于稀疏表达的遥感图像检索》;周培诚等;《西北工业大学学报》;20131231;第31卷(第6期);第958-961页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104142978A (zh) | 2014-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220116347A1 (en) | Location resolution of social media posts | |
| Carrière et al. | Stable topological signatures for points on 3d shapes | |
| CN111353542B (zh) | 图像分类模型的训练方法、装置、计算机设备和存储介质 | |
| Xu et al. | Style-content separation by anisotropic part scales | |
| Mekhalfi et al. | Land-use classification with compressive sensing multifeature fusion | |
| CN107330750B (zh) | 一种推荐产品配图方法及装置，电子设备 | |
| CN102254015B (zh) | 基于视觉词组的图像检索方法 | |
| Kurtek et al. | Landmark‐guided elastic shape analysis of spherically‐parameterized surfaces | |
| Zheng et al. | Consensus skeleton for non‐rigid space‐time registration | |
| US20150278155A1 (en) | Identifying objects using a 3d scanning device, images, and 3d models | |
| Giachetti et al. | Radial symmetry detection and shape characterization with the multiscale area projection transform | |
| Yang et al. | An improved Bag-of-Words framework for remote sensing image retrieval in large-scale image databases | |
| CN105718960A (zh) | 基于卷积神经网络和空间金字塔匹配的图像排序模型 | |
| CN106844524B (zh) | 一种基于深度学习和Radon变换的医学图像检索方法 | |
| CN104142978B (zh) | 一种基于多特征和稀疏表示的图像检索系统及方法 | |
| CN103810252B (zh) | 基于群稀疏特征选择的图像检索方法 | |
| van Kaick et al. | Bilateral maps for partial matching | |
| Avrithis et al. | Feature map hashing: Sub-linear indexing of appearance and global geometry | |
| Wu et al. | Image completion with multi-image based on entropy reduction | |
| Mahapatra et al. | Visual saliency based active learning for prostate mri segmentation | |
| Liu et al. | Finding surface correspondences using symmetry axis curves | |
| Dai et al. | Large scale image retrieval with visual groups | |
| Zhou et al. | Learning to synthesize compatible fashion items using semantic alignment and collocation classification: An outfit generation framework | |
| Gao et al. | Classification of 3D terracotta warrior fragments based on deep learning and template guidance | |
| Wang et al. | From low-cost depth sensors to cad: Cross-domain 3d shape retrieval via regression tree fields |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190402 Address after: 401120 17 Blocks, 106 Jinkai Avenue West Section, Yubei District, Chongqing Patentee after: BOLAA NETWORK Co.,Ltd. Address before: 400065 No. 2 Chongwen Road, Huang Jue ya, Nan'an District, Chongqing Patentee before: Chongqing University of Posts and Telecommunications |
|
| TR01 | Transfer of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An image retrieval system and method based on multi features and sparse representation Effective date of registration: 20220520 Granted publication date: 20180427 Pledgee: Chongqing Branch of China Everbright Bank Co.,Ltd. Pledgor: BOLAA NETWORK Co.,Ltd. Registration number: Y2022500000028 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20230614 Granted publication date: 20180427 Pledgee: Chongqing Branch of China Everbright Bank Co.,Ltd. Pledgor: BOLAA NETWORK Co.,Ltd.|Chongqing Wingshengda Technology Co.,Ltd. Registration number: Y2022500000028 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An Image Retrieval System and Method Based on Multiple Features and Sparse Representation Effective date of registration: 20230809 Granted publication date: 20180427 Pledgee: Chongqing Branch of China Everbright Bank Co.,Ltd. Pledgor: BOLAA NETWORK Co.,Ltd.|Chongqing Wingshengda Technology Co.,Ltd. Registration number: Y2023500000055 |