CN104462502A - 一种基于特征融合的图像检索方法 - Google Patents

一种基于特征融合的图像检索方法 Download PDF

Info

Publication number
CN104462502A
CN104462502A CN201410805762.9A CN201410805762A CN104462502A CN 104462502 A CN104462502 A CN 104462502A CN 201410805762 A CN201410805762 A CN 201410805762A CN 104462502 A CN104462502 A CN 104462502A
Authority
CN
China
Prior art keywords
image
similarity
features
query
database
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.)
Granted
Application number
CN201410805762.9A
Other languages
English (en)
Other versions
CN104462502B (zh
Inventor
陈世峰
杜书泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201410805762.9A priority Critical patent/CN104462502B/zh
Priority claimed from CN201410805762.9A external-priority patent/CN104462502B/zh
Publication of CN104462502A publication Critical patent/CN104462502A/zh
Application granted granted Critical
Publication of CN104462502B publication Critical patent/CN104462502B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/5862—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 texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)

Abstract

提供一种基于特征融合的图像检索方法。所述方法包括：(A)基于图像局部特征获取数据库中各图像与查询图像的第一相似度，并基于图像全局特征获取数据库中各图像与查询图像的第二相似度；(B)确定查询图像属于简单图像的概率；(C)基于查询图像属于简单图像的概率确定第一相似度的权重和第二相似度的权重；(D)根据数据库中各图像与查询图像的相似度输出检索结果，其中，数据库中各图像与查询图像的相似度为基于所述第一相似度的权重和所述第二相似度的权重对第一相似度和第二相似度进行加权的结果值。根据所述方法，能够针对不同的查询图像采用适合的特征融合方式，从而提高图像检索的精度。

Description

一种基于特征融合的图像检索方法
技术领域
本发明涉及图像检索技术领域，更具体地讲，涉及一种基于特征融合的图像检索方法。
背景技术
近年来，基于内容的图像检索技术取得了很大的进展。现有的基于内容的图像检索系统大部分仅采用单一的图像检索方法或仅使用一类图像特征。因此，当查询图像包含多个物体或者背景比较复杂时，会引入较大的检索错误，使得检索结果不够精确。虽然存在基于特征融合进行图像检索的方式，但特征融合的方式单一，检索效果并不理想。
发明内容
本发明的示例性实施例在于提供一种基于特征融合的图像检索方法，以克服现有技术中检索准确度不理想的问题。
本发明提供一种基于特征融合的图像检索方法，包括：(A)基于图像局部特征获取数据库中各图像与查询图像的第一相似度，并基于图像全局特征获取数据库中各图像与查询图像的第二相似度；(B)确定查询图像属于简单图像的概率；(C)基于查询图像属于简单图像的概率确定第一相似度的权重和第二相似度的权重，其中，查询图像属于简单图像的概率越大，第一相似度的权重越大，第二相似度的权重越小；(D)根据数据库中各图像与查询图像的相似度输出检索结果，其中，数据库中各图像与查询图像的相似度为基于所述第一相似度的权重和所述第二相似度的权重对第一相似度和第二相似度进行加权的结果值。
可选地，第一相似度的权重为exp(p)，第二相似度的权重为exp(1p)，其中，p为查询图像属于简单图像的概率。
可选地，步骤(B)包括：采用随机森林分类器基于查询图像的视觉特征和显著性特征确定查询图像属于简单图像的概率。
可选地，所述视觉特征包括纹理特征和/或边界特征。
可选地，所述显著性特征包括对基于频谱优化的图像显著性检测方法获得的显著性特征向量和基于频谱余留的图像显著性检测方法获得的显著性特征向量分别进行归一化后所组成的特征向量。
可选地，步骤(A)包括：采用二叉决策树集合基于图像局部特征来获取数据库中各图像与查询图像的第一相似度，并采用二叉决策树集合基于图像全局特征来获取数据库中各图像与查询图像的第二相似度。
可选地，图像局部特征包括基于SIFT特征的稀疏编码的空间金字塔汇集，图像全局特征包括GIST特征。
根据本发明示例性实施例的基于特征融合的图像检索方法，可以针对不同的查询图像采用适合的特征融合方式，从而提高图像检索的精度。
将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本发明总体构思的实施而得知。
附图说明
图1示出根据本发明示例性实施例的基于特征融合的图像检索方法的流程图；
图2示出基于不同的图像检索方法的结果对比曲线。
具体实施方式
现将详细参照本发明的实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本发明。
图1示出根据本发明示例性实施例的基于特征融合的图像检索方法的流程图。
参照图1，在步骤S10，基于图像局部特征获取数据库中各图像与查询图像的第一相似度，并基于图像全局特征获取数据库中各图像与查询图像的第二相似度。
这里，图像局部特征用于反映图像的局部和细节。图像全局特征用于反映图像的整体。例如，可采用SIFT(Scale Invariant Feature Transform)、基于SIFT的稀疏编码的空间金字塔汇集(ScSPM)、SURF(Speeded Up Robust Features)、ASIFT(Affine SIFT)等特征来作为图像局部特征。可采用GIST等特征来作为图像全局特征。应该理解，可采用各种适合的图像局部特征和图像全局特征来实现本发明，对此不做限制。
作为示例，可采用二叉决策树集合基于图像局部特征来获取数据库中各图像与查询图像的第一相似度，并可采用二叉决策树集合基于图像全局特征来获取数据库中各图像与查询图像的第二相似度。
二叉决策树集合是全随机树的一个变形，用于评估图像间的相似性。二叉决策树集合中的每棵树都是一个关于查询图像的独立的预测器。
具体说来，针对二叉决策树集合中的每棵树，通过随机生成的二值测试，递归地分开由从查询图像和数据库中各图像所提取的特征所构成的特征集合。例如，在树t中，给定一个结点u以及对应的特征集合su，结点u的二值测试可以定义为：
其中，为从图像Ij中提取的特征向量fj的第k个分量(其中，第k个分量为随机选择的分量)，ul和ur为结点u的子结点，θ为随机选择的阈值。依次再对子结点进行二值测试，即可在树t中生成更多的结点，一直到结点所含特征数量小于阈值nsmin或者树的深度达到dpmax。
从树t的根结点开始，查询图像q经过一系列的二值测试通过特定路径到达一叶结点。该叶结点中的其他图像与查询图像q都有着相似的特征，因此，该叶结点中的其他图像在树t中被预测为与查询图像q相近的图像。具体说来，查询图像q与图像i的相似性定义为：
对于包含T棵树的二叉决策树集合F，查询图像q与图像i的累计相似性定义为：
sim F ( q , i ) = Σ t = 1 T sim t ( q , i ) - - - ( 3 )
因此，采用基于图像局部特征构造的二叉决策树集合来获取数据库中各图像i与查询图像q的第一相似度并采用基于图像全局特征构造的二叉决策树集合来获取数据库中各图像i与查询图像q的第二相似度
应该理解，也可以采用其他的适合的方法来基于图像局部特征获取数据库中各图像与查询图像的第一相似度，并基于图像全局特征获取数据库中各图像与查询图像的第二相似度，对此不做限制。
在步骤S20，确定查询图像属于简单图像的概率。
这里，简单图像是包含单一的显著性物体的图像。包含多物体或者复杂背景的图像为复杂图像。
作为示例，可采用随机森林分类器基于查询图像的视觉特征和显著性特征确定查询图像属于简单图像的概率。
纹理特征有助于区分简单图像与复杂图像。在简单图像中，物体通常有着明显的边界。因此，可基于查询图像的纹理特征、边界特征等视觉特征来确定查询图像属于简单图像的概率。例如，纹理特征可采用局部二值模式(LocalBinary Pattern)特征，边界特征可采用边界方向直方图(Edge Direction Histogram)特征。
此外，可使用各种适合的方法获得查询图像的显著性特征，例如，可通过计算查询图像的显著性分布图得到。
作为示例，显著性特征可包括对基于频谱优化的图像显著性检测方法获得的显著性特征向量和基于频谱余留的图像显著性检测方法获得的显著性特征向量分别进行归一化后所组成的特征向量。
具体说来，可首先通过基于频谱优化的图像显著性检测方法和基于频谱余留的图像显著性检测方法分别获得查询图像的一个显著性分布图，针对每个显著性分布图S(x,y)，将显著性分布图S(x,y)分成N＝P×P个块，提取每个块中的平均显著性值，得到一个长度为P×P的特征向量，然后将两个特征向量进行归一化后组成一个长度为2×P×P的特征向量。
随机森林分类器可对所有训练样本(例如，相同数量的简单图像和复杂图像)按照上述方法提取视觉特征和显著性特征，并基于这些特征学习如何区分简单图像和复杂图像。这样，当在随机森林分类器中输入一个查询图像q，即可得到该查询图像属于简单图像的总投票数votessal(q)。查询图像q属于简单图像的概率可以定义为：
p = votes sal ( q ) T C - - - ( 4 )
其中，TC是随机森林分类器中树的数量。
应该理解，也可通过其他适合的方法来确定查询图像属于简单图像的概率。
在步骤S30，基于查询图像属于简单图像的概率确定第一相似度的权重和第二相似度的权重，其中，查询图像属于简单图像的概率越大，第一相似度的权重越大，第二相似度的权重越小。
作为示例，第一相似度的权重可为exp(p)，第二相似度的权重为exp(1p)，即，针对查询图像q，第一相似度的权重为：wl(q)exp(p)，第二相似度的权重为：wg(q)exp(1p)。
在步骤S40，根据数据库中各图像与查询图像的相似度输出检索结果，其中，数据库中各图像与查询图像的相似度为基于所述第一相似度的权重和所述第二相似度的权重对第一相似度和第二相似度进行加权的结果值。
即，基于上面的定义，检索图像q的相似度可定义为：
Sim ( q , i ) = w l ( q ) × sim F l ( q , i ) + w g ( q ) × sim F g ( q , i ) - - - ( 5 )
基于式(5)，通过对数据库中各图像与查询图像的相似度Sim(q,i)进行降序排序，即可得到检索结果。
作为示例，从数据库MSRA Salient Object Database选择700个图像作为简单图像的样本，从数据库PASCAL VOC 07中选择了700个图像作为复杂图像的样本。基于这两类图像来训练随机森林分类器，用于区分简单图像与复杂图像。随机森林分类器所应用的随机森林设置为：200棵树，结点的最小特征数量为10。
采用基于SIFT特征的稀疏编码的空间金字塔汇集(ScSPM，5120维)作为局部特征，采用GIST(960维)作为全局特征。分别在以下两个图像检索数据库中进行测试：Oxford Flowers数据库和Caltech-101数据库。在Oxford Flowers数据库中，二叉决策树集合的dpmax设为5，nsmin设为7，树的数目为1000。在Caltech-101数据库中，二叉决策树集合的dpmax设为9，nsmin设为20，树的数目为800。分别仅基于局部特征(ScSPM)、仅基于全局特征(GIST)、基于本发明示例性实施例所提出的全面考虑全局特征和局部特征并针对查询图像的特性确定全局特征的权重和局部特征的权重，分别进行图像检索。
图2示出基于Oxford Flowers数据库的利用不同的图像检索方法的结果对比曲线。X轴表示查询图像的数量，Y轴表示检索的准确率。曲线L1表示基于本发明示例性实施例所提出的全面考虑全局特征和局部特征并针对查询图像的特性确定全局特征的权重和局部特征的权重的图像检索方式的准确率，曲线L2表示仅基于局部特征(ScSPM)的图像检索方式的准确率，曲线L3表示仅基于全局特征(GIST)的图像检索方式的准确率。从图2中可以明显看出，基于本发明示例性实施例所提出的图像检索方式的准确率明显高于其他两种方式。
表1示出基于Caltech-101数据库的利用不同的图像检索方法的平均准确率(mAP)。
第一对比示例 第二对比示例 第一示例
mAP(％) 22.91 19.55 24.73
第一示例为基于本发明示例性实施例所提出的全面考虑全局特征和局部特征并针对查询图像的特性确定全局特征的权重和局部特征的权重的图像检索方式，第一对比示例为仅基于局部特征(ScSPM)的图像检索方式，第二对比示例为仅基于全局特征(GIST)的图像检索方式。从表1中可以明显看出，基于本发明示例性实施例所提出的图像检索方式的mAP值高于其他两种方式。
此外，根据本发明的示例性实施例的上述方法可以被实现为计算机程序，例如，可通过专门的搜索引擎来执行上述方法。此外，所述方法也可通过专门的检索服务器或检索终端来执行。
根据本发明示例性实施例的基于特征融合的图像检索方法，考虑了查询图像的类别和特性，针对不同的查询图像采用适合的特征融合方式，从而提高图像检索的精度。
虽然已表示和描述了本发明的一些示例性实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下，可以对这些实施例进行修改。

Claims (7)

1.一种基于特征融合的图像检索方法，其特征在于，包括：
(A)基于图像局部特征获取数据库中各图像与查询图像的第一相似度，并基于图像全局特征获取数据库中各图像与查询图像的第二相似度；
(B)确定查询图像属于简单图像的概率；
(C)基于查询图像属于简单图像的概率确定第一相似度的权重和第二相似度的权重，其中，查询图像属于简单图像的概率越大，第一相似度的权重越大，第二相似度的权重越小；
(D)根据数据库中各图像与查询图像的相似度输出检索结果，其中，数据库中各图像与查询图像的相似度为基于所述第一相似度的权重和所述第二相似度的权重对第一相似度和第二相似度进行加权的结果值。
2.如权利要求1所述的方法，其特征在于，第一相似度的权重为exp(p)，第二相似度的权重为exp(1p)，其中，p为查询图像属于简单图像的概率。
3.如权利要求1所述的方法，其特征在于，步骤(B)包括：
采用随机森林分类器基于查询图像的视觉特征和显著性特征确定查询图像属于简单图像的概率。
4.如权利要求3所述的方法，其特征在于，所述视觉特征包括纹理特征和/或边界特征。
5.如权利要求3所述的方法，其特征在于，所述显著性特征包括对基于频谱优化的图像显著性检测方法获得的显著性特征向量和基于频谱余留的图像显著性检测方法获得的显著性特征向量分别进行归一化后所组成的特征向量。
6.如权利要求1所述的方法，其特征在于，步骤(A)包括：采用二叉决策树集合基于图像局部特征来获取数据库中各图像与查询图像的第一相似度，并采用二叉决策树集合基于图像全局特征来获取数据库中各图像与查询图像的第二相似度。
7.如权利要求1所述的方法，其特征在于，图像局部特征包括基于SIFT特征的稀疏编码的空间金字塔汇集，图像全局特征包括GIST特征。
CN201410805762.9A 2014-12-19 一种基于特征融合的图像检索方法 Active CN104462502B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410805762.9A CN104462502B (zh) 2014-12-19 一种基于特征融合的图像检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410805762.9A CN104462502B (zh) 2014-12-19 一种基于特征融合的图像检索方法

Publications (2)

Publication Number Publication Date
CN104462502A true CN104462502A (zh) 2015-03-25
CN104462502B CN104462502B (zh) 2018-08-31

Family

ID=

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631037A (zh) * 2015-12-31 2016-06-01 北京恒冠网络数据处理有限公司 一种图像检索方法
CN105760488A (zh) * 2016-02-17 2016-07-13 北京大学 基于多层次特征融合的图像表达方法和装置
CN106529391A (zh) * 2016-09-08 2017-03-22 长安大学 一种鲁棒的限速交通标志检测与识别方法
CN107590154A (zh) * 2016-07-08 2018-01-16 阿里巴巴集团控股有限公司 基于图像识别的物体相似度判定方法和装置
CN107870923A (zh) * 2016-09-26 2018-04-03 北京眼神科技有限公司 图像检索方法和装置
CN108121943A (zh) * 2016-11-30 2018-06-05 阿里巴巴集团控股有限公司 基于图片的判别方法及装置和计算设备
CN108805214A (zh) * 2018-06-19 2018-11-13 太原学院 一种基于模糊加权直方图的相似图像匹配方法和系统
CN108985346A (zh) * 2018-06-25 2018-12-11 厦门安图威信息科技有限公司 融合低层图像特征及cnn特征的现勘图像检索方法
CN109918473A (zh) * 2017-12-14 2019-06-21 北大方正集团有限公司 数学公式相似度的测量方法及其测量系统
CN110232133A (zh) * 2019-05-16 2019-09-13 华中科技大学 一种基于特征融合和款式分类的服装图像检索方法和系统
CN110413824A (zh) * 2019-06-20 2019-11-05 平安科技（深圳）有限公司 一种相似图片的检索方法及装置
CN111309956A (zh) * 2017-02-13 2020-06-19 哈尔滨理工大学 一种面向图像检索的提取方法
CN112434178A (zh) * 2020-11-23 2021-03-02 北京达佳互联信息技术有限公司 图像分类方法、装置、电子设备和存储介质
CN113239880A (zh) * 2021-06-02 2021-08-10 西安电子科技大学 基于改进随机森林的雷达辐射源识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080144891A1 (en) * 2006-12-18 2008-06-19 Samsung Electronics Co., Ltd. Method and apparatus for calculating similarity of face image, method and apparatus for retrieving face image, and method of synthesizing face image
US20100290708A1 (en) * 2009-05-12 2010-11-18 Canon Kabushiki Kaisha Image retrieval apparatus, control method for the same, and storage medium
US20120173549A1 (en) * 2006-11-22 2012-07-05 Jean-Yves Bouguet Methods and apparatus for retrieving images from a large collection of images
CN103605765A (zh) * 2013-11-26 2014-02-26 电子科技大学 一种基于聚类紧凑特征的海量图像检索系统
CN103744931A (zh) * 2013-12-30 2014-04-23 中国科学院深圳先进技术研究院 一种图像检索的方法及系统
CN103971097A (zh) * 2014-05-15 2014-08-06 武汉睿智视讯科技有限公司 一种基于多尺度笔画模型的车牌识别方法与系统
CN104111960A (zh) * 2013-04-22 2014-10-22 阿里巴巴集团控股有限公司 一种页面的匹配方法和装置
CN104166685A (zh) * 2014-07-24 2014-11-26 北京捷成世纪科技股份有限公司 一种检测视频片段的方法和装置
CN104216949A (zh) * 2014-08-13 2014-12-17 中国科学院计算技术研究所 一种融合空间信息的图像特征聚合表示方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120173549A1 (en) * 2006-11-22 2012-07-05 Jean-Yves Bouguet Methods and apparatus for retrieving images from a large collection of images
US20080144891A1 (en) * 2006-12-18 2008-06-19 Samsung Electronics Co., Ltd. Method and apparatus for calculating similarity of face image, method and apparatus for retrieving face image, and method of synthesizing face image
US20100290708A1 (en) * 2009-05-12 2010-11-18 Canon Kabushiki Kaisha Image retrieval apparatus, control method for the same, and storage medium
CN104111960A (zh) * 2013-04-22 2014-10-22 阿里巴巴集团控股有限公司 一种页面的匹配方法和装置
CN103605765A (zh) * 2013-11-26 2014-02-26 电子科技大学 一种基于聚类紧凑特征的海量图像检索系统
CN103744931A (zh) * 2013-12-30 2014-04-23 中国科学院深圳先进技术研究院 一种图像检索的方法及系统
CN103971097A (zh) * 2014-05-15 2014-08-06 武汉睿智视讯科技有限公司 一种基于多尺度笔画模型的车牌识别方法与系统
CN104166685A (zh) * 2014-07-24 2014-11-26 北京捷成世纪科技股份有限公司 一种检测视频片段的方法和装置
CN104216949A (zh) * 2014-08-13 2014-12-17 中国科学院计算技术研究所 一种融合空间信息的图像特征聚合表示方法及系统

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631037B (zh) * 2015-12-31 2019-02-22 北京恒冠网络数据处理有限公司 一种图像检索方法
CN105631037A (zh) * 2015-12-31 2016-06-01 北京恒冠网络数据处理有限公司 一种图像检索方法
CN105760488A (zh) * 2016-02-17 2016-07-13 北京大学 基于多层次特征融合的图像表达方法和装置
CN107590154A (zh) * 2016-07-08 2018-01-16 阿里巴巴集团控股有限公司 基于图像识别的物体相似度判定方法和装置
CN107590154B (zh) * 2016-07-08 2021-03-02 阿里巴巴集团控股有限公司 基于图像识别的物体相似度判定方法和装置
CN106529391A (zh) * 2016-09-08 2017-03-22 长安大学 一种鲁棒的限速交通标志检测与识别方法
CN106529391B (zh) * 2016-09-08 2019-06-18 长安大学 一种鲁棒的限速交通标志检测与识别方法
CN107870923A (zh) * 2016-09-26 2018-04-03 北京眼神科技有限公司 图像检索方法和装置
CN108121943A (zh) * 2016-11-30 2018-06-05 阿里巴巴集团控股有限公司 基于图片的判别方法及装置和计算设备
CN111309956A (zh) * 2017-02-13 2020-06-19 哈尔滨理工大学 一种面向图像检索的提取方法
CN111309956B (zh) * 2017-02-13 2022-06-24 哈尔滨理工大学 一种面向图像检索的提取方法
CN109918473A (zh) * 2017-12-14 2019-06-21 北大方正集团有限公司 数学公式相似度的测量方法及其测量系统
CN109918473B (zh) * 2017-12-14 2020-12-29 北大方正集团有限公司 数学公式相似度的测量方法及其测量系统
CN108805214B (zh) * 2018-06-19 2021-07-23 太原学院 一种基于模糊加权直方图的相似图像匹配方法和系统
CN108805214A (zh) * 2018-06-19 2018-11-13 太原学院 一种基于模糊加权直方图的相似图像匹配方法和系统
CN108985346B (zh) * 2018-06-25 2021-01-22 厦门安图威信息科技有限公司 融合低层图像特征及cnn特征的现勘图像检索方法
CN108985346A (zh) * 2018-06-25 2018-12-11 厦门安图威信息科技有限公司 融合低层图像特征及cnn特征的现勘图像检索方法
CN110232133A (zh) * 2019-05-16 2019-09-13 华中科技大学 一种基于特征融合和款式分类的服装图像检索方法和系统
CN110232133B (zh) * 2019-05-16 2022-09-20 华中科技大学 一种基于特征融合和款式分类的服装图像检索方法和系统
CN110413824A (zh) * 2019-06-20 2019-11-05 平安科技（深圳）有限公司 一种相似图片的检索方法及装置
WO2020253063A1 (zh) * 2019-06-20 2020-12-24 平安科技（深圳）有限公司 一种相似图片的检索方法及装置
CN112434178A (zh) * 2020-11-23 2021-03-02 北京达佳互联信息技术有限公司 图像分类方法、装置、电子设备和存储介质
CN113239880A (zh) * 2021-06-02 2021-08-10 西安电子科技大学 基于改进随机森林的雷达辐射源识别方法

Similar Documents

Publication Publication Date Title
US11416710B2 (en) Feature representation device, feature representation method, and program
CN111767819B (zh) 一种图像识别方法、装置、电子设备和计算机可读介质
CN109635010B (zh) 一种用户特征及特征因子抽取、查询方法和系统
CN107527065B (zh) 一种基于卷积神经网络的花卉品种识别模型建立方法
US9842279B2 (en) Data processing method for learning discriminator, and data processing apparatus therefor
CN105989001B (zh) 图像搜索方法及装置、图像搜索系统
CN103927510A (zh) 图像识别装置和图像识别方法
CN102930275B (zh) 基于Cramer’s V指数的遥感影像特征选择方法
CN110443139B (zh) 一种面向分类的高光谱遥感影像噪声波段探测方法
CN111091147B (zh) 一种图像分类方法、装置及设备
CN103970733A (zh) 一种基于图结构的中文新词识别方法
CN110019779B (zh) 一种文本分类方法、模型训练方法及装置
CN103020265A (zh) 图像检索的方法和系统
CN112182264B (zh) 地标信息的确定方法、装置、设备及可读存储介质
JP2016095640A (ja) 密度計測装置、密度計測方法、およびプログラム
CN108805280B (zh) 一种图像检索的方法和装置
CN110768929A (zh) 域名检测方法和装置、计算机可读存储介质
CN111915595A (zh) 图像质量评价方法、图像质量评价模型的训练方法和装置
CN110942034A (zh) 用于检测多类型深度网络生成图像的方法、系统、装置
CN117785993A (zh) 图模式的挖掘方法及装置
WO2016037848A1 (en) Image recognition using descriptor pruning
CN116630749A (zh) 工业设备故障检测方法、装置、设备以及存储介质
CN104462502B (zh) 一种基于特征融合的图像检索方法
US11386340B2 (en) Method and apparatus for performing block retrieval on block to be processed of urine sediment image
CN104462502A (zh) 一种基于特征融合的图像检索方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant