CN106250431B - 一种基于分类服装的颜色特征提取方法及服装检索系统 - Google Patents

一种基于分类服装的颜色特征提取方法及服装检索系统 Download PDF

Info

Publication number
CN106250431B
CN106250431B CN201610592766.2A CN201610592766A CN106250431B CN 106250431 B CN106250431 B CN 106250431B CN 201610592766 A CN201610592766 A CN 201610592766A CN 106250431 B CN106250431 B CN 106250431B
Authority
CN
China
Prior art keywords
image
clothing
peak value
color
component
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
Application number
CN201610592766.2A
Other languages
English (en)
Other versions
CN106250431A (zh
Inventor
陈倩
潘中良
黄晓峰
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.)
South China Normal University
Original Assignee
South China Normal University
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 South China Normal University filed Critical South China Normal University
Priority to CN201610592766.2A priority Critical patent/CN106250431B/zh
Publication of CN106250431A publication Critical patent/CN106250431A/zh
Application granted granted Critical
Publication of CN106250431B publication Critical patent/CN106250431B/zh
Expired - Fee Related 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
    • G06F16/5838—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于分类服装的颜色特征提取方法，步骤为：获取服装图像；将服装图像的颜色转换为HSV空间；去除服装图像背景；计算服装图像的H分量颜色直方图并对其进行N阶量化；寻找H分量颜色直方图中占比最多的分量作为最大H分量峰值；采用基于阈值的峰值判断法寻找满足条件的H分量峰值；根据H分量峰值总数进行服装图像分类，针对各种类别的服装图像分别对应选取相应的聚类数目以及初始聚类中心；本发明根据分类后的服装确定聚类数目和初始聚类中心，能够提取到更加稳定的主颜色特征值，有效减少了颜色特征提取时的计算量和计算时间。将本发明方法应用到服装图像检索时，能够有效提高检索的查准率和查全率，并且使检索结果更加稳定。

Description

一种基于分类服装的颜色特征提取方法及服装检索系统
技术领域
本发明涉及服装图像检索技术领域，特别涉及一种基于分类服装的颜色特征提取方法及服装检索系统。
背景技术
传统的服装图像检索是基于文本的，用户通过输入描述服装的关键词进行检索，这种方式被称为基于文本的图像检索(TBIR)。然而，随着服装网购市场的飞速发展，网上服装数量迅猛增加，传统的TBIR系统由于其主观性强、文本描述信息有限以及搜索效率低下等缺点已无法满足用户的需求，因此，基于内容的图像检索(CBIR)技术应运而生。目前主要采用图像的底层视觉特征(颜色、形状和纹理等)来描述图像的内容信息。
颜色是服装图像最稳定的视觉特征，也是图像检索使用的主要特征之一。而在服装检索中，用户最关注的往往是服装的主色。现有的提取服装图像主色的方法主要是k均值聚类算法，但传统的k均值聚类算法应用于服装检索时存在两点不足：第一，传统算法中，图像的聚类数目是人为指定的一个固定值。而事实上，不同类型的服装所需提取的主色数往往不同，因此采用固定值并不合适。第二，传统算法通常随机指定初始聚类中心，这会导致检索结果的不稳定，并影响检索的查准率和查全率。而且，由于随机指定的初始聚类中心并未考虑图像本身的颜色特点，故而导致算法需要进行较多次数的迭代运算才能找到真正的聚类中心，其计算量较大，计算耗时。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足，提供一种基于分类服装的颜色特征提取方法。该方法根据分类后的服装确定聚类数目和初始聚类中心，能够提取到更加稳定的主颜色特征值，有效减少了颜色特征提取时的计算量和计算时间。将本发明方法应用到服装图像检索时，能够有效提高检索的查准率和查全率，并且使得检索结果更加稳定。
本发明的第二目的在于提供一种基于上述方法实现的服装检索系统，通过该系统能够获取到稳定的服装检索结果，并且具有服装查准率和查全率高的优点。
本发明的第一目的通过下述技术方案实现：一种基于分类服装的颜色特征提取方法，步骤如下：
S1、获取服装图像；
S2、将服装图像的颜色转换为HSV空间；
S3、去除服装图像背景；
S4、计算服装图像的H分量颜色直方图，并对其进行N阶量化；
S5、寻找H分量颜色直方图中占比最多的分量作为最大H分量峰值；
S6、采用基于阈值的峰值判断法进行服装图像分类，具体如下：寻找H分量颜色直方图中与最大H分量峰值距离大于Y值且分量频数与最大H分量峰值频数之比大于阈值X的H分量峰值，统计上述寻找到的H分量峰值个数，计算上述寻找到的H分量峰值个数和步骤S5中寻找到的最大H分量峰值个数总和，将该总和作为H分量峰值总数，然后根据该H分量峰值总数进行服装图像分类，将该H分量峰值总数为a的服装图像分类为A，将该H分量峰值总数为a+1～b的服装图像分类为B，将该H分量峰值总数为b+1以上的服装图像分类为C；
S7、针对各种类别的服装图像分别对应选取相应的聚类数目以及初始聚类中心，然后提取出服装图像的主颜色特征值，具体如下：
S71、针对步骤S5中寻找到的最大H分量峰值和步骤S6中寻找到的各H分量峰值对应的占比进行对比；
S72、针对于分类为A的服装图像采用步骤S71中获取到的占比从大到小排名第一的H分量峰值作为主颜色特征值；
S73、针对于分类为B的服装图像，采用k均值聚类算法提取主颜色特征值，其中选取的聚类数目为m，并将步骤S71中获取到的占比从大到小排名前m的m个H分量峰值作为初始聚类中心；
S74、针对于分类为C的服装图像，采用k均值聚类算法提取主颜色特征值，其中选取的聚类数目为n，并将步骤S71中获取到的占比从大到小排名前n的n个H分量峰值作为初始聚类中心，其中n大于m。
优选的，步骤S4中N为36。
优选的，步骤S6中阈值X为10％～30％。
优选的，步骤S6中Y为1或2。
优选的，步骤S6中a为1，b为8，A为纯色，B为带少量图案，C为花色。
优选的，步骤S7中m为4，n为9。
本发明的第二目的通过下述技术方案实现：一种基于上述所述的基于分类服装的颜色特征提取方法实现的服装检索系统，应用于藉由客户端和服务端构建的网络链路架构中，其特征在于，包括：建置于服务端的数据库，用于存储服装图像及其颜色特征值；
建置于服务端的特征提取模块，用于通过上述基于分类服装的颜色特征提取方法提取服装图像的主颜色特征值，并将提取出的服装图像的主颜色特征值存储于数据库中；
以及建置于服务端的特征匹配模块，用于通过上述基于分类服装的颜色特征提取方法提取待检索服装图像的主颜色特征值，然后与数据库中存储的各服装图像的主颜色特征值进行相似度度量计算，最后返回相似度最高的F幅服装图像作为检索结果，并输出至客户端。
优选的，还包括建置于客户端的用户界面模块，用于上传待检索服装图像，用于提供数据库选取以及返回和显示检索结果。
优选的，特征匹配模块中采用欧式距离针对待检索服装图像的主颜色特征值与数据库中存储的各服装图像的主颜色特征值进行相似度度量计算，最后返回相似度最高的F幅服装图像即欧式距离最小的F幅服装图像作为检索结果；
所述F为25，即特征匹配模块中将距离最小的前25幅图像作为检索结果。
优选的，采用Tomcat作为服务端，采用Mysql作为数据库来实现。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明方法采用基于阈值的峰值判断法寻找H分量颜色直方图中的H分量峰值，并且统计出符合要求的H分量峰值和最大H分量峰值个数的总和，然后根据该总和对服装图像进行分类，根据服装图像的分类选取对应的聚类数目以及初始聚类中心，提取出服装图像的主颜色特征值。本发明方法避免了传统聚类算法的随机性，并使聚类算法更适用于服装图像主色的提取，该方法根据分类后的服装确定聚类数目和初始聚类中心，能够提取到更加稳定的主颜色特征值，有效减少了颜色特征提取时的计算量和计算时间。将本发明方法应用到服装图像检索时，可以显著提高检索结果的稳定性，有效提高服装图像检索的查全率和查准率，并大大提升了检索出同类服装的能力。
(2)本发明方法根据H分量峰值总数将服装图像分类为纯色、带少量图案，或花色三类，当服装为纯色时直接将占比最大的H分量峰值即最大H分量峰值作为服装图像的主颜色特征值，当服装为带少量图案或花色时采用k均值聚类算法提取主颜色特征值，并且根据前面得到的各H分量峰值分别选定聚类数目和初始聚类中心，本发明方法提取的服装图像颜色特征值是基于分类服装的，即结合了服装图像本身的颜色特点。因此，基于该颜色特征值的服装图像检索系统的检索性能得到了有效的提升。
附图说明
图1是本发明方法流程图。
图2是本发明方法应用于服装检索时的检索稳定性测试图。
图3是本发明方法、传统k均值聚类算法和传统颜色直方图算法应用于服装检索时的检索效果对比图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
本实施例公开了一种基于分类服装的颜色特征提取方法，如图1所示，步骤如下：
S1、获取服装图像，该服装图像可以从服装图像数据库中载入。
S2、使用opencv的颜色空间转换函数，将服装图像的颜色由RGB空间转换为HSV空间。
S3、去除服装图像背景，具体为采用canny算子进行服装图像的前景边缘检测，提取前景即服装图像主体的像素点。
S4、统计服装图像主体的H分量的频数，获得H分量颜色直方图，并对其进行N阶量化，在本实施例中N可以为36，其中量化为36阶后，每两阶之间的距离为1。
S5、寻找H分量颜色直方图中占比最多的分量作为最大H分量峰值；其中最大H分量峰值是指H分量颜色直方图中频数最高的H分量峰值。
S6、采用基于阈值的峰值判断法进行服装图像分类，具体如下：寻找H分量颜色直方图中与最大H分量峰值距离大于Y值且分量频数与最大H分量峰值频数之比大于阈值X的H分量峰值，统计上述寻找到的H分量峰值个数，计算上述寻找到的H分量峰值个数和步骤S5中寻找到的最大H分量峰值个数总和，将该总和作为H分量峰值总数，然后根据该H分量峰值总数进行服装图像分类，将该H分量峰值总数为a的服装图像分类为A，将该H分量峰值总数为a+1～b的服装图像分类为B，将该H分量峰值总数为b+1以上的服装图像分类为C。
步骤S6阈值X可为10％～30％，Y可为1或2，其中Y的值根据N的大小进行选取，在N较大的情况下，Y可选大点的值；在本实施例中选取X为10％，Y为1，a为1，b为8，A为纯色，B为带少量图案，C为花色；即本步骤中寻找H分量颜色直方图中分量频数与最大H分量峰值频数之比大于阈值10％且与最大H分量峰值距离大于1的H分量峰值；并且统计寻找到的H分量峰值个数和最大H分量峰值个数总和，将该总和作为H分量峰值总数，将该H分量峰值总数为1的服装图像分类为纯色，将该H分量峰值总数为2～8的服装图像分类为带少量图案，将该H分量峰值总数为9以上的服装图像分类为花色。
S7、针对各种类别的服装图像分别对应选取相应的聚类数目以及初始聚类中心，然后提取出服装图像的主颜色特征值，具体如下：
S71、针对步骤S5中寻找到的最大H分量峰值和步骤S6中寻找到的各H分量峰值对应的占比进行对比；然后按照占比从大到小的顺序进行排序，得到排序后的H分量峰值，将排序后的H分量峰值数组记为[c(i)]，其中i＝0，…，I，由于最大H分量峰值即为H分量颜色直方图中占比最多的分量，因此本实施例中c(0)为最大H分量峰值，c(1)～c(I)为步骤S6中H分量颜色直方图中寻找到的各H分量峰值；I+1为H分量峰值总数，即步骤S6中寻找到的H分量峰值个数和步骤S5中寻找到的最大H分量峰值个数总和。
S72、针对于分类为A的服装图像采用步骤S71中获取到的占比从大到小排名第一的H分量峰值作为主颜色特征值。
S73、针对于分类为B的服装图像采用k均值聚类算法提取主颜色特征值，其中选取的聚类数目为m，并将步骤S71中获取到的占比从大到小排名前m的m个H分量峰值作为初始聚类中心，即将H分量峰值数组[c(i)]中前m个H分量峰值c(0)～c(m-1)作为初始聚类中心；在本实施例中m为4。
S74、针对于分类为C的服装图像，采用k均值聚类算法提取主颜色特征值，其中选取的聚类数目为n，并将步骤S71中获取到的占比从大到小排名前n的n个H分量峰值作为初始聚类中心，即将H分量峰值数组[c(i)]中前n个H分量峰值c(0)～c(n-1)作为初始聚类中心；其中n大于m。在本实施例中n＝9。
当本实施例上述方法应用于服装检索时，还包括以下步骤：
S8、采用本实施例上述步骤分别获取待检索服装图像和数据库中每个服装图像的主颜色特征值，计算出待检索服装图像和数据库中每个服装图像的主颜色特征值的欧式距离。
S9、返回相似度最高即欧式距离最小的若干幅图像作为检索结果。
如图2所示为对同一幅待检索服装图像进行检索时，将本实施例上述方法应用于服装检索和将传统k均值聚类算法应用于服装检索时获取到的检索结果，其中检索的次数均为三次，由图2中可以看出，本实施例方法应用于服装检索时，三次的检索结果完全相同，而传统k均值聚类算法应用于服装检索时，三次的检索结果均不相同，且每次检索结果差距较大。可见本实施例上述方法应用于服装检索时，其稳定性相比传统k均值聚类算法要高很多。
如图3所示为将本实施例上述方法、传统k均值聚类算法和传统颜色直方图算法应用到服装检索中作为服装图像颜色特征提取算法时获取到的服装检索的查全率R、查准率P和同类服装查准率S，其中查全率R、查准率P和同类服装查准率S的定义分别如下：
R＝p/(p+q)；
P＝p/(p+r)；
S＝s/(p+r)；
其中p是单次检索中，检索得到的相关图像的数目，r是单次检索中，检索得到的不相关图像的数目，q是图像数据库中与待检索图像相关的但没有被检索出的图像数目，s是单次检索中，检索得到的与待检索服装同一类别(根据前面所述的三种分类)的服装图像数目。
由图3可以看出，本实施例基于分类服装的k均值聚类方法(即改进的k均值聚类方法)应用于服装检索时，其查全率和查准率均优于传统k均值聚类算法和传统颜色直方图算法，且对同类服装的检索能力有了较大的提升。
本实施例方法根据分类后的服装确定聚类数目和初始聚类中心，能够提取到更加稳定的主颜色特征值，有效减少了颜色特征提取时的计算量和计算时间。由图2和图3可以看出，将本实施例方法应用到服装图像检索时，可以显著提高检索结果的稳定性，有效提高服装图像检索的查全率和查准率，并大大提升了检索出同类服装的能力。
本实施例还公开了一种基于上述颜色特征提取方法实现的服装检索系统，该系统应用于藉由客户端和服务端构建的网络链路架构中，该系统基于J2EE平台，使用Tomcat作为服务端，使用Mysql作为数据库来实现，具体包括：
建置于服务端的数据库，用于存储服装图像及其颜色特征值。
建置于服务端的特征提取模块，用于通过权利要求1所述基于分类服装的颜色特征提取方法提取服装图像的主颜色特征值，并将提取出的服装图像的主颜色特征值存储于数据库中。
以及建置于服务端的特征匹配模块，用于通过权利要求1所述基于分类服装的颜色特征提取方法提取待检索服装图像的主颜色特征值，然后与数据库中存储的各服装图像的主颜色特征值进行相似度度量计算，最后返回相似度最高的F幅服装图像作为检索结果，并输出至客户端。在本实施例中特征匹配模块中采用欧式距离针对待检索服装图像的主颜色特征值与数据库中存储的各服装图像的主颜色特征值进行相似度度量计算，最后返回相似度最高的F幅服装图像即欧式距离最小的F幅服装图像作为检索结果；本实施例中F为25，即特征匹配模块中将距离最小的前25幅图像作为检索结果。
建置于客户端的用户界面模块，用于上传待检索服装图像，用于提供数据库选取以及返回和显示检索结果。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于分类服装的颜色特征提取方法，其特征在于，步骤如下：
S1、获取服装图像；
S2、将服装图像的颜色转换为HSV空间；
S3、去除服装图像背景；
S4、计算服装图像的H分量颜色直方图，并对其进行N阶量化；
S5、寻找H分量颜色直方图中占比最多的分量作为最大H分量峰值；
S6、采用基于阈值的峰值判断法进行服装图像分类，具体如下：寻找H分量颜色直方图中与最大H分量峰值距离大于Y值且分量频数与最大H分量峰值频数之比大于阈值X的H分量峰值，统计上述寻找到的H分量峰值个数，计算上述寻找到的H分量峰值个数和步骤S5中寻找到的最大H分量峰值个数总和，将该总和作为H分量峰值总数，然后根据该H分量峰值总数进行服装图像分类，将该H分量峰值总数为a的服装图像分类为A，将该H分量峰值总数为a+1～b的服装图像分类为B，将该H分量峰值总数为b+1以上的服装图像分类为C；
S7、针对各种类别的服装图像分别对应选取相应的聚类数目以及初始聚类中心，然后提取出服装图像的主颜色特征值，具体如下：
S71、针对步骤S5中寻找到的最大H分量峰值和步骤S6中寻找到的各H分量峰值对应的占比进行对比；
S72、针对于分类为A的服装图像采用步骤S71中获取到的占比从大到小排名第一的H分量峰值作为主颜色特征值；
S73、针对于分类为B的服装图像，采用k均值聚类算法提取主颜色特征值，其中选取的聚类数目为m，并将步骤S71中获取到的占比从大到小排名前m的m个H分量峰值作为初始聚类中心；
S74、针对于分类为C的服装图像，采用k均值聚类算法提取主颜色特征值，其中选取的聚类数目为n，并将步骤S71中获取到的占比从大到小排名前n的n个H分量峰值作为初始聚类中心，其中n大于m。
2.根据权利要求1所述的基于分类服装的颜色特征提取方法，其特征在于，步骤S4中N为36。
3.根据权利要求1所述的基于分类服装的颜色特征提取方法，其特征在于，步骤S6中阈值X为10％～30％。
4.根据权利要求1所述的基于分类服装的颜色特征提取方法，其特征在于，步骤S6中Y为1或2。
5.根据权利要求1所述的基于分类服装的颜色特征提取方法，其特征在于，步骤S6中a为1，b为8，A为纯色，B为带少量图案，C为花色。
6.根据权利要求1所述的基于分类服装的颜色特征提取方法，其特征在于，步骤S7中m为4，n为9。
7.一种基于权利要求1所述基于分类服装的颜色特征提取方法实现的服装检索系统，应用于藉由客户端和服务端构建的网络链路架构中，其特征在于，包括：建置于服务端的数据库，用于存储服装图像及其颜色特征值；
建置于服务端的特征提取模块，用于通过权利要求1所述基于分类服装的颜色特征提取方法提取服装图像的主颜色特征值，并将提取出的服装图像的主颜色特征值存储于数据库中；
以及建置于服务端的特征匹配模块，用于通过权利要求1所述基于分类服装的颜色特征提取方法提取待检索服装图像的主颜色特征值，然后与数据库中存储的各服装图像的主颜色特征值进行相似度度量计算，最后返回相似度最高的F幅服装图像作为检索结果，并输出至客户端。
8.根据权利要求7所述的服装检索系统，其特征在于，还包括建置于客户端的用户界面模块，用于上传待检索服装图像，用于提供数据库选取以及返回和显示检索结果。
9.根据权利要求7所述的服装检索系统，其特征在于，特征匹配模块中采用欧式距离针对待检索服装图像的主颜色特征值与数据库中存储的各服装图像的主颜色特征值进行相似度度量计算，最后返回相似度最高的F幅服装图像即欧式距离最小的F幅服装图像作为检索结果；
所述F为25，即特征匹配模块中将距离最小的前25幅图像作为检索结果。
10.根据权利要求7所述的服装检索系统，其特征在于，采用Tomcat作为服务端，采用Mysql作为数据库来实现。
CN201610592766.2A 2016-07-25 2016-07-25 一种基于分类服装的颜色特征提取方法及服装检索系统 Expired - Fee Related CN106250431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610592766.2A CN106250431B (zh) 2016-07-25 2016-07-25 一种基于分类服装的颜色特征提取方法及服装检索系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610592766.2A CN106250431B (zh) 2016-07-25 2016-07-25 一种基于分类服装的颜色特征提取方法及服装检索系统

Publications (2)

Publication Number Publication Date
CN106250431A CN106250431A (zh) 2016-12-21
CN106250431B true CN106250431B (zh) 2019-03-22

Family

ID=57603496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610592766.2A Expired - Fee Related CN106250431B (zh) 2016-07-25 2016-07-25 一种基于分类服装的颜色特征提取方法及服装检索系统

Country Status (1)

Country Link
CN (1) CN106250431B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742123B (zh) * 2017-10-17 2019-12-03 华南师范大学 基于角点的服装款式特征提取方法及服装检索方法和系统
CN110349223B (zh) * 2018-04-08 2021-04-30 中兴通讯股份有限公司 一种图像处理的方法及装置
CN109063781B (zh) * 2018-08-14 2021-12-03 浙江理工大学 一种仿自然色彩功能和形式的模糊意象织物设计方法
CN109299394A (zh) * 2018-11-26 2019-02-01 Oppo广东移动通信有限公司 信息推送方法及相关产品
CN111476253B (zh) * 2019-01-23 2024-04-02 阿里巴巴集团控股有限公司 服装图像分类、图像分类方法、装置及设备
CN110598523B (zh) * 2019-07-22 2021-10-26 浙江工业大学 一种服装图片的联合颜色分类与分组方法
CN110569859B (zh) * 2019-08-29 2020-09-01 杭州光云科技股份有限公司 一种服装图像的颜色特征提取方法
CN112561976A (zh) * 2020-12-09 2021-03-26 齐鲁工业大学 一种图像主颜色特征提取方法、图像检索方法、存储介质及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853299A (zh) * 2010-05-31 2010-10-06 杭州淘淘搜科技有限公司 一种基于感性认知的图像检索结果排序方法
CN103458242A (zh) * 2013-07-02 2013-12-18 北京京北方信息技术有限公司 基于颜色分类与聚类的图像压缩和解压缩方法
CN103544218A (zh) * 2013-09-29 2014-01-29 广西师范大学 非固定k值的最近邻填充方法
CN103955543A (zh) * 2014-05-20 2014-07-30 电子科技大学 基于多模态的服装图像检索方法
US8798362B2 (en) * 2011-08-15 2014-08-05 Hewlett-Packard Development Company, L.P. Clothing search in images

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853299A (zh) * 2010-05-31 2010-10-06 杭州淘淘搜科技有限公司 一种基于感性认知的图像检索结果排序方法
US8798362B2 (en) * 2011-08-15 2014-08-05 Hewlett-Packard Development Company, L.P. Clothing search in images
CN103458242A (zh) * 2013-07-02 2013-12-18 北京京北方信息技术有限公司 基于颜色分类与聚类的图像压缩和解压缩方法
CN103544218A (zh) * 2013-09-29 2014-01-29 广西师范大学 非固定k值的最近邻填充方法
CN103955543A (zh) * 2014-05-20 2014-07-30 电子科技大学 基于多模态的服装图像检索方法

Also Published As

Publication number Publication date
CN106250431A (zh) 2016-12-21

Similar Documents

Publication Publication Date Title
CN106250431B (zh) 一种基于分类服装的颜色特征提取方法及服装检索系统
CN101551823B (zh) 一种综合多特征图像检索方法
CN102542058B (zh) 一种融合全局与局部视觉特征的层次化地标识别方法
CN102073748B (zh) 一种基于视觉关键词的遥感影像语义检索方法
CN109189991A (zh) 重复视频识别方法、装置、终端及计算机可读存储介质
CN101706780A (zh) 一种基于视觉注意力模型的图像语义检索方法
CN103065153A (zh) 一种基于色彩量化和聚类的视频关键帧提取方法
CN106021575A (zh) 一种视频中同款商品检索方法及装置
CN103366178A (zh) 一种用于对目标图像进行颜色分类的方法与设备
CN102890700A (zh) 一种基于体育比赛视频的相似视频片段检索方法
CN110188217A (zh) 图像查重方法、装置、设备和计算机可读储存介质
CN105404657A (zh) 一种基于cedd特征和phog特征的图像检索方法
CN103049513A (zh) 一种服饰鞋包类商品图像多视觉特征融合方法
Rangkuti et al. Batik image retrieval based on similarity of shape and texture characteristics
CN108985346A (zh) 融合低层图像特征及cnn特征的现勘图像检索方法
Jaswal et al. Content based image retrieval using color space approaches
Khotanzad et al. Color image retrieval using multispectral random field texture model and color content features
Gouiffès et al. Body color sets: A compact and reliable representation of images
Kothyari et al. Content based image retrieval using statistical feature and shape extraction
Jain et al. A novel approach for image classification in Content based image retrieval using support vector machine
CN110162654A (zh) 一种基于融合特征与检索结果优化的现勘图像检索算法
JP2006221525A (ja) オブジェクト検索システムおよび方法
Xia et al. Multi-scale local spatial binary patterns for content-based image retrieval
Bajaj et al. An approach for similarity matching and comparison in content based image retrieval system
Tripathi et al. A new technique for CBIR with contrast enhancement using multi-feature and multi class SVM classification

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

Granted publication date: 20190322

Termination date: 20200725

CF01 Termination of patent right due to non-payment of annual fee