CN107357834A - 一种基于视觉显著性融合的图像检索方法 - Google Patents
一种基于视觉显著性融合的图像检索方法 Download PDFInfo
- Publication number
- CN107357834A CN107357834A CN201710479300.6A CN201710479300A CN107357834A CN 107357834 A CN107357834 A CN 107357834A CN 201710479300 A CN201710479300 A CN 201710479300A CN 107357834 A CN107357834 A CN 107357834A
- Authority
- CN
- China
- Prior art keywords
- image
- foreground target
- training
- feature
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000000007 visual effect Effects 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 238000011017 operating method Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/5862—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
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于视觉显著性融合的图像检索方法,检索对象为彩色图像,所述图像检索方法包括训练过程和测试过程;所述训练过程包括步骤一、建立视觉词汇字典:依次对训练图像集中的每张图像进行分析处理,为后续检索建立一个视觉词汇字典;步骤二、利用图像的视觉显著性特征融合算法得到视觉显著性图,再根据显著图分割得到图像的前景目标图和背景区域图;步骤三、对前景目标图和背景区域图分别提取图像的色彩特征和纹理特征;步骤四、在步骤一的操作基础上,统计数据库中每张图片的视觉词汇分布直方图;所述测试过程包括步骤五;对测试图像进行检索。本发明提供一种分割效果较好、检索性能较高的基于视觉显著性融合的图像检索方法。
Description
技术领域
本发明涉及一种图像检索方法,特别涉及一种基于视觉显著性融合的图像检索方法,属于基于内容的图像检索领域。
背景技术
随着多媒体技术的发展,数字图像的数量呈现了几何级的增长。如何在浩繁的图像资源中快速准确的查找出用户请求的资源也摆在了人们面前。
基于内容的图像检索技术允许用户输入一张图片以查找具有相同或是相似内容的其他图片,它代表了图像检索技术的主流发展趋势。
Josef Sivic等人于2006年提出了词袋模型。其核心思想是在整幅图像中检测一些关键点,然后提取这些关键点的局部特征,之后这些局部特征被量化为“视觉词”。这样每幅图像都可以表示成关于“视觉词”的特征向量。之后就可以借鉴文本检索的成熟技术,应用可扩展的索引及快速搜索技术完成检索。
词袋模型具有简单及可以利用文本检索成熟技术等特点,但是同时具有一定的缺陷。因为一幅图像中可能包含了前景目标和背景两部分,如果在整幅图像中进行特征提取容易造成主体目标不够明确,次要目标特征显著于前景目标等结果,这样会大大影响图像检索的结果。
图像显著性是图像中重要的视觉特征,体现了人眼对图像的某些区域的重视程度。自从1998年Itti的工作以来,产生了大量的显著性映射方法,图像显著性也广泛应用于图像压缩、编码、图像边缘和区域加强、显著性目标分割和提取等。图像显著性分析应用广泛,主要包括:基于视觉显著性区域的自适应图像压缩和编码,基于视觉显著性度量的图像边缘或区域加强,基于视觉显著性分析的目标分割或提取等。
发明内容
为了克服现有图像检索方法的分割效果较差、检索性能较低的不足,本发明提供一种分割效果较好、检索性能较高的基于视觉显著性融合的图像检索方法,利用显著性融合算法将不同的显著性模型融合起来,能够提升图像分割的效果,进而提高图像检索的性能。
本发明的目的是通过下述技术方案实现的。
一种基于视觉显著性融合的图像检索方法,检索对象为彩色图像,所述图像检索方法包括训练过程和测试过程;
所述训练过程包括步骤一至步骤四:
步骤一、建立视觉词汇字典:依次对训练图像集中的每张图像进行分析处理,为后续检索建立一个视觉词汇字典;
步骤二、利用图像的视觉显著性特征融合算法得到视觉显著性图,再根据显著图分割得到图像的前景目标图和背景区域图;
步骤三、对前景目标图和背景区域图分别提取图像的色彩特征和纹理特征;
步骤四、在步骤一的操作基础上,统计数据库中每张图片的视觉词汇分布直方图;
所述测试过程包括步骤五;
步骤五、对测试图像进行检索,过程如下:
步骤5.1:对测试图像用步骤二所述方法分割得到前景目标图和背景区域图;
步骤5.2:对测试图像用步骤三所述方法提取测试图像前景目标图和背景区域图的色彩特征和纹理特征;
步骤5.3:对测试图像用步骤四所述方法统计前景目标图和背景区域图的视觉词汇统计直方图;
步骤5.4:将测试图像按照步骤5.1,步骤5.2和步骤5.3得到的每个特征依次与训练图像集中的每张图像的对应特征进行距离度量;
步骤5.5:对步骤5.4所得的每种特征的距离度量进行累加,得到总距离,用D1,D2,…Di表示,其中i代表训练图像集中的图像数量;
步骤5.6:针对训练图像集中的每张图像,按照D1,D2,…Di从小到大的顺序对训练图像排序并输出;
经过上述步骤的操作,即可实现对测试图像的检索。
进一步,所述步骤5.4中,距离度量采用的方法是余弦距离。
再进一步,所述步骤一中,建立视觉词汇字典的过程为:
步骤1.1:将彩色图像转换成灰度图像。
步骤1.2:在步骤1.1得到的灰度图像上获取训练图像集中的每张图像的特征向量表示集,用Fm表示,其中F1、F2、……Fm分别表示一张图像的特征向量表示集,m表示训练图像集中图像的数目;所述特征向量是多维的,其维度用N表示,N>2;
所述获取训练图像集中的每张图像的特征向量表示集的方法为SIFT算法;
步骤1.3:对于步骤1.2得到的特征表示集中的特征向量进行聚类并获取每个特征类别的代表特征向量,得到K个类别,K个代表特征向量,K为正整数;
所述聚类方法为K-means聚类算法,所述每个特征类别的代表特征向量为该特征类别中全部特征向量聚类的质心;
步骤1.4:得到后续检索所需的视觉词汇字典,所述视觉词汇字典由步骤1.4所得的每个特征类别的代表特征向量组成。
所述步骤二中,针对单张图像的操作步骤为:
步骤2.1:使用7种不同的视觉显著性算法计算图像的视觉显著性图,所述7种不同的视觉显著性算法分别为AMC、BL、BSCA、HC、MR、MS和ST;
步骤2.2:使用DLRMR算法将得到的不同的视觉显著性算法融合成视觉显著图分割;
步骤2.3:利用步骤2.2得到的视觉显著性图,进行图像阈值分割算法,分别得到图像的前景目标图与背景区域图。
所述步骤三中,针对单张图像的操作步骤为:
步骤3.1:将前景目标图和背景区域图的色彩空间转换到HSV色彩空间;
步骤3.2在前景目标图的H通道和S通道中提取色彩特征。提取方法采用计算H值和S值的统计直方图的算法;
步骤3.3在背景区域图的H通道和S通道中提取色彩特征。提取方法采用计算H值和S值的统计直方图的算法;
步骤3.4在前景目标图的V通道上提取纹理特征。提取方法采用局部二值模式算法;
步骤3.5在背景区域图的V通道上提取纹理特征。提取方法采用局部二值模式算法。
所述步骤四中,针对单张图像,建立特征表示的具体操作步骤为:
步骤4.1:将步骤二得到的前景目标图转化为灰度图像;
步骤4.2:在步骤4.1得到的灰度图像中结合步骤一得到的视觉词汇字典,分别统计前景目标图的视觉词汇的统计直方图。
本发明的技术构思为:本发明结合图像视觉显著性融合算法,将一整幅图片分割出前景目标和背景,融合前景目标和背景的图像特征,借助于词袋模型完成检索。本方法较传统的词袋模型检索算法能更精确地表示检索图片的语义内容,是一种能有效的减少语义鸿沟的检索方法。将前景和背景分开表示后再组合后,图像的特征表示更加具有区别性,图像检索效果更好。
本发明的效果和益处是:本发明提出了一种基于视觉显著性融合的图像检索方法,通过借助于视觉显著性融合模型,将图像分割为前景目标图和背景区域图,然后在这两类图像上分别提取色彩、纹理等全局特征及SIFT等局部特征,最后将这些特征用于图像检索。这种检索方法可以更准确的表示检索图片的语义内容,是一种减少检索中语义鸿沟的有效尝试。
附图说明
图1是一种基于视觉显著性分割的基于内容的图像检索方法的流程示意图。
图2是显著性融合算法的示意图。
具体实施方式
为了更好的说明本发明的技术方案,下面结合附图,通过1个实施例,对本发明做进一步说明。
参照图1和图2,一种基于视觉显著性融合的图像检索方法,本实施案例中的图片分为100类,每类图片有100张。在每类图片中随机挑选20张图片用于训练,剩余80张图片用于测试。使用基于视觉显著性分割的基于内容的图像检索方法对训练图像进行训练以及对测试图像进行检索,其结构框架如图1所示,具体操作步骤包括训练过程和测试过程。
所述训练过程包括步骤一至步骤四,具体为:
步骤一、建立视觉词汇字典。
依次对训练图像集中的每张图像进行分析处理,为后续检索建立一个视觉词汇字典。建立视觉词汇字典的具体步骤为:
步骤1.1:将彩色图像转换成灰度图像。
步骤1.2:在步骤1.1得到的灰度图像上获取训练图像集中的每张图像的特征向量表示集,用Fm表示,其中F1、F2、……Fm分别表示一张图像的特征向量表示集,m=2000表示训练图像集中图像的数目;所述特征向量是128维的。
所述获取训练图像集中的每张图像的特征表示集的方法为SIFT(ScaleInvariant Feature Transform)算法。
步骤1.3:对于步骤1.2得到的特征表示集中的特征向量进行聚类并获取每个特征类别的代表特征向量。得到30个类别,30个代表特征向量。
所述聚类方法为K-means聚类算法。
所述每个特征类别的代表特征向量为该特征类别中全部特征向量聚类的质心。
步骤1.4:得到后续检索所需的视觉词汇字典。所述视觉词汇字典由步骤1.4所得的每个特征类别的代表特征向量组成。
步骤二、利用图像的视觉显著性特征融合算法得到显著性图,再根据显著图分割得到图像的前景目标图和背景区域图。针对单张图像的具体操作步骤为:
步骤2.1:使用7种不同的视觉显著性算法(AMC、BL、BSCA、HC、MR、MS、ST)计算图像的显著性图。
步骤2.2:使用DLRMR算法将得到的不同的显著性算法融合成显著图分割。
步骤2.3:利用步骤2.2得到的显著性图,进行图像阈值分割算法,分别得到图像的前景目标图与背景区域图。
步骤三、对前景目标图和背景区域图分别提取图像的色彩特征和纹理特征。针对单张图像的具体操作步骤为:
步骤3.1:将前景目标图和背景区域图的色彩空间转换到HSV色彩空间。
步骤3.2:在前景目标图的H通道和S通道中提取色彩特征。提取方法采用计算H值和S值的统计直方图的算法。H通道直方图有64维,S通道直方图有16维。
步骤3.3:在背景区域图的H通道和S通道中提取色彩特征。提取方法采用计算H值和S值的统计直方图的算法。H通道直方图有64维,S通道直方图有16维。
步骤3.4:在前景目标图的V通道上提取纹理特征。提取方法采用局部二值模式(Local Binary Pattern)算法。所述纹理特征有256维。
步骤3.5在背景区域图的V通道上提取纹理特征。提取方法采用局部二值模式(Local Binary Pattern)算法。所述纹理特征有256维。
步骤四、在步骤一的操作基础上,统计数据库中每张图片的视觉词汇分布直方图。针对单张图像,建立特征表示的具体操作步骤为:
步骤4.1:将步骤二得到的前景目标图转化为灰度图像。
步骤4.2:在步骤4.1得到的灰度图像中结合步骤1得到的视觉词汇字典,分别统计前景目标图中视觉词汇字典中视觉词汇出现的统计直方图。
所述测试过程包括步骤五。
步骤五、在步骤一到步骤四操作的基础上,对测试图像进行检索。
步骤5.1:对测试图像用步骤二所述方法分割得到前景目标图和背景区域图。
步骤5.2:对测试图像用步骤三所述方法提取测试图像前景目标图和背景区域图的色彩特征和纹理特征。
步骤5.3:对测试图像用步骤四所述方法统计前景目标图的视觉词汇统计直方图。
步骤5.4:将测试图像按照步骤5.1,步骤5.2和步骤5.3得到的每个特征依次与训练图像集中的每张图像的对应特征进行距离度量,得到的距离分别用DS,DHC,DSC和DLBP表示。距离度量采用的方法是余弦距离。
步骤5.5:对步骤5.4所得的每种特征的距离度量进行加权累加,得到总距离,用D1,D2,…Di表示,其中i代表训练图像集中的图像数量,Di=DS+DHC+DSC+3*DLBP
步骤5.6:针对训练图像集中的每张图像,按照D1,D2,…Di从小到大的顺序对训练图像排序并输出。
经过上述步骤的操作,即可实现对测试图像的检索。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例,用于解释本发明,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于视觉显著性融合的图像检索方法,其特征在于:检索对象为彩色图像所述图像检索方法包括训练过程和测试过程;
所述训练过程包括步骤一至步骤四:
步骤一、建立视觉词汇字典:依次对训练图像集中的每张图像进行分析处理,为后续检索建立一个视觉词汇字典;
步骤二、利用图像的视觉显著性特征融合算法得到视觉显著性图,再根据显著图分割得到图像的前景目标图和背景区域图;
步骤三、对前景目标图和背景区域图分别提取图像的色彩特征和纹理特征;
步骤四、在步骤一的操作基础上,统计数据库中每张图片的视觉词汇分布直方图;
所述测试过程包括步骤五;
步骤五、对测试图像进行检索,过程如下:
步骤5.1:对测试图像用步骤二所述方法分割得到前景目标图和背景区域图;
步骤5.2:对测试图像用步骤三所述方法提取测试图像前景目标图和背景区域图的色彩特征和纹理特征;
步骤5.3:对测试图像用步骤四所述方法统计前景目标图和背景区域图的视觉词汇统计直方图;
步骤5.4:将测试图像按照步骤5.1,步骤5.2和步骤5.3得到的每个特征依次与训练图像集中的每张图像的对应特征进行距离度量;
步骤5.5:对步骤5.4所得的每种特征的距离度量进行累加,得到总距离,用D1,D2,…Di表示,其中i代表训练图像集中的图像数量;
步骤5.6:针对训练图像集中的每张图像,按照D1,D2,…Di从小到大的顺序对训练图像排序并输出;
经过上述步骤的操作,即可实现对测试图像的检索。
2.如权利要求1所述的一种基于视觉显著性融合的图像检索方法,其特征在于:所述步骤5.4中,距离度量采用的方法是余弦距离。
3.如权利要求1或2所述的一种基于视觉显著性融合的图像检索方法,其特征在于:所述步骤一中,建立视觉词汇字典的过程为:
步骤1.1:将彩色图像转换成灰度图像。
步骤1.2:在步骤1.1得到的灰度图像上获取训练图像集中的每张图像的特征向量表示集,用Fm表示,其中F1、F2、……Fm分别表示一张图像的特征向量表示集,m表示训练图像集中图像的数目;所述特征向量是多维的,其维度用N表示,N>2;
所述获取训练图像集中的每张图像的特征向量表示集的方法为SIFT算法;
步骤1.3:对于步骤1.2得到的特征表示集中的特征向量进行聚类并获取每个特征类别的代表特征向量,得到K个类别,K个代表特征向量,K为正整数;
所述聚类方法为K-means聚类算法,所述每个特征类别的代表特征向量为该特征类别中全部特征向量聚类的质心;
步骤1.4:得到后续检索所需的视觉词汇字典,所述视觉词汇字典由步骤1.4所得的每个特征类别的代表特征向量组成。
4.如权利要求1或2所述的一种基于视觉显著性融合的图像检索方法,其特征在于:所述步骤二中,针对单张图像的操作步骤为:
步骤2.1:使用7种不同的视觉显著性算法计算图像的视觉显著性图,所述7种不同的视觉显著性算法分别为AMC、BL、BSCA、HC、MR、MS和ST;
步骤2.2:使用DLRMR算法将得到的不同的视觉显著性算法融合成视觉显著图分割;
步骤2.3:利用步骤2.2得到的视觉显著性图,进行图像阈值分割算法,分别得到图像的前景目标图与背景区域图。
5.如权利要求1或2所述的一种基于视觉显著性融合的图像检索方法,其特征在于:所述步骤三中,针对单张图像的操作步骤为:
步骤3.1:将前景目标图和背景区域图的色彩空间转换到HSV色彩空间;
步骤3.2在前景目标图的H通道和S通道中提取色彩特征。提取方法采用计算H值和S值的统计直方图的算法;
步骤3.3在背景区域图的H通道和S通道中提取色彩特征。提取方法采用计算H值和S值的统计直方图的算法;
步骤3.4在前景目标图的V通道上提取纹理特征。提取方法采用局部二值模式算法;
步骤3.5在背景区域图的V通道上提取纹理特征。提取方法采用局部二值模式算法。
6.如权利要求1或2所述的一种基于视觉显著性融合的图像检索方法,其特征在于:所述步骤四中,针对单张图像,建立特征表示的具体操作步骤为:
步骤4.1:将步骤二得到的前景目标图转化为灰度图像;
步骤4.2:在步骤4.1得到的灰度图像中结合步骤一得到的视觉词汇字典,分别统计前景目标图的视觉词汇的统计直方图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710479300.6A CN107357834A (zh) | 2017-06-22 | 2017-06-22 | 一种基于视觉显著性融合的图像检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710479300.6A CN107357834A (zh) | 2017-06-22 | 2017-06-22 | 一种基于视觉显著性融合的图像检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107357834A true CN107357834A (zh) | 2017-11-17 |
Family
ID=60272997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710479300.6A Pending CN107357834A (zh) | 2017-06-22 | 2017-06-22 | 一种基于视觉显著性融合的图像检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107357834A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596893A (zh) * | 2018-04-24 | 2018-09-28 | 东北大学 | 一种图像处理方法及系统 |
CN108960042A (zh) * | 2018-05-17 | 2018-12-07 | 新疆医科大学第附属医院 | 视觉显著性与sift特征的棘球绦虫原头蚴存活率检测方法 |
CN108985331A (zh) * | 2018-06-14 | 2018-12-11 | 浙江工业大学 | 一种基于对抗生成网络的目标计数方法 |
CN117874278A (zh) * | 2024-03-11 | 2024-04-12 | 盛视科技股份有限公司 | 基于多区域特征组合的图像检索方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138672A (zh) * | 2015-09-07 | 2015-12-09 | 北京工业大学 | 一种多特征融合的图像检索方法 |
CN106844785A (zh) * | 2017-03-15 | 2017-06-13 | 浙江工业大学 | 一种基于显著性分割的基于内容的图像检索方法 |
-
2017
- 2017-06-22 CN CN201710479300.6A patent/CN107357834A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138672A (zh) * | 2015-09-07 | 2015-12-09 | 北京工业大学 | 一种多特征融合的图像检索方法 |
CN106844785A (zh) * | 2017-03-15 | 2017-06-13 | 浙江工业大学 | 一种基于显著性分割的基于内容的图像检索方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596893A (zh) * | 2018-04-24 | 2018-09-28 | 东北大学 | 一种图像处理方法及系统 |
CN108596893B (zh) * | 2018-04-24 | 2022-04-08 | 东北大学 | 一种图像处理方法及系统 |
CN108960042A (zh) * | 2018-05-17 | 2018-12-07 | 新疆医科大学第附属医院 | 视觉显著性与sift特征的棘球绦虫原头蚴存活率检测方法 |
CN108960042B (zh) * | 2018-05-17 | 2021-06-08 | 新疆医科大学第一附属医院 | 视觉显著性与sift特征的棘球绦虫原头蚴存活率检测方法 |
CN108985331A (zh) * | 2018-06-14 | 2018-12-11 | 浙江工业大学 | 一种基于对抗生成网络的目标计数方法 |
CN117874278A (zh) * | 2024-03-11 | 2024-04-12 | 盛视科技股份有限公司 | 基于多区域特征组合的图像检索方法及系统 |
CN117874278B (zh) * | 2024-03-11 | 2024-05-28 | 盛视科技股份有限公司 | 基于多区域特征组合的图像检索方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104199931B (zh) | 一种商标图像一致语义提取方法及商标检索方法 | |
CN107688784A (zh) | 一种基于深层特征和浅层特征融合的字符识别方法及存储介质 | |
CN106844785A (zh) | 一种基于显著性分割的基于内容的图像检索方法 | |
CN106126581A (zh) | 基于深度学习的手绘草图图像检索方法 | |
CN103714181B (zh) | 一种层级化的特定人物检索方法 | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
CN106021603A (zh) | 一种基于分割和特征匹配的服装图像检索方法 | |
CN102968637A (zh) | 一种复杂背景图像文字分割方法 | |
CN107357834A (zh) | 一种基于视觉显著性融合的图像检索方法 | |
Tian et al. | Natural scene text detection with MC–MR candidate extraction and coarse-to-fine filtering | |
CN102938054A (zh) | 基于视觉注意模型的压缩域敏感图像识别方法 | |
CN109711416A (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN111046732A (zh) | 一种基于多粒度语义解析的行人重识别方法及存储介质 | |
Li et al. | Fast and effective text detection | |
CN101398846A (zh) | 基于局部颜色空间特征的图像语义概念检测的方法 | |
CN106845513A (zh) | 基于条件随机森林的人手检测器及方法 | |
CN104850822A (zh) | 基于多特征融合的简单背景下的叶片识别方法 | |
Madan et al. | Synthetically trained icon proposals for parsing and summarizing infographics | |
Wang et al. | S 3 D: Scalable pedestrian detection via score scale surface discrimination | |
WO2023035558A1 (zh) | 一种基于锚点切图的图像处理方法、装置、设备和介质 | |
CN108647703A (zh) | 一种基于显著性的分类图像库的类型判断方法 | |
CN106203448A (zh) | 一种基于非线性尺度空间的场景分类方法 | |
CN106326451A (zh) | 一种基于视觉特征提取的网页传感信息块判决方法 | |
CN109934852B (zh) | 一种基于对象属性关系图的视频描述方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171117 |