CN107526772A - Spark平台下基于SURF‑BIT算法的图像检索系统 - Google Patents
Spark平台下基于SURF‑BIT算法的图像检索系统 Download PDFInfo
- Publication number
- CN107526772A CN107526772A CN201710567034.2A CN201710567034A CN107526772A CN 107526772 A CN107526772 A CN 107526772A CN 201710567034 A CN201710567034 A CN 201710567034A CN 107526772 A CN107526772 A CN 107526772A
- Authority
- CN
- China
- Prior art keywords
- image
- surf
- point
- feature
- bit
- 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
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Spark平台下基于SURF‑BIT算法的图像检索系统,Spark是专为大规模数据处理而设计的快速的计算引擎,用于克服检索速度和准确性方面的缺陷。相对于传统的SURF使用浮点数描述符表示图像特征点,BRISK使用均匀采样模式生成二进制描述符,本发明将两者融合减少了内存消耗并加快了图像检索速度。在图像匹配阶段,我们用RANSAC剔除预匹配点对中的误匹配点对,以进一步提高匹配点对的准确性。实验结果表明,与传统图像检索系统相比,我们提出的图像检索(CBIR)系统的检索速度和准确度达到了新的阶段。
Description
技术领域
本发明涉及图像数据处理领域,尤其涉及一种自适应遗传方法的显著 性检测方法。
背景技术
图像是一个重要的信息载体。随着多媒体技术和互联网的蓬勃发展, 每天都会产生大量的图像数据。如何在海量图像数据库中快速准确地检索 所需图像正成为一个迫切的问题。如何在大型图像数据库中有效检索相关 图像是目前的图像检索CBIR(ContentBased Image Retrieval),即基于 内容的图像检索领域的一个热门话题。CBIR利用图像的低层特征(如形状, 颜色,纹理,空间布局等)进行图像检索。
在图像特征提取领域中,现有技术SIFT(Scale-Invariant Feature Transform)和SURF是两种杰出的算法。SIFT利用图像金字塔检测不同尺 度的特征点,并通过计算一个关键点的一组方向直方图来构建关键点描述 符。虽然SIFT具有良好的表现,但建立图像金字塔花费大量的时间。SURF 的特点是使用积分图像,大大加快了计算时间。一般来说,SURF具有更好 的鲁棒性,并且比SIFT更快,但构建特征描述符仍然需要很多时间。为了 进一步减少计算时间,研究人员提出了一些新的二进制特征描述符,如2011 年Rublee提出的ORB(OrientedFAST and Rotated BRIEF)描述符,2011 年由Leutenegger提出的BRISK描述符等。
CBIR广泛应用于图像检索,如医疗诊断,预防犯罪等领域。然而,在 TB或甚至PB级的图像数据库中,传统的CBIR的检索速度和准确度遇到瓶 颈。
发明内容
本发明要解决的技术问题是:设计一种在TB或甚至PB级的图像数据 库中,图像检索速度和准确度更高的图像检索系统。
为了解决上述技术问题,本发明提出一种。Spark平台下基于SURF-BIT 算法的图像检索系统,其特征在于:
步骤1:对图像预处理,将原始图像上传到HDFS,并为每个图像名称重 命名一个唯一的标识符ID;
步骤2:利用SURF-BIT算法开始提取图像特征,并获得二进制的特征描 述符,SURF-BIT算法的具体步骤如下:
1.基于SURF的特征点检测:
a)建立Hessian矩阵并得出Hessian矩阵的行列式近似值;
b)使用不同尺寸的盒式过滤器来构建尺度空间;
c)提取局部特征点;
d)确定特征点的主要方向;
2.建立基于BRISK的二进制的特征描述符:
a)构造不同半径的同心圆,其圆心是SURF检测到的特征点;
b)通过均匀采样模式获取N个采样点;
c)生成二进制的特征描述符;
步骤3:定义一个表示每个图像的图像类,所述的图像类包含该图像的 特征描述符集合和图像的唯一标识符ID;
步骤4:通过对象序列化技术,将所有图像对象保存到分布式文件系统 HDFS中,完成图像数据库的构建;
步骤5:将查询图像的特征描述符与步骤4中图像数据库中的图像的特 征描述符进行比较,生成初匹配点对;
步骤6:采用RANSAC消除误匹配的点对,从而获得更精确的匹配点对;
步骤7:如果两张图像的匹配点对数超过阈值,认为这两张图像相似, 并输出匹配图像的标识符ID。
作为一种优选:步骤5的生成初匹配点对的方法是基于SURF-BIT描述 符,通过计算描述符的汉明距离实现匹配:
假设两个SURF-BIT描述符S1,S2,其汉明距离D可以定义如下:
D的值越小,S1和S2之间的相似度越高;如果两个特征描述符的相似度 超过阈值,则认为这对特征描述符是匹配的。
本发明有益效果:
1.改进SURF算法:将SURF算法和BRISK算法结合进行特点提取,减 少了内存消耗并加快了图像检索速度。
2.特征点匹配时使用RANSAC算法剔除误匹配点,增加匹配点的精确度。
3.使用SPARK并行平台加快图像检索速度。
附图说明
附图1:本发明的CBIR系统工作流程图。
附图2:本发明的检索系统与传统检索系统在系统执行速度的比较。
具体实施方式
本发明方法采用的技术要点包括:基本的SURF特征提取、BRISK特征 描述符、Spark数据处理系统。
(一)基本的SURF特征提取
与SIFT不同,SURF的特征点检测基于Hessian矩阵。SURF通过查找 Hessian矩阵行列式的局部最大值来定位特征点,并使用积分图像来加快计 算速度。在σ尺度上,图像像素点X=(x,y)的Hessian矩阵定义如下公 式(1):
Lxx(x,σ)是高斯二阶微分和图像I=(x,y)在点卷积的结果。Lxy(x,σ)和 Lyy(x,σ)意义类似。
为了提高计算速度,提出使用盒式滤波器来近似代替高斯滤波,并利 用积分图像加速卷积计算的过程。Hessian矩阵的近似行列式公式(2)是:
det(Happrox)=Dxx×Dyy-(0.9×Dxy)2(2)
其中Dxx,Dyy和Dxy是Lxx,Lyy和Lxy的近似
通过不同尺寸的盒式过滤器,可以构建多尺度图像的金字塔。在多尺 度图像的金字塔上,SURF通过比较其在当前尺度和相邻尺度上的26个邻 域,对每个点执行非极大值抑制,找到一组候选特征点。然后,在尺度空 间和图像空间中,进行插值运算以获得最终特征点。最后,为了确保旋转 的不变性,SURF在特征点领域内计算Haar小波特征,为每个特征点分配主 方向。
(二)BRISK特征描述符
BRISK采用均匀采样模式,以特征点为中心构造不同半径的同心圆,并 且通过在每个圆上等间距采样获得N个采样点。为了避免混叠效应,BRISK 对同心圆的采样点进行高斯滤波。由于存在N个采样点,所以这些采样点 两两组合以形成N(N-1)/2点对,其由表达式A表示。高斯滤波后,两个采 样点的像素分别为和,从而得出局部梯度g(pi,pj)。
A=={(pi,pj)∈R2×R2|i<N,j<i,i,j∈N}.(3)
短距离点对集Σ公式(5)和长距离点对集Λ公式(6)分别定义如下。
利用上述公式,特征点的主要方向定义如下。
其中gx是x方向的梯度,gy是y方向的梯度,L是Λ的元素的数量。
为了保持旋转不变性,BRISK以角度α=arctant2(gx,gy),旋转采样区域。 旋转后,在短距离配对S中比较点对构成长度为512的二进制特 征描述符。每个比特位对应如下公式(8)。
(三)Spark平台
加州大学伯克利分校开发的Apache Spark是一个大规模的数据处理系 统。用于图形并行计算的GraphX,用于机器学习的MLLib,以及用于处理 结构化数据的Spark SQL。不同的数据源可以访问Spark,包括分布式文件 系统(如Hadoop HDFS),分布式数据库(如Apache HBase)和对象存储 (如Amazon S3)。在Spark平台,任务的中间结果可以保存到内存中,因 此Spark更适合迭代和交互式计算。Spark的所有分布式操作都是基于RDD(Resilient Distributed Dataset),这是一个可并行化的数据集合。 Spark提供了两种类型的操作:Transformation和Action。Transformation 通过输入RDD处理产生一个新的RDD;Action计算所需的结果并将结果返 回给driver节点。RDD上的操作是在内存中完成的,从而减少了大量的磁 盘操作,并提高了分布式计算的性能。因此Spark更加适用于实时处理等 数据挖掘工作。
利用上述技术要点,本发明的图像检索系统进一步的采用SURF-BIT算 法来提取特征向量。SURF由于Hessian的行列式DOH(Determinant of Hessian)和积分图像组成,除了有更好的鲁棒性和可靠性之外,速度几乎 比SIFT快三倍。虽然SURF在SIFT的基础上有了很大的改进,但SURF仍 然存在一些缺陷,例如浪费大量时间来构建局部特征描述符,使得难以满 足有实时性和有限存储空间要求的某些特定场合。
基于这种情况,我们的系统使用BRISK来优化传统SURF的特征描述符 建立过程,这个优化的算法我们命名为SURF-BIT。与SURF为每个关键点生 成的浮动数的描述符不同,BRISK构建二进制描述符来存储特征点。在特征 匹配阶段,计算二进制描述符的汉明距离比计算浮点数描述符的欧几里得 距离的速度快得多。在数据存储方面,BRISK描述符需要较少的内存空间。SURF-BIT算法的具体步骤如下:
1.基于SURF的特征点检测
a)建立Hessian矩阵并得出Hessian矩阵的行列式近似值
b)使用不同尺寸的盒式过滤器来构建尺度空间
c)提取局部特征点
d)确定特征点的主要方向
2.建立基于BRISK的特征描述符
a)构造不同半径的同心圆,其圆心是SURF检测到的特征点
b)通过均匀采样模式获取N个采样点
c)生成二进制特征描述符
如图1的流程图所示,本发明的系统在使用时,首先需要创建用于检 索图像的数据库,即创建图像数据库100。
创建图像数据库100具体方法是在图像的预处理阶段,将原始图像上 传到分布式文件系统(HDFS),并为每个图像名称重命名一个唯一的标识 符ID。然后,利用SURF-BIT算法开始提取图像特征,并获得每个关键点的 描述符。为了表示每个图像,我们定义一个图像类,其包含该图像的特征 描述符集合和图像的唯一标识符ID。最后,通过对象序列化技术,将所有 图像对象保存到HDFS中,完成图像数据库的构建。
之后查询图像200,首先,我们检测特征点(采用SURF特征提取)201 检测图像的关键点,接着构造特征描述符(采用BRISK构建二进制描述符) 202。通过将查询图像的特征描述符与创建图像数据库100中的图像的特征 描述符进行图像匹配300,生成初匹配点对。图像匹配的具体过程是当一张 图像包含多个特征点,即包含多个特征描述符,SURF-BIT描述符 S=[x1,x2,x3...x512],其中xj是描述符中第j个值(1≤j≤512,xj∈{0,1})。 基于SURF-BIT描述符,我们可以通过计算其汉明距离实现快速匹配。假 设两个SURF-BIT描述符S1,S2,其汉明距离D可以定义如下:
D的值越小,S1和S2之间的相似度越高。如果两个特征描述符的相似度 超过阈值,则认为这对特征描述符是匹配的。但是,初匹配阶段的描述符 匹配对可能包含一些误匹配点对。为了解决这个问题,采用RANSAC算法剔 除误匹配的点对。RANSAC算法对噪声点和误匹配点具有较好的鲁棒性,而 且其计算过程稳定可靠。如果匹配点数超过阈值,我们定义两个图像匹配 成功,并输出匹配图像的标识符ID。
接着采用RANSAC消除误匹配的点对301,从而获得更精确的匹配点对。 具体是判断两张图像匹配特征点对数超过阈值302,如果是,则我们认为这 两张图像相似,并输出匹配图像标识符ID 303,结束SPARK使用304;如 果否,则直接结束SPARK使用304。
实验与评估
为了验证我们CBIR系统的可靠性和有效性,通过仿真实验进行评估。 我们的系统部署在Spark集群中,由4个节点组成,1个主节点和3子节点。 实验环境的配置如表1所示。
表1.实验环境的配置
对不同容量的四个图像数据集进行系统评估。图像数据库的容量分别 为100,1K,10K,100K,1000K。为了评估,我们测试了三种CBIR系统: 单机+SURF-BIT算法的CBIR系统;Spark+传统算法的CBIR系统;本发明的 Spark+SURF-BIT算法的CBIR系统。试验结果列于表2中。
表2.不同CBIR系统的执行时间
通过对系统执行速度的比较,实验分析结果如图2所示。
如表2和图2所示,Spark集群相对于单机具有明显的优势,而我们改 进的算法在Spark平台上进一步加快了匹配速度。通过比较Spark平台上 的改进算法和原始算法,结果表明,当数据容量小时,我们的改进算法没 有明显的优势。然而,随着图像数据容量的增加,本发明的图像检索速度 显着提高,在1000k的情况下,利用我们的算法是本发明的图像检索系统 性能优化了44.7%。从实验结果可以看出,我们的CBIR系统的性能优于传 统的CBIR系统。
提出了一种在Spark平台上的通过提取图像特征和构造特征描述符的 SURF-BIT算法优化的图像检索(CBIR)系统。我们利用BRISK算法中提出 的二进制描述符替代SURF中的浮点数描述符来加速检索速度并减少内存消 耗。在此基础上引入了RANSAC来过滤出匹配点的一些错误检测。CBIR系统 部署在Spark分布式计算环境中,在HDFS中存储图像特征描述符,并利用 RDD加快大量图像数据中的图像检索速度。通过大量实验,结果表明,CBIR系统对于大规模图像数据具有更好的检索性能。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行 业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说 明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提 下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发 明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (2)
1.Spark平台下基于SURF-BIT算法的图像检索系统,其特征在于:
步骤1:对图像预处理,将原始图像上传到HDFS,并为每个图像名称重命名一个唯一的标识符ID;
步骤2:利用SURF-BIT算法开始提取图像特征,并获得二进制的特征描述符,SURF-BIT算法的具体步骤如下:
1.基于SURF的特征点检测:
a)建立Hessian矩阵并得出Hessian矩阵的行列式近似值;
b)使用不同尺寸的盒式过滤器来构建尺度空间;
c)提取局部特征点;
d)确定特征点的主要方向;
2.建立基于BRISK的二进制的特征描述符:
a)构造不同半径的同心圆,其圆心是SURF检测到的特征点;
b)通过均匀采样模式获取N个采样点;
c)生成二进制的特征描述符;
步骤3:定义一个表示每个图像的图像类,所述的图像类包含该图像的特征描述符集合和图像的唯一标识符ID;
步骤4:通过对象序列化技术,将所有图像对象保存到分布式文件系统HDFS中,完成图像数据库的构建;
步骤5:将查询图像的特征描述符与步骤4中图像数据库中的图像的特征描述符进行比较,生成初匹配点对;
步骤6:采用RANSAC消除误匹配的点对,从而获得更精确的匹配点对;
步骤7:如果两张图像的匹配点对数超过阈值,认为这两张图像相似,并输出匹配图像的标识符ID。
2.根据权利要求1所述的方法,其特征在于:步骤5的生成初匹配点对的方法是基于SURF-BIT描述符,通过计算描述符的汉明距离实现匹配:
假设两个SURF-BIT描述符S1,S2,其汉明距离D可以定义如下:
D的值越小,S1和S2之间的相似度越高;如果两个特征描述符的相似度超过阈值,则认为这对特征描述符是匹配的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710567034.2A CN107526772A (zh) | 2017-07-12 | 2017-07-12 | Spark平台下基于SURF‑BIT算法的图像检索系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710567034.2A CN107526772A (zh) | 2017-07-12 | 2017-07-12 | Spark平台下基于SURF‑BIT算法的图像检索系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107526772A true CN107526772A (zh) | 2017-12-29 |
Family
ID=60748306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710567034.2A Pending CN107526772A (zh) | 2017-07-12 | 2017-07-12 | Spark平台下基于SURF‑BIT算法的图像检索系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107526772A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448033A (zh) * | 2018-10-14 | 2019-03-08 | 哈尔滨理工大学 | 一种基于brisk算法的图像配准方法 |
CN109917906A (zh) * | 2019-01-24 | 2019-06-21 | 北京德火科技有限责任公司 | 一种基于增强现实技术实现景点互动的方法及系统 |
CN111782842A (zh) * | 2020-06-23 | 2020-10-16 | 珠海格力智能装备有限公司 | 图像检索方法及装置、电子设备 |
CN112907545A (zh) * | 2021-02-25 | 2021-06-04 | 湖州师范学院 | 基于图像处理的种子芽长与根长检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426186A (zh) * | 2013-09-05 | 2013-12-04 | 山东大学 | 一种改进的surf快速匹配方法 |
CN104268602A (zh) * | 2014-10-14 | 2015-01-07 | 大连理工大学 | 一种基于二进制特征匹配的遮挡工件识别方法及装置 |
US20160068114A1 (en) * | 2014-09-03 | 2016-03-10 | Sharp Laboratories Of America, Inc. | Methods and Systems for Mobile-Agent Navigation |
CN105740899A (zh) * | 2016-01-29 | 2016-07-06 | 长安大学 | 一种机器视觉图像特征点检测与匹配复合的优化方法 |
CN106327423A (zh) * | 2016-08-23 | 2017-01-11 | 中国科学院长春光学精密机械与物理研究所 | 基于有向线段的遥感图像配准方法及系统 |
CN106777167A (zh) * | 2016-12-21 | 2017-05-31 | 中国科学院上海高等研究院 | 基于Spark框架的海量人脸图像检索系统及检索方法 |
-
2017
- 2017-07-12 CN CN201710567034.2A patent/CN107526772A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426186A (zh) * | 2013-09-05 | 2013-12-04 | 山东大学 | 一种改进的surf快速匹配方法 |
US20160068114A1 (en) * | 2014-09-03 | 2016-03-10 | Sharp Laboratories Of America, Inc. | Methods and Systems for Mobile-Agent Navigation |
CN104268602A (zh) * | 2014-10-14 | 2015-01-07 | 大连理工大学 | 一种基于二进制特征匹配的遮挡工件识别方法及装置 |
CN105740899A (zh) * | 2016-01-29 | 2016-07-06 | 长安大学 | 一种机器视觉图像特征点检测与匹配复合的优化方法 |
CN106327423A (zh) * | 2016-08-23 | 2017-01-11 | 中国科学院长春光学精密机械与物理研究所 | 基于有向线段的遥感图像配准方法及系统 |
CN106777167A (zh) * | 2016-12-21 | 2017-05-31 | 中国科学院上海高等研究院 | 基于Spark框架的海量人脸图像检索系统及检索方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448033A (zh) * | 2018-10-14 | 2019-03-08 | 哈尔滨理工大学 | 一种基于brisk算法的图像配准方法 |
CN109917906A (zh) * | 2019-01-24 | 2019-06-21 | 北京德火科技有限责任公司 | 一种基于增强现实技术实现景点互动的方法及系统 |
CN111782842A (zh) * | 2020-06-23 | 2020-10-16 | 珠海格力智能装备有限公司 | 图像检索方法及装置、电子设备 |
CN112907545A (zh) * | 2021-02-25 | 2021-06-04 | 湖州师范学院 | 基于图像处理的种子芽长与根长检测方法 |
CN112907545B (zh) * | 2021-02-25 | 2023-10-10 | 湖州师范学院 | 基于图像处理的种子芽长与根长检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Reddy Mopuri et al. | Object level deep feature pooling for compact image representation | |
Liu et al. | Deep matching prior network: Toward tighter multi-oriented text detection | |
Fernando et al. | Mining mid-level features for image classification | |
Liu et al. | Two-stage copy-move forgery detection with self deep matching and proposal superglue | |
Vo et al. | Text line segmentation using a fully convolutional network in handwritten document images | |
He et al. | Beyond OCR: Multi-faceted understanding of handwritten document characteristics | |
Gkelios et al. | Deep convolutional features for image retrieval | |
CN103336957B (zh) | 一种基于时空特征的网络同源视频检测方法 | |
Unar et al. | Detected text‐based image retrieval approach for textual images | |
Ahmad et al. | Saliency-weighted graphs for efficient visual content description and their applications in real-time image retrieval systems | |
Song et al. | Aggregating minutia-centred deep convolutional features for fingerprint indexing | |
CN107526772A (zh) | Spark平台下基于SURF‑BIT算法的图像检索系统 | |
Gan et al. | A novel copy-move forgery detection algorithm via feature label matching and hierarchical segmentation filtering | |
CN112446431B (zh) | 特征点提取与匹配方法、网络、设备及计算机存储介质 | |
Wei et al. | Image retrieval using the intensity variation descriptor | |
Sitaula et al. | Content and context features for scene image representation | |
Ahmad et al. | Describing colors, textures and shapes for content based image retrieval-a survey | |
Lin et al. | Scene recognition using multiple representation network | |
Unar et al. | New strategy for CBIR by combining low‐level visual features with a colour descriptor | |
Feng et al. | Structural difference histogram representation for texture image classification | |
Yang et al. | Bag of feature with discriminative module for non-rigid shape retrieval | |
Omayio et al. | Word spotting and character recognition of handwritten Hindi scripts by Integral Histogram of Oriented Displacement (IHOD) descriptor | |
Hu et al. | Coherent phrase model for efficient image near-duplicate retrieval | |
Qin et al. | Summary of scene text detection and recognition | |
CN110674334B (zh) | 基于一致性区域深度学习特征的近重复图像检索方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171229 |
|
WD01 | Invention patent application deemed withdrawn after publication |