CN108009191A - 一种图像检索方法 - Google Patents

一种图像检索方法 Download PDF

Info

Publication number
CN108009191A
CN108009191A CN201710870644.XA CN201710870644A CN108009191A CN 108009191 A CN108009191 A CN 108009191A CN 201710870644 A CN201710870644 A CN 201710870644A CN 108009191 A CN108009191 A CN 108009191A
Authority
CN
China
Prior art keywords
image
search method
convolution feature
similarity
scale
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
Application number
CN201710870644.XA
Other languages
English (en)
Inventor
吴恋
赵建川
崔忠伟
马敏耀
左羽
于国龙
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.)
Guizhou Education University
Original Assignee
Guizhou Education 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 Guizhou Education University filed Critical Guizhou Education University
Priority to CN201710870644.XA priority Critical patent/CN108009191A/zh
Publication of CN108009191A publication Critical patent/CN108009191A/zh
Pending legal-status Critical Current

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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像检索方法，具体包括如下步骤：步骤一：对查询图像和数据库中的图像进行多尺度深度卷积特征提取，将得到的不同尺度卷积特征进行PCA降维处理后并特征融合，以获取具有图像内容信息的全局特征描述符；步骤二：对查询图像与图像库中的图像用排序算法计算排序分数，根据排序分数返回一定数量的图像。该方法引入了多尺度深度卷积特征，将各尺度的卷积特征融合作为图像的特征，其考虑了图像中感兴趣的目标或者区域出现在不同的位置、尺寸大小也可能不同，当采用多尺度时，能更好更全面的获取图像特征来表示该图像。

Description

一种图像检索方法
技术领域
本发明涉及计算机视觉和模式识别的技术领域，特别涉及一种基于深度学习特征提取和流行相似度排序的图像检索方法。
背景技术
在大数据时代，图像检索技术在大规模数据上的应用是一个热门的研究领域，如何高效、准确、迅速地在海量图像信息检索到所需图像信息是图像检索的热点问题。基于内容的图像检索(content-based image retrieval,CBIR)指的是用于搜索的对象本身是一副图像，或者是对于图像内容的特征描述，其核心是利用图像的可视化特征进行检索。基于图片内容的图像检索技术的关键在于图像的特征提取和特征之间的相似性度量。
图像的特征提取主要是对图像的颜色、纹理、形状、灰度等信息进行提取，常用的有基于颜色的直方图、相关图、颜色矩的检索方法，基于统计法、频谱法、模型法等纹理特征的图像检索方法，基于边缘、区域的形状检索方法。然而这些经典方法均以人为设计的特征为基础，设计方法的好坏直接影响图像检索的效果。深度学习是机器学习研究的新领域，具有利用大数据自动学习数据特征的优势而引起人们的关注，从而解决了人为因素所带来的不确定性。目前已有较多的研究证明，基于深度卷积神经网络模型提取的卷积特征用于图像检索上能有很好的检索效果。但是，大部分的研究工作只是直接把原图像直接输入卷积神经网络，并未考虑感兴趣的目标或区域可能出现在图像的不同区域、尺寸大小可能也会有差异的情况。同时深度特征的维度高，直接利用深度特征进行大数据图像检索在实际应用中不可行。
在特征之间的相似性度量方面，一般是采用向量之间的距离来计算的。目前的图像检索方法中常用的相似度度量方法有：余弦距离、欧氏距离和马氏距离等。然而，对于图像而言，简单的向量之间的距离其实是难以真实地反映图像之间的相似程度。
发明内容
本发明的主要目的在于提供一种图像检索方法，其利用多尺度方法提取不同目标区域下的特征来刻画图像，提高了深度卷积特征对图像的刻画能力；采用基于流形学习的相似性度量方法，即流形排序(Manifold Ranking，MR)，进行图像间相似度的度量，使其能够更真实地反映图像之间的相似程度。
为达到以上目的，本发明采用的技术方案为：一种图像检索方法，其特征在于，具体包括如下步骤：
步骤一：对查询图像和数据库中的图像进行多尺度深度卷积特征提取，将得到的不同尺度卷积特征进行PCA降维处理后并进行特征融合以获取具有图像内容信息的全局特征描述符；
步骤二：根据步骤一中得到的全局特征描述符对查询图像与图像库中的图像采用算法获取图像库中的图像与查询图像的相似度，并根据相似度从图像库中返回一定数量的图像。
优选地，所述步骤一具体包括以下步骤：
步骤a：对查询图像和图像库中的图像进行n种不同尺度图像块的提取，在第i种尺度下，提取i2个相同大小的图像块，i2个图像块包含对应图像的全部信息，然后将所有图像块调整成相同的像素大小，1≤i≤n；
步骤b：将获取的图像块送入深度卷积神经网络VGG-19进行特征提取，并抽取最后一层卷积层的卷积特征；
步骤c：采用PCA对每幅图像的图像块的所述卷积特征进行降维至特定值，将降维后的每幅图像相同尺寸下的图像块的卷积特征进行串联，将串联后的超过特定值的卷积特征进行再次通过PCA降维至特定值，然后将每幅图像不同尺寸下的串联后的卷积特征进行串联得到每幅图像的全局特征。
优选地，所述步骤二具体包括以下步骤：
步骤d：根据每幅图像的全局特征通过排序算法计算图像库中的图像与查询图像的相似度；
步骤e：根据相似度对图像库中的图像进行排序，并将相似度位于一定排名之前的图像库中的图像进行返回。
优选地，n＝4。
优选地，所述排序算法通过以下公式：
r*＝(Im-αS)-1Y
其中r为排序函数，Im是一个m×m的单位矩阵，α∈[0,1)，S为所有图像的全局特征的集合，Y为向量[y1,y2,…,ym]T。
优选地，在步骤a中，在第i种尺度下，i2个相同大小的图像块部分重叠。
优选地，在步骤c中，所述特定值为200。
与现有技术相比，本发明具有以下有益效果：
该方法引入了多尺度深度卷积特征，将各尺度的卷积特征融合作为图像的特征，其考虑了图像中感兴趣的目标或者区域出现在不同的位置、尺寸大小也可能不同，当采用多尺度时，能更好更全面的获取图像特征来表示该图像。并且本发明在图像检索进行相似度计算时，摒弃了常规的欧氏距离等相似性度量方式，采用了基于流形排序的相似性度量方法。对于图像而言，简单的向量之间的距离难以真实地反映图像之间的相似程度，流形排序能够更真实地反映图像之间的相似程度，且流形排序算法在深度图像特征上有着较好的效果。
附图说明
图1为本发明所述的图像检索方法流程图
图2为深度卷积神经网络VGG-19的模型结构图
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
如图1所示的一种图像检索方法，具体包括如下步骤：
步骤S1：提取图像不同尺度的图像块。对查询图像和图像库中的图像进行不同尺度图像块的提取，并调整统一图像块的像素大小。
对图像库中图像和查询图像提取4种尺寸的图像块，尺寸大小分别为原图大小的1、1/2、1/3、1/4，在第i(1≤i≤4)种尺度下，提取i2个相互重叠、相同大小的图像块，i2个图像子块并在一起覆盖整幅图像。
令H、W分别为图像的长、宽。在第一种尺度i＝1，整幅图像表示一个图像块。在i＝2时，取图像块的长宽分别为3*H/4、3*W/4，在长、宽方向上分别以滑动步长为H/4、W/4在整幅图像进行滑动，获得4个图像块。在i＝3时，取图像块的长、宽分别为2*H/3、2*W/3，在长、宽方向上分别以滑动步长为H/6、W/6在整幅图像进行滑动，获取9个图像块。在i＝4时，取图像块的长、宽分别为H/2、W/2，在长、宽方向上分别以滑动步长为H/8、W/8在整幅图像进行滑动，获取16个图像块。一副图像在4个尺度下分别提取的图像块数目是：1、4、9、16，共提取30个图像块。然后将每个图像块均调整为224*224像素大小。
步骤S2：将一副图像不同尺度的30个图像块送入深度卷积神经网络VGG-19抽取模型最后一层卷积层的卷积特征。
VGG-19是以个深度很深的卷积神经网络，很好地继承了AlexNet的衣钵，其对图像的特征表示性能更好。本发明将图像的不同尺寸的图像块送入该网络中进行特征提取，抽取了VGG-19网络模型中最后一层卷积层的高层语义卷积特征，也即是图2中倒数第四层的特征。
步骤S3：采用PCA对每幅图像形成的30个图像块的卷积特征降为200维，将4个不同尺寸下的卷积特征分别进行串联，再将其中串联后维度大于200维的卷积特征再次进行PCA降维，直至降到200维，最后再将这4个不同尺度卷积特征串接形成该图的全局特征。
在第一种尺度i＝1时，经PCA降维后卷积特征记为scale11-200；在第二种尺度i＝2时，一副图像提取的4块图像块的卷积特征经PCA降维后，串接在一起形成的800维特征作为该图像在尺度i＝2时的卷积特征，记为scale12-800；与此相似，在尺度i＝3、i＝4时，一副图像提取的9块图像块、16块图像块的卷积特征经PCA降维后，串接在一起形成的1800维、3200维特征作为该图像在尺度i＝3、i＝4时的卷积特征，分别记为scale13-1800、scale14-3200。对尺度为2、3、4的卷积特征再次运用PCA进行降维，分别降为200维，记降维后卷积特征分别为scale22、scale23、scale24。当尺度i＝1时，不对scale11降维，记此时的卷积特征为scale21＝scale11。最后把scale21、scale22、scale23、scale24串接在一起作为该图像的全局特征，记为global_scale。
步骤S4：根据步骤3中得到的每幅图像的全局特征并利用高效流行排序算法公式r*＝(Im-αS)-1Y来计算图像库中的图像与查询图像的相似度。其中r为排序函数，Im是一个m×m的单位矩阵，α∈[0,1)，S为所有图像的全局特征的集合，Y为向量[y1,y2,…,ym]T，并且当图像集X＝[x1,x2,…,xm]中xi为查询时，Y向量中yi＝1，其余为0，图像集为包括待查询图像和所有图像库中图像的集合，xi为第i个图像的特征向量。
步骤S5：最后根据得到的相似度对图像库中的图像进行排序，根据排序的结果返回一定数量相似的图像。
为了详细说明本发明的具体实施方式，接下来以caltech256数据集为例进行说明。该数据集包含30607张图片，共有257类。本发明能够图像进行精准的检索，top10查准率高于常规的基于深度卷积特征的图像检索方法和基于向量间距离距离度量图像相似性的方法。具体步骤如下：
步骤S1：利用OpenCV等开源工具对查询图像(caltech256数据集中任意一张)和图像库中的图像(30606张图片)进行不同尺度图像块的提取，并调整统一图像块的像素大小为224*224。
步骤S2：将所有图像不同尺度的30个图像块，即共30607*30个图像块，作为数据集送入深度卷积神经网络VGG-19，抽取模型最后一层卷基层的图像特征。
步骤S3：采用PCA算法对所有的卷积特征降为200维,将一幅图的4个不同尺寸下的卷积特征各自串联，将串联后维度大于200维的卷积特征再次进行PCA降维，直至降到200维，最后将这4个不同尺度卷积特征串接形成该图的全局特征。
步骤S4：利用高效流形排序算法公式r*＝(Im-αS)-1Y计算出待查询图像与图像库中每张图像间的排序分数。
步骤S5：根据排序分数对图像集排序，根据排序的结果返回最相似的10幅图像。
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的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (7)

1.一种图像检索方法，其特征在于，具体包括如下步骤：
步骤一：对查询图像和数据库中的图像进行多尺度深度卷积特征提取，将得到的不同尺度卷积特征进行PCA降维处理后并进行特征融合以获取具有图像内容信息的全局特征描述符；
步骤二：根据步骤一中得到的全局特征描述符对查询图像与图像库中的图像采用算法获取图像库中的图像与查询图像的相似度，并根据相似度从图像库中返回一定数量的图像。
2.根据权利要求1所述的一种图像检索方法，其特征在于，所述步骤一具体包括以下步骤：
步骤a：对查询图像和图像库中的图像进行n种不同尺度图像块的提取，在第i种尺度下，提取i2个相同大小的图像块，i2个图像块包含对应图像的全部信息，然后将所有图像块调整成相同的像素大小，1≤i≤n；
步骤b：将获取的图像块送入深度卷积神经网络VGG-19进行特征提取，并抽取最后一层卷积层的卷积特征；
步骤c：采用PCA对每幅图像的图像块的所述卷积特征进行降维至特定值，将降维后的每幅图像相同尺寸下的图像块的卷积特征进行串联，将串联后的超过特定值的卷积特征进行再次通过PCA降维至特定值，然后将每幅图像不同尺寸下的串联后的卷积特征进行串联得到每幅图像的全局特征。
3.根据权利要求2所述的一种图像检索方法，其特征在于，n＝4。
4.根据权利要求2所述的一种图像检索方法，其特征在于，所述步骤二具体包括以下步骤：
步骤d：根据步骤c中的每幅图像的全局特征并利用排序算法计算图像库中的图像与查询图像的相似度；
步骤e：根据相似度对图像库中的图像进行排序，并将相似度位于一定排名之前的图像库中的图像进行返回。
5.根据权利要求4所述的一种图像检索方法，其特征在于，所述排序算法通过以下公式：
r*＝(Im-αS)-1Y
其中r为排序函数，Im是一个m×m的单位矩阵，α∈[0,1)，S为所有图像的全局特征的集合，Y为向量[y1,y2,…,ym]T。
6.根据权利要求2所述的一种图像检索方法，其特征在于，在步骤a中，在第i种尺度下，i2个相同大小的图像块部分重叠。
7.根据权利要求2所述的一种图像检索方法，其特征在于，在步骤c中，所述特定值为200。
CN201710870644.XA 2017-09-24 2017-09-24 一种图像检索方法 Pending CN108009191A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710870644.XA CN108009191A (zh) 2017-09-24 2017-09-24 一种图像检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710870644.XA CN108009191A (zh) 2017-09-24 2017-09-24 一种图像检索方法

Publications (1)

Publication Number Publication Date
CN108009191A true CN108009191A (zh) 2018-05-08

Family

ID=62051718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710870644.XA Pending CN108009191A (zh) 2017-09-24 2017-09-24 一种图像检索方法

Country Status (1)

Country Link
CN (1) CN108009191A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108804581A (zh) * 2018-05-24 2018-11-13 广州中大百迅信息技术有限公司 一种基于深度学习的同类物体检索方法及系统
CN108897791A (zh) * 2018-06-11 2018-11-27 云南师范大学 一种基于深度卷积特征和语义相似度量的图像检索方法
CN109857889A (zh) * 2018-12-19 2019-06-07 苏州科达科技股份有限公司 一种图像检索方法、装置、设备及可读存储介质
CN110162657A (zh) * 2019-05-28 2019-08-23 山东师范大学 一种基于高层语义特征和颜色特征的图像检索方法及系统
CN110334746A (zh) * 2019-06-12 2019-10-15 腾讯科技（深圳）有限公司 一种图像检测方法和装置
CN110347855A (zh) * 2019-07-17 2019-10-18 京东方科技集团股份有限公司 画作推荐方法、终端设备、服务器、计算机设备及介质
CN113313126A (zh) * 2021-04-30 2021-08-27 杭州好安供应链管理有限公司 用于图像识别的方法、计算设备和计算机存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008039487A1 (en) * 2006-09-26 2008-04-03 Hewlett-Packard Development Company L.P. Extracting features from face regions and auxiliary identification regions of images for person recognition and other applications
EP1993063A2 (en) * 2007-05-16 2008-11-19 Canon Kabushiki Kaisha Image processing apparatus and image retrieval method
US20130170703A1 (en) * 2001-09-18 2013-07-04 Sony Corporation Image processing device and image processing method, and program
CN104123717A (zh) * 2013-04-26 2014-10-29 欧姆龙株式会社 图像处理装置、图像处理方法、程序以及记录介质
CN104766041A (zh) * 2014-01-07 2015-07-08 腾讯科技（深圳）有限公司 一种图像识别方法、装置及系统
CN104991959A (zh) * 2015-07-21 2015-10-21 北京京东尚科信息技术有限公司 一种基于内容检索相同或相似图像的方法与系统
JP2017091192A (ja) * 2015-11-10 2017-05-25 国立大学法人 東京大学 画像を媒介した異言語文書間の学習法及び装置、言語横断文書検索方法及び装置
CN106776896A (zh) * 2016-11-30 2017-05-31 董强 一种快速的图融合图像检索方法
CN107066520A (zh) * 2017-02-14 2017-08-18 北京飞搜科技有限公司 一种基于多个语义层次的图片检索方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130170703A1 (en) * 2001-09-18 2013-07-04 Sony Corporation Image processing device and image processing method, and program
WO2008039487A1 (en) * 2006-09-26 2008-04-03 Hewlett-Packard Development Company L.P. Extracting features from face regions and auxiliary identification regions of images for person recognition and other applications
EP1993063A2 (en) * 2007-05-16 2008-11-19 Canon Kabushiki Kaisha Image processing apparatus and image retrieval method
CN104123717A (zh) * 2013-04-26 2014-10-29 欧姆龙株式会社 图像处理装置、图像处理方法、程序以及记录介质
CN104766041A (zh) * 2014-01-07 2015-07-08 腾讯科技（深圳）有限公司 一种图像识别方法、装置及系统
CN104991959A (zh) * 2015-07-21 2015-10-21 北京京东尚科信息技术有限公司 一种基于内容检索相同或相似图像的方法与系统
JP2017091192A (ja) * 2015-11-10 2017-05-25 国立大学法人 東京大学 画像を媒介した異言語文書間の学習法及び装置、言語横断文書検索方法及び装置
CN106776896A (zh) * 2016-11-30 2017-05-31 董强 一种快速的图融合图像检索方法
CN107066520A (zh) * 2017-02-14 2017-08-18 北京飞搜科技有限公司 一种基于多个语义层次的图片检索方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋利伟 等: "基于多尺度深度卷积特征的图像检索", 《福建师范大学学报（自然科学版）》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108804581A (zh) * 2018-05-24 2018-11-13 广州中大百迅信息技术有限公司 一种基于深度学习的同类物体检索方法及系统
CN108804581B (zh) * 2018-05-24 2022-05-17 广州数据盒子科技有限公司 一种基于深度学习的同类物体检索方法及系统
CN108897791A (zh) * 2018-06-11 2018-11-27 云南师范大学 一种基于深度卷积特征和语义相似度量的图像检索方法
CN108897791B (zh) * 2018-06-11 2021-09-03 云南师范大学 一种基于深度卷积特征和语义相似度量的图像检索方法
CN109857889B (zh) * 2018-12-19 2021-04-09 苏州科达科技股份有限公司 一种图像检索方法、装置、设备及可读存储介质
CN109857889A (zh) * 2018-12-19 2019-06-07 苏州科达科技股份有限公司 一种图像检索方法、装置、设备及可读存储介质
CN110162657A (zh) * 2019-05-28 2019-08-23 山东师范大学 一种基于高层语义特征和颜色特征的图像检索方法及系统
CN110162657B (zh) * 2019-05-28 2021-04-02 山东师范大学 一种基于高层语义特征和颜色特征的图像检索方法及系统
CN110334746A (zh) * 2019-06-12 2019-10-15 腾讯科技（深圳）有限公司 一种图像检测方法和装置
CN110334746B (zh) * 2019-06-12 2024-10-18 腾讯科技（深圳）有限公司 一种图像检测方法和装置
CN110347855A (zh) * 2019-07-17 2019-10-18 京东方科技集团股份有限公司 画作推荐方法、终端设备、服务器、计算机设备及介质
US11341735B2 (en) 2019-07-17 2022-05-24 Boe Technology Group Co., Ltd. Image recommendation method, client, server, computer system and medium
CN113313126A (zh) * 2021-04-30 2021-08-27 杭州好安供应链管理有限公司 用于图像识别的方法、计算设备和计算机存储介质

Similar Documents

Publication Publication Date Title
CN108009191A (zh) 一种图像检索方法
Afifi et al. Image retrieval based on content using color feature
Xu et al. A spine X-ray image retrieval system using partial shape matching
CN101551823B (zh) 一种综合多特征图像检索方法
Khokher et al. Content-based image retrieval: Feature extraction techniques and applications
CN101996245B (zh) 一种图形对象的形状特征描述与检索方法
CN108009286A (zh) 一种基于深度学习的草图检索方法
Hor et al. Image retrieval approach based on local texture information derived from predefined patterns and spatial domain information
CN107944459A (zh) 一种rgb‑d物体识别方法
CN106897722A (zh) 一种基于区域形状特征的商标图像检索方法
Singh et al. Performance analysis of various local and global shape descriptors for image retrieval
CN105930497A (zh) 基于图像边缘和线条特征的三维模型检索方法
Rangkuti et al. Batik image retrieval based on similarity of shape and texture characteristics
Shanmugavadivu et al. FOSIR: fuzzy-object-shape for image retrieval applications
Chang et al. Deformed trademark retrieval based on 2D pseudo-hidden Markov model
Prasomphan Toward Fine-grained Image Retrieval with Adaptive Deep Learning for Cultural Heritage Image.
CN112132798B (zh) 基于Mini ARU-Net网络的复杂背景PCB标记点图像检测方法
CN104252473A (zh) 一种图像识别方法
Prakash et al. Combining novel features for content based image retrieval
Afifi Image retrieval based on content using color feature
Hong et al. Refining image retrieval based on context-driven methods
Ahirwal et al. An approach to design self assisted CBIR system
Wu et al. Similar image retrieval in large-scale trademark databases based on regional and boundary fusion feature
Lengauer et al. Sketch-Aided Retrieval of Incomplete 3D Cultural Heritage Objects.
Elhady et al. Weighted feature voting technique for content-based image retrieval

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: 20180508