CN108255858A - 一种图像检索方法和系统 - Google Patents

一种图像检索方法和系统 Download PDF

Info

Publication number
CN108255858A
CN108255858A CN201611246165.2A CN201611246165A CN108255858A CN 108255858 A CN108255858 A CN 108255858A CN 201611246165 A CN201611246165 A CN 201611246165A CN 108255858 A CN108255858 A CN 108255858A
Authority
CN
China
Prior art keywords
image
retrieved
sample
visual word
characteristic point
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
CN201611246165.2A
Other languages
English (en)
Inventor
高岩
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.)
BEIJING UNION VOOLE TECHNOLOGY Co Ltd
Original Assignee
BEIJING UNION VOOLE TECHNOLOGY Co Ltd
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 BEIJING UNION VOOLE TECHNOLOGY Co Ltd filed Critical BEIJING UNION VOOLE TECHNOLOGY Co Ltd
Priority to CN201611246165.2A priority Critical patent/CN108255858A/zh
Publication of CN108255858A publication Critical patent/CN108255858A/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
    • 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
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种图像检索方法和系统，属于图像检索技术领域。其中，该方法包括：基于全局对比度的显著性检测算法对待检索图像进行去冗余处理；基于贪心算法将去冗余处理后的待检索图像分割为若干个区域；基于图像特征提取算法对每个区域进行图像特征点提取，得到若干个图像特征点；基于若干个图像特征点，生成该待检索图像的视觉词包模型；在预存的样本视觉词包模型库中进行匹配，得到与该待检索图像的视觉词包模型相匹配的样本视觉词包模型；将匹配得到的样本视觉词包模型所对应的样本图像作为检索结果输出。本发明实施例公开的图像检索方法具有较高的准确性、检索效率，而且在处理各种复杂变化的图像都有一定的鲁棒性。

Description

一种图像检索方法和系统
技术领域
本发明涉及图像检索技术领域，特别涉及一种图像检索方法和系统。
背景技术
基于内容的图像检索是一种将目标图像的图像内容与预存在图像样本库中样本图像的图像内容进行相似度计算，选择相似度最为接近的样本图像作为检索结果的检索技术。其中，图像内容指的是对图像进行提取的特征，该特征主要是图像底层特征，包括颜色特征、纹理特征和形状特征等。
现有技术中，基于内容的图像检索方法主要为，基于颜色统计直方图、形状特征和纹理特征等结合处理。
在实现本发明的过程中，发明人发现至少存在如下问题：
现有的基于内容的图像检索方法存在如下缺点:鲁棒性不足，容易受到外界干扰，在对抗人为因素等方面无法保证准确性，仅适用于相对简单的应用场合。
发明内容
本发明的目的是提供一种不仅能够保证检索的准确性，而且在处理各种复杂变化的图像都有一定的鲁棒性，还具有较高的检索效率的图像检索方法和系统。
根据本发明实施例的一个方面，提供了一种图像检索方法，包括：
对待检索图像进行去冗余处理；
将去冗余处理后的待检索图像分割为若干个区域；
对所述若干个区域中的每个区域进行图像特征点提取，得到若干个图像特征点；
基于所述若干个图像特征点，生成所述待检索图像的视觉词包模型；
将所述待检索图像的视觉词包模型在预先配置的样本视觉词包模型库中进行匹配，得到与所述待检索图像的视觉词包模型相匹配的样本视觉词包模型；
将匹配得到的样本视觉词包模型所对应的样本图像作为检索结果输出。
本发明实施例的有益效果在于，本专利基于高中层次图像特征的算法进行改进，通过图像显著区域的研究，获取最能够代表图像的有用信息，然后使用SURF特征点检测算法对样本图像的若干个图像特征点进行确定，进而完成了对样本图像的图像特征点的提取，生成样本图像的样本视觉词包模型；另外，进行了样本图像进行多尺度计算，来应对不同尺寸和分辨率的待检索图像，对每副样本图像又进行区域分割，分成多个子块，这样建立的样本视觉词包模型能够适应待检索图像的不同变化和不同场景。在对待检索图像查找对比过程中，首先采用的是RANSAC消除错误匹配的图像特征点，然后使用K近邻算法完成对图像特征点的匹配，输出匹配数目最多或者大于阈值的图像。本方案解决了对于复杂场合图像的检索，在速度上具有很强的实时性，利用二进制哈希码保存图像特征点的结果，这个过程是离线处理，不影响实时性。同时对比现有算法本方案对图像的形变，尺度变化以及人工修改等都有一定的适应性。在不同的数据库上都取得了良好的结果。
附图说明
图1是本发明实施例提供的图像检索方法的流程图；
图2为去冗余处理之前的待检索图像和去冗余处理之后的待检索图像的颜色对比效果图；
图2a为去冗余处理之前的待检索图像；
图2b为去冗余处理之后的待检索图像；
图3为根据非极大值抑制确定的图像特征点的示例图；
图4为现有技术中采用RANSAC算法对直线y＝kx+b的拟合过程；
图5是本发明实施例提供的图像检索系统的模块关系示意图；
图6是本发明另一实施例提供的图像检索系统的模块关系示意图；
图7是本发明另一实施例提供的图像检索系统中样本视觉词包模型生成模块的关系示意图；
图8是本发明又一实施例提供的图像检索系统中去冗余模块的关系示意图；
图9是本发明再一实施例提供的图像检索系统中图像特征点定位模块的关系示意图；
图10是本发明又一实施例提供的图像检索系统中视觉词包模型生成模块的关系示意图；
图11是本发明又一实施例提供的图像检索系统中匹配模块的关系示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
图1是本发明实施例提供的图像检索方法的流程图。
如图1所示，本发明实施例提供的图像检索方法，包括以下步骤S1-S6：
步骤S1，对待检索图像进行去冗余处理。
在步骤S1之前，包括获取待检索图像。待检索图像即为待检索图像或待匹配图像。当用户采用本发明实施例提供的图像检索方法对某图像进行检索时，该图像则为待检索图像。用户通过人机交互界面将待检索图像输入至采用本发明实施例提供的图像检索方法的计算机系统，从而使得该计算机系统获取到待检索图像。
在本发明的一个实施例中，对待检索图像进行去冗余处理之前，还包括：将待检索图像由RGB颜色空间转化成HLS颜色空间；根据预设的亮度调整值和对比度调整值对转换为HLS颜色空间的检索图像的亮度和对比度进行调整。从而实现待检索图像的最优化。
在本发明的一个实施例中，可以采用全局对比度的显著性检测算法对待检索图像进行去冗余。也可以采用其他图像去冗余算法对待检索图像进行去冗余处理。
需要说明的是，全局对比度的显著性检测算法本身为现有技术中的算法，其本身并不是本发明的发明点，本步骤利用了该算法对待检索图像进行去冗余。为了使得公众更好的理解本发明实施例，以下简单介绍全局对比度的显著性检测算法在应用到本发明实施例中的处理过程。具体地，该算法包括以下步骤S21—步骤S24：步骤S21，对待检索图像的分辨率进行调整，得到低于所述待检索图像分辨率的低分辨率待检索图像。利用待检索图像的低分辨率图像找到该待检索图像中最有代表性的颜色值，这样在保证计算速度同时实现不产生新的颜色值。步骤S22，对得到的低分辨率待检索图像进行颜色统计，得到颜色统计直方图。步骤S23，从颜色统计直方图中选择代表性颜色。步骤S24，基于所述代表性颜色对所述待检索图像去除冗余颜色。采用全局对比度的显著性检测算法对待检索图像进行去冗余处理，使得待检索图像在去冗余处理之前和去冗余处理之后的整体色彩从人眼看难以看出变化，但是前后的颜色的信息量大大减少。基于全局对比度的显著性检测算法对待检索图像的显著性物体提取，能够去冗余信息，减少计算量，能提高本发明实施例提供的图像检索方法的实用性和高效性。
图2为某待检索图像在去冗余处理之前和去冗余处理之后的对比效果图。其中，图2a为去冗余处理之前的待检索图像；图2b为去冗余处理之后的待检索图像。从图2中可以看出，待检索图像在去冗余处理之前和去冗余处理之后的整体颜色肉眼看难以看出变化，但是该待检索图像在去冗余处理之后的颜色的信息量相比去冗余处理之前大大减少，图2所示的案例中，去冗余处理之前的待检索图像是256种颜色，去冗余处理之后仅仅包含64种颜色。
步骤S2，将去冗余处理后的待检索图像分割为若干个区域。
具体的，在本发明的一个实施例中，可以基于贪心算法将去冗余处理后的待检索图像分割为若干个区域。
贪心算法，又称贪婪算法是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，所做出的是在某种意义上的局部最优解。需要说明的是，贪心算法本身为现有技术中的算法，其本身并不是本发明的发明点，本步骤利用了该算法对去冗余后的待检索图像进行分割。在实现本发明的过程中，发明人发现，对待检索图像分割成的区域的数量不宜过多(即N不宜过大)，否则会影响后续的图像特征点的提取，因此，优选的，在本发明的实施例中，N的取值范围为1≤N≤5。为了使得N的取值范围为1≤N≤5，在对去冗余处理后的待检索图像进行分割时，如果得到的区域的数量大于5时，则对相邻位置处两个区域进行合并，且按照两个区域差值最小合并，从而使得N的取值范围为1≤N≤5。例如，区域A上下左右相邻区域B和C，合并后为min(|A-B|,A-C|)。
步骤S3，基于图像特征提取算法对若干个区域中的每个区域进行图像特征点提取，得到若干个图像特征点。
在本发明实施例中，图像特征提取算法本身为现有技术，本发明实施例可以采用现有技术中的SURF算法(Speeded Up Robust Features)、SIFT算法(Scale invariantfeature transform)、GLOH算法(Gradient location-orientation histogram)等图像特征提取算法。本发明的保护范围不受图像特征提取算法采用现有技术中那种具体的算法限制。基于图像特征提取算法对步骤S2之后得到的若干个区域中的每个区域进行图像特征点提取，得到若干个图像特征点。需要说明的是，每个区域对应一个图像特征点。
步骤S4，基于若干个图像特征点，生成该待检索图像的视觉词包模型。
视觉词包模型本身为现有技术，其本身并不是本发明的发明点，本步骤利用了该视觉词包模型作为检索时匹配的对象。为了使得公众更好的理解本发明实施例，以下简单介绍视觉词包模型。
词包模型又叫词袋模型，英文名称为Bag Of Words，简称为BOW。BOW模型最初被用在文本分类中，将文档表示成特征矢量。它的基本思想是假定对于一个文本，忽略其词序和语法、句法，仅仅将其看做是一些词汇的集合，而文本中的每个词汇都是独立的。简单说就是讲每篇文档都看成一个袋子(因为里面装的都是词汇，所以称为词袋，Bag of words即因此而来)。近年来，BOW模型被广泛应用于计算机视觉中：2004年Gabriella Csurka、Christopher R.Dance等人基于BOW模型提出了一种图像的分类方法--Bag of Keypoints。图像中的单词(words)被定义为一个图像块(image patch)的特征向量(feature vector)，视觉词包模型即“图像中所有图像块的特征向量得到的直方图”。
在本发明实施例中，将步骤S3得到的若干个图像特征点以哈尔小波进行描述，根据哈尔小波描述的图像特征点生成该待检索图像的视觉词包模型。
步骤S5，将所述待检索图像的视觉词包模型在预先配置的样本视觉词包模型库中进行匹配，得到与所述待检索图像的视觉词包模型相匹配的样本视觉词包模型。
样本视觉词包模型库为预先建立并存储在计算机可读取存储介质中。样本视觉词包模型库为样本视觉词包模型的集合，包括多个样本视觉词包模型，每个样本视觉词包模型为对样本库中的样本图像进行处理得到的视觉词包模型。每个样本视觉词包模型对应一个样本图像。在后文有对样本视觉词包模型库的建立过程的详细描述。
步骤S6，将匹配得到的样本视觉词包模型所对应的样本图像作为检索结果输出。
由于每个样本视觉词包模型对应一个样本图像。因此，在得到匹配得到的样本视觉词包模型后，也就确定了作为检索结果的样本图像。此时，将样本图像作为对待检索图像的检索结果输出。
建立样本视觉词包模型库包括对样本图像库中的每个样本图像进行以下步骤S01至步骤S05，得到样本视觉词包模型库：
步骤S01，对一样本图像进行去冗余处理。
在步骤S01之前，还包括获取样本图像。在本步骤之前，需要先采集多个样本图像，从而形成样本图像库，并将样本图像库存储在计算机可读取存储介质中。在建立样本视觉词包模型库时，从样本图像库中获取某个样本图像，以建立该样本图像的视觉词包模型。
具体的，在本发明的一个实施例中，可以采用全局对比度的显著性检测算法对该样本图像进行去冗余。需要说明的是，对样本图像的处理流程需要与对待检索图像的处理流程保持一致。
全局对比度的显著性检测算法本身为现有技术中的算法，其本身并不是本发明的发明点，本步骤利用了该算法对待检索图像进行去冗余。为了使得公众更好的理解本发明实施例，以下简单介绍全局对比度的显著性检测算法在应用到本发明实施例中的处理过程。具体地，该算法包括以下步骤S021—步骤S024：步骤S021，对样本图像的分辨率进行调整，得到低于样本图像分辨率的低分辨率样本图像；步骤S022，对低分辨率样本图像进行颜色统计，得到颜色统计直方图；步骤S023，从颜色统计直方图中选择代表性颜色；步骤S024，基于代表性颜色对样本图像去除冗余颜色。
步骤S02，将去冗余处理后的样本图像分割为若干个区域。
优选的，在本发明的一个实施例中，基于贪心算法将去冗余处理后的样本图像分割为若干个区域。
贪心算法本身为现有技术中的算法，其本身并不是本发明的发明点，且在前文中已经对全局对比度的显著性检测算法进行了描述，在此不再赘述。需要说明的是，对样本图像分割成的区域的数量不宜过多(即N不宜过大)，否则会影响在后续的对样本图像的图像特征点的提取，因此，优选的，在本发明的实施例中，N的取值范围为1≤N≤5。为了使得N的取值范围为1≤N≤5，在对去冗余处理后的样本图像进行分割时，如果得到的区域的数量大于5时，则对相邻位置处两个区域进行合并，且按照两个区域差值最小合并，从而使得N的取值范围为1≤N≤5。例如，区域A上下左右相邻区域B和C，合并后为min(|A-B|,A-C|)。
步骤S03，对所述样本图像的若干个区域中的每个区域进行图像特征点提取，得到所述样本图像的若干个图像特征点。
在本发明实施例中，图像特征提取算法本身为现有技术，本步骤可以采用现有技术中的SURF算法(Speeded Up Robust Features)、SIFT算法(Scale invariant featuretransform)、GLOH算法(Gradient location-orientation histogram)等图像特征提取算法。本发明的保护范围不受图像特征提取算法采用现有技术中那种具体的算法限制。基于图像特征提取算法对步骤S03之后得到的若干个区域中的每个区域进行图像特征点提取，得到若干个图像特征点。其中，每个区域对应一个图像特征点。
步骤S04，基于所述样本图像的若干个图像特征点，生成所述样本图像的样本视觉词包模型。
样本视觉词包模型即为样本图像的视觉词包模型，本质上是视觉词包模型，此步骤中采用“样本视觉词包模型”的命名方法是为了区分前文中所述的待检索图像的视觉词包模型。视觉词包模型本身为现有技术，其本身并不是本发明的发明点，且在前文中已经对视觉词包模型进行了描述，在此不再赘述。
在本发明的一个优选实施例中，步骤S3中，对所述若干个区域中的每个区域进行图像特征点提取为:基于SURF图像特征提取算法，对所述若干个区域中的每个区域进行图像特征点提取,得到该待检索图像的若干个图像特征点。
在本发明的一个优选实施例中，步骤S03中，对所述若干个区域中的每个区域进行图像特征点提取为:基于SURF图像特征提取算法，对所述若干个区域中的每个区域进行图像特征点提取,得到该样本图像的若干个图像特征点。
在实现本发明的过程中，发明人通过对现有技术中的SURF算法(Speeded UpRobust Features)、SIFT算法(Scale invariant feature transform)、GLOH算法(Gradient location-orientation histogram)等图像特征提取算法进行实验和比较，发现SURF不仅能够提取到其他算法的特征，而且在速度效率上更快速，对于检索算法来讲，效率是衡量一个检索方法好坏的重要指标。因此，在本实施例中，采用SURF算法作为图像特征提取算法。
在本发明的另一个实施例中，在得到待检索图像的若干个图像特征点之后，还包括：对该待检索图像的若干个图像特征点进行定位。对该待检索图像的若干个图像特征点进行定位包括以下步骤S31—步骤S33。
步骤S31，建立与所述若干个区域中的每个区域对应的积分图像。
积分图像的建立目的是加速对样本图像的运算，通过加减运算实现对样本图像某一区域的积分运算。积分图像是提高计算速度的一种优化方法，其算法本身并不是本发明的发明点，在本发明本实施例中，可以利用现有技术中的积分图像建立方法来建立积分图像。为了使得公众更好的理解本发明，以下简单介绍积分图像。积分图像是Crow在1984年首次提出，是为了在多尺度透视投影中提高渲染速度。随后这种技术被应用到基于NCC的快速匹配、对象检测和SURF变换中、基于统计学的快速滤波器等方面。积分图像是一种在图像中快速计算矩形区域和的方法，这种算法主要优点是一旦积分图像首先被计算出来，可以计算图像中任意大小矩形区域的和而且是在常量时间内。这样在图像模糊、边缘提取、对象检测的时候极大降低计算量、提高计算速度。
步骤S32，根据每个区域的积分图像对所述图像特征点进行计算。
步骤S33，基于滤波器建立该待检索图像的尺度空间，在所述尺度空间上，对所述若干个图像特征点进行定位。
滤波器可以为SURF箱式滤波器近似于高斯滤波器，具有高斯滤波器的性质，通过建立多尺度空间的SURF箱式滤波器实现SURF算法对待检索图像大小变化的适应性。对若干个图像特征点进行定位即从若干个图像特征点中过滤掉一些图像特征点。
在所述尺度空间上，对特征点进行定位，包括：通过计算所述待检索图像中的每个图像特征点的Hessian矩阵的极大值对所述若干个图像特征点进行定位；
所述通过计算该样本图像中的每个图像特征点的Hessian矩阵的极大值对所述若干个图像特征点进行定位，包括：计算每个图像特征点的Hessian矩阵的特征值det(H)；若某个图像特征点的Hessian矩阵的特征值的符号为正，则将该特征值与预设阈值进行比较，若所述特征值大于预设阈值，则采用非极大值抑制算法将特征值大于预设阈值并小于极大值的图像特征点过滤掉。
其中，计算每个图像特征点的Hessian矩阵的特征值det(H)中，设待检索图像I中的一个像素点x(i,j)，则在该像素点x(i,j)处，尺度为σ的Hessian矩阵H(x,σ)定义如式(1)：
其中，i为像素点x的横坐标，j为像素点x的纵坐标；
Lxx(x,σ)、Lxy(x,σ)、Lyy(x,σ)为待检索图像I上的像素点x(i,j)分别与高斯二阶偏导数卷积的结果，g为高斯函数；表示卷积计算。
待检索图像I中的每一个像素点都可以求出一个Hessian矩阵H(x,σ)，Hessian矩阵H(x,σ)的极大值就是所要定位的图像特征点。
具体地，通过式(2)计算Hessian矩阵H(x,σ)的特征值det(H)；
det(H)＝DxxDyy-(ωDxy)2 式(2)
其中，Dxx为Lxx(x,σ)；Dyy表示Lyy(x,σ)；Dxy表示Lxy(x,σ)；ω表示权重系数。采用SURF箱式滤波器的模板与原始获取的待检索图像的卷积记为Dxx Dxy Dyy来分别代替Hessian矩阵H(x,σ)中的Lxx(x,σ)，Lxy(x,σ)，Lyy(x,σ)；把9×9的初始箱式滤波器与σ等于1.2的二阶高斯偏导近似。在本发明实施例中，权重系数的取值在0.8至1.0之间，优选地为0.9。
若某个图像特征点的Hessian矩阵的特征值的符号为正，则将该特征值与预设阈值进行比较，若所述特征值大于预设阈值，则采用非极大值抑制算法将特征值大于预设阈值并小于极大值的图像特征点过滤掉。
根据特征值det(H)的符号对所有的像素点进行分类，具体地，根据某个像素点对应的特征值det(H)的值的正负符号，来判别该像素点是或不是极值点。在分类之后，将所有特征值det(H)的值的正的像素点的特征值det(H)与预设阈值进行比较，若特征值det(H)大于预设阈值，则采用非极大值抑制算法将特征值det(H)大于预设阈值并小于极大值的图像特征点过滤掉。
非极大值抑制算法是现有技术中的一种算法，其算法本身并不是本发明的发明点，但为了使得公众能够更好的理解本发明，在此对非极大值抑制算法做简单的介绍和在本发明中的举例说明。
所谓非极大值抑制算法，顾名思义就是把非极大值过滤掉(抑制)。
图3为根据非极大值抑制确定的图像特征点的示例图。
在图3所示的本发明的一个实施例中，检测过程中使用与该尺度层图像解析度相对应大小的SURF箱式滤波器进行检测，以3×3的SURF箱式滤波器为例，该尺度层图像中9个像素点之一的像素点与自身尺度层中其余8个像素点和在其之上及之下的两个尺度层9个像素点进行比较，共26个像素点(8+9*2)。图3中，若标记‘x’的像素点(图像特征点)的特征值若大于周围其周围的像素点(图像特征点)，则可确定该像素点(图像特征点)为该区域的极大值，其余的像素点则可以被过滤掉(抑制)。
在本发明的另一个实施例中，在得到该样本图像的若干个图像特征点之后，还包括：对该样本图像的若干个图像特征点进行定位，包括：
步骤S031，建立与若干个区域中的每个区域对应的积分图像。
步骤S032，基于滤波器建立该样本图像的尺度空间，根据每个区域的积分图像对所述图像特征点进行优化计算。
步骤S033，在尺度空间上，对该样本图像的所述若干个图像特征点进行定位。需要说明的是，该样本图像的所述若干个图像特征点进行定位采用的方法与对待检索图像的所述若干个图像特征点进行定位的方法相同，在前已经详细描述，在此不再赘述。
在本发明的另一个实施例中，在生成所述待检索图像的视觉词包模型之后还包括：基于哈尔小波变换算法对确定的图像特征点做变换计算，得到以哈尔小波描述的图像特征点。
在本发明的另一个实施例中，在得到以哈尔小波描述的图像特征点之后，还包括：计算若干个区域中每个区域的图像的灰度平均值。将每个像素点的灰度值与灰度平均值进行比较，如果某个像素点的灰度值大于或等于灰度平均值，则为该像素点赋值为第一取值，例如1，如果某个像素点的灰度值小于灰度均值，则为该像素点赋值为第二取值，例如为0。基于各个像素点的赋值，得到二进制哈希码表示的灰度特征。
在本发明的另一个实施例中，在得到以二进制哈希码表示的灰度特征之后，还包括：根据以哈尔小波描述的图像特征点和用二进制哈希码表示的灰度特征生成样本视觉词包模型。
在本发明的另一个实施例中，步骤S5，将该待检索图像的视觉词包模型在预存的样本视觉词包模型库中进行匹配，得到与该待检索图像的视觉词包模型相匹配的样本视觉词包模型，包括以下步骤S51—步骤S54：
步骤S51，对待检索图像的图像特征点与预存的样本图像的图像特征点进行匹配，得到初步匹配结果。
由于提取的图像特征点为待检索图像中一些具有代表性的像素点，这些代表性的点主要是分布在边缘的点以及高频信息点等等，保留的是像素点的位置和点之间的方向性，那么我们匹配各个点也是匹配这些内容。其中代表性的点。
步骤S52，基于RANSAC算法对初步匹配结果进行过滤，得到过滤后的匹配结果。
RANSAC算法的具体内容为现有技术，并不是本发明的发明点，在本发明本实施例中，可以利用现有技术中的RANSAC算法来消除误匹配。为了使得公众更好的理解本发明，以下简单介绍RANSAC算法。
RANSAC是Random Sample Consensus的简称，它是根据一组包含异常数据的样本数据集，通过迭代的方法计算出数据的数学模型参数，得到有效样本数据的非确定性的算法。它于1981年由Fischler和Bolles最先提出,类似最小二乘法。RANSAC算法实质上就是一个反复测试、不断迭代的过程。其具体思想为：首先根据具体问题设计出某个目标函数，然后通过反复提取最小点集估计该函数中参数的初始值，利用这些初始值把所有的数据分为“内点”(inlier)和“外点“(outlier)，最后用所有的内点重新计算和估计函数的参数。
图4为现有技术中采用RANSAC算法对直线y＝kx+b的拟合过程。根据图4对直线y＝kx+b的拟合过程来可以理解RANSAC算法。
步骤S53，基于汉明距离算法计算过滤后的匹配结果中的每个样本图像的二进制哈希码表示的图像特征点与待检索图像的二进制哈希码表示的图像特征点的相似距离。
用汉明距离来定义待检索图像的图像特征点和样本图像的图像特征点的相似性，距离值越小，两者越相似。
步骤S54，基于K近邻算法，将相似距离大于预定距离阈值的所述待检索图像所对应的视觉词包模型在预先配置的样本视觉词包模型库中进行匹配，得到与所述待检索图像的视觉词包模型相匹配的样本视觉词包模型。
k近邻算法本身为现有技术，并不是本发明的发明点，在本发明本实施例中，可以利用现有技术中的k近邻算法实现匹配。为了使得公众更好的理解本发明，以下简单介绍k近邻算法。
k近邻算法，又称邻近算法或者K最近邻分类算法，英文名称为k-NearestNeighbor，简称kNN，是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括如下如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，简称ROM)或随机存取存储器(RandomAccessMemory，简称RAM)等。
图5是本发明实施例提供的图像检索系统的模块关系示意图。
如图5所示，本发明还提供了一种图像检索系统，包括：去冗余模块、图像分割模块、特征点提取模块、视觉词包模型生成模块、匹配模块和输出模块。
去冗余模块，用于对待检索图像进行去冗余处理。图像分割模块，用于将去冗余处理后的待检索图像分割为若干个区域。特征点提取模块，用于对若干个区域中的每个区域进行图像特征点提取，得到若干个图像特征点。
视觉词包模型生成模块，基于若干个图像特征点，生成待检索图像的视觉词包模型。匹配模块，用于将待检索图像的视觉词包模型在预先配置的样本视觉词包模型库中进行匹配，得到与待检索图像的视觉词包模型相匹配的样本视觉词包模型。输出模块，用于将匹配得到的样本视觉词包模型所对应的样本图像作为检索结果输出。
图6是本发明另一实施例提供的图像检索系统的模块关系示意图。
如图6所示，在本发明的另一个实施例中，图像检索系统还包括：样本视觉词包模型生成模块和样本视觉词包模型库。样本视觉词包模型生成模块，用于生成多个样本视觉词包模型。样本视觉词包模型库，用于存储生成的多个样本视觉词包模型。
图7是本发明另一实施例提供的图像检索系统中样本视觉词包模型生成模块的关系示意图。
如图6所示，在本发明的另一个实施例中，样本视觉词包模型生成模块包括：去冗余单元、图像分割单元、特征点提取单元和样本视觉词包模型生成单元。去冗余单元，用于对一样本图像进行去冗余处理。图像分割单元，将去冗余处理后的样本图像分割为若干个区域。特征点提取单元，对样本图像的若干个区域中的每个区域进行图像特征点提取，得到样本图像的若干个图像特征点。样本视觉词包模型生成单元，基于样本图像的若干个图像特征点，生成样本图像的样本视觉词包模型。
在本发明的另一个实施例中，图像检索系统还包括：图像调整模块，用于在对待检索图像进行去冗余处理之前对待检索图像进行调整。其中，图像调整模块包括：颜色转换单元和亮度对比度调整单元。颜色转换单元，用于将待检索图像由RGB颜色空间转化成HLS颜色空间。亮度对比度调整单元，用于根据预设的亮度调整值和对比度调整值对转换为HLS颜色空间的检索图像的亮度和对比度进行调整。
图8是本发明又一实施例提供的图像检索系统中去冗余模块的关系示意图。
如图8所示，在本发明的又一个实施例中，去冗余模块，用于基于全局对比度的显著性检测算法，对待检索图像进行去冗余处理。冗余模块包括：分辨率调整单元、颜色统计单元、代表性颜色选择单元和冗余颜色去除单元。
分辨率调整单元，对待检索图像的分辨率进行调整，得到低于待检索图像分辨率的图像。颜色统计单元，对得到的低分辨率的待检索图像进行颜色统计，得到颜色统计直方图。代表性颜色选择单元，从颜色统计直方图中选择代表性颜色。冗余颜色去除单元，基于代表性颜色对待检索图像去除冗余颜色。
在本发明的又一个实施例中，图像分割模块，用于基于贪心算法，将去冗余处理后的待检索图像分割为若干个区域。图像分割模块，用于基于贪心算法，将去冗余处理后的待检索图像分割为区域个数小于预设数量阈值的区域。
在本发明的另一个实施例中，特征点提取模块，用于基于SURF图像特征提取算法，对若干个区域中的每个区域进行图像特征点提取，得到若干个图像特征点。
图9是本发明再一实施例提供的图像检索系统中图像特征点定位模块的关系示意图
如图9所示，在本发明的再一个实施例中，图像检索系统还包括：图像特征点定位模块。图像特征点定位模块，用于对特征点提取模块得到的若干个图像特征点进行定位，以过滤掉不符合预定条件的图像特征点。图像特征点定位模块包括：积分图像建立单元、特征点计算单元和特征点定位单元。积分图像建立单元，用于建立与若干个区域中的每个区域对应的积分图像。特征点计算单元，用于根据每个区域的积分图像对图像特征点进行计算。特征点定位单元，基于滤波器建立待检索图像的尺度空间，在尺度空间上，基于对图像特征点进行计算的结果，对若干个图像特征点进行定位。
进一步，特征点定位单元，用于通过计算待检索图像中的每个图像特征点的Hessian矩阵的极大值，对若干个图像特征点进行定位。特征点定位单元，包括：特征值计算子单元和非极大值抑制子单元。
特征值计算子单元，用于计算每个图像特征点的Hessian矩阵的特征值det(H)。非极大值抑制子单元，若某个图像特征点的Hessian矩阵的特征值det(H)的符号为正，则将特征值det(H)与预设阈值进行比较，若特征值det(H)大于预设阈值，则采用非极大值抑制算法将特征值det(H)大于预设阈值并小于极大值的图像特征点过滤掉。
图10是本发明又一实施例提供的图像检索系统中视觉词包模型生成模块的关系示意图；
如图10所示，在本发明的又一个实施例中，视觉词包模型生成模块，包括：哈尔小波描述单元、灰度平均值计算单元、灰度特征生成单元和特征点与灰度特征合成单元。哈尔小波描述单元，用于基于哈尔小波变换算法对定位后的图像特征点做变换计算，得到以哈尔小波描述的图像特征点。灰度平均值计算单元，用于计算若干个区域中每个区域的图像的灰度平均值。灰度特征生成单元，用于将每个像素点的灰度值与灰度平均值进行比较，如果某个像素点的灰度值大于或等于灰度平均值，则为该像素点赋值为第一取值，如果某个像素点的灰度值小于灰度均值，则为该像素点赋值为第二取值。基于各个像素点的赋值，得到二进制哈希码表示的灰度特征。特征点与灰度特征合成单元，根据以哈尔小波描述的图像特征点和用二进制哈希码表示的灰度特征生成样本视觉词包模型。
图11是本发明又一实施例提供的图像检索系统中匹配模块的关系示意图。如图11所示，在本发明的又一个实施例中，匹配模块，包括：初步匹配单元、初步匹配结果过滤单元、相似距离计算单元和二次匹配单元。
初步匹配单元，用于对待检索图像的图像特征点与预存的样本图像的图像特征点进行匹配，得到初步匹配结果。初步匹配结果过滤单元，用于基于RANSAC算法对初步匹配结果进行过滤，得到过滤后的匹配结果。相似距离计算单元，用于基于汉明距离算法计算过滤后的匹配结果中的每个样本图像的二进制哈希码表示的图像特征点与待检索图像的二进制哈希码表示的图像特征点的相似距离。二次匹配单元，用于基于K近邻算法，将相似距离大于预定距离阈值的待检索图像所对应的视觉词包模型在预先配置的样本视觉词包模型库中进行匹配，得到与待检索图像的视觉词包模型相匹配的样本视觉词包模型。
需要说明的是，本发明图像检索系统是与涉及计算机程序流程的图像检索方法一一对应的装置，由于在前已经对图像检索方法的步骤流程进行了详细描述，在此不再对图像检索系统的实施过程进行赘述。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。本发明各个实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。另外，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (16)

1.一种图像检索方法，其特征在于，包括：
对待检索图像进行去冗余处理；
将去冗余处理后的待检索图像分割为若干个区域；
对所述若干个区域中的每个区域进行图像特征点提取，得到若干个图像特征点；
基于所述若干个图像特征点，生成所述待检索图像的视觉词包模型；
将所述待检索图像的视觉词包模型在预先配置的样本视觉词包模型库中进行匹配，得到与所述待检索图像的视觉词包模型相匹配的样本视觉词包模型；
将匹配得到的样本视觉词包模型所对应的样本图像作为检索结果输出。
2.根据权利要求1所述的方法，其中，样本视觉词包模型库包括：多个样本视觉词包模型；生成每个所述样本视觉词包模型，包括：
对一样本图像进行去冗余处理；
将去冗余处理后的样本图像分割为若干个区域；
对所述样本图像的若干个区域中的每个区域进行图像特征点提取，得到所述样本图像的若干个图像特征点；
基于所述样本图像的若干个图像特征点，生成所述样本图像的样本视觉词包模型。
3.根据权利要求1所述的方法，其中，所述对待检索图像进行去冗余处理之前，还包括：
将待检索图像由RGB颜色空间转化成HLS颜色空间；
根据预设的亮度调整值和对比度调整值对转换为HLS颜色空间的检索图像的亮度和对比度进行调整；
所述对待检索图像进行去冗余处理，包括：
基于全局对比度的显著性检测算法，对待检索图像进行去冗余处理；
所述基于全局对比度的显著性检测算法，对待检索图像进行去冗余处理，包括：
对待检索图像的分辨率进行调整，得到低于所述待检索图像分辨率的图像；
对得到的低分辨率的待检索图像进行颜色统计，得到颜色统计直方图；
从颜色统计直方图中选择代表性颜色；
基于代表性颜色对待检索图像去除冗余颜色。
4.根据权利要求1所述的方法，其中，所述将去冗余处理后的待检索图像分割为若干个区域，包括：
基于贪心算法，将去冗余处理后的待检索图像分割为若干个区域；
所述基于贪心算法，将去冗余处理后的待检索图像分割为若干个区域，包括：
基于贪心算法，将去冗余处理后的待检索图像分割为区域个数小于预设数量阈值的区域。
5.根据权利要求1所述的方法，其中，所述对若干个区域中的每个区域进行图像特征点提取，包括：基于SURF图像特征提取算法，对所述若干个区域中的每个区域进行图像特征点提取；
在所述得到若干个图像特征点之后，还包括：对得到的若干个图像特征点进行定位；
所述对得到的若干个图像特征点进行定位，包括：
建立与所述若干个区域中的每个区域对应的积分图像；
根据每个区域的积分图像对所述图像特征点进行计算；
基于滤波器建立所述待检索图像的尺度空间，在所述尺度空间上，基于对所述图像特征点进行计算的结果，对所述若干个图像特征点进行定位。
6.根据权利要求5所述的方法，其中，在所述尺度空间上，对特征点进行定位，包括：
通过计算所述待检索图像中的每个图像特征点的Hessian矩阵的极大值，对所述若干个图像特征点进行定位；
所述通过计算该样本图像中的每个图像特征点的Hessian矩阵的极大值，对所述若干个图像特征点进行定位，包括：
计算每个图像特征点的Hessian矩阵的特征值det(H)；
若某个图像特征点的Hessian矩阵的特征值det(H)的符号为正，则将所述特征值det(H)与预设阈值进行比较，若所述特征值det(H)大于预设阈值，则采用非极大值抑制算法将特征值det(H)大于预设阈值并小于极大值的图像特征点过滤掉。
7.根据权利要求1所述的方法，其中，所述生成所述待检索图像的视觉词包模型，包括：
基于哈尔小波变换算法对定位后的图像特征点做变换计算，得到以哈尔小波描述的图像特征点；
在得到以哈尔小波描述的图像特征点之后，还包括：
计算所述若干个区域中每个区域的图像的灰度平均值；
将每个像素点的灰度值与所述灰度平均值进行比较，如果某个像素点的灰度值大于或等于所述灰度平均值，则为该像素点赋值为第一取值，如果某个像素点的灰度值小于灰度均值，则为该像素点赋值为第二取值；
基于各个像素点的赋值，得到二进制哈希码表示的灰度特征；
在得到以二进制哈希码表示的灰度特征之后，还包括：
根据以哈尔小波描述的图像特征点和用二进制哈希码表示的灰度特征生成样本视觉词包模型。
8.根据权利要求1所述的方法，其中，所述得到与所述待检索图像的视觉词包模型相匹配的样本视觉词包模型，包括：
对待检索图像的图像特征点与预存的样本图像的图像特征点进行匹配，得到初步匹配结果；
基于RANSAC算法对所述初步匹配结果进行过滤，得到过滤后的匹配结果；
基于汉明距离算法计算过滤后的匹配结果中的每个样本图像的二进制哈希码表示的图像特征点与待检索图像的二进制哈希码表示的图像特征点的相似距离；
基于K近邻算法，将相似距离大于预定距离阈值的所述待检索图像所对应的视觉词包模型在预先配置的样本视觉词包模型库中进行匹配，得到与所述待检索图像的视觉词包模型相匹配的样本视觉词包模型。
9.一种图像检索系统，其特征在于，包括：
去冗余模块，用于对待检索图像进行去冗余处理；
图像分割模块，用于将去冗余处理后的待检索图像分割为若干个区域；
特征点提取模块，用于对所述若干个区域中的每个区域进行图像特征点提取，得到若干个图像特征点；
视觉词包模型生成模块，基于所述若干个图像特征点，生成所述待检索图像的视觉词包模型；
匹配模块，用于将所述待检索图像的视觉词包模型在预先配置的样本视觉词包模型库中进行匹配，得到与所述待检索图像的视觉词包模型相匹配的样本视觉词包模型；
输出模块，用于将匹配得到的样本视觉词包模型所对应的样本图像作为检索结果输出。
10.根据权利要求9所述的系统，还包括：
样本视觉词包模型库，用于存储多个样本视觉词包模型；
样本视觉词包模型生成模块，用于生成每个所述样本视觉词包模型；
其中，所述样本视觉词包模型生成模块包括：
去冗余单元，对一样本图像进行去冗余处理；
图像分割单元，将去冗余处理后的样本图像分割为若干个区域；
特征点提取单元，对所述样本图像的若干个区域中的每个区域进行图像特征点提取，得到所述样本图像的若干个图像特征点；
样本视觉词包模型生成单元，基于所述样本图像的若干个图像特征点，生成所述样本图像的样本视觉词包模型。
11.根据权利要求9所述的系统，还包括：图像调整模块，用于在对所述待检索图像进行去冗余处理之前对所述待检索图像进行调整；
所述图像调整模块包括：
颜色转换单元，用于将待检索图像由RGB颜色空间转化成HLS颜色空间；
亮度对比度调整单元，用于根据预设的亮度调整值和对比度调整值对转换为HLS颜色空间的检索图像的亮度和对比度进行调整；
所述去冗余模块，用于基于全局对比度的显著性检测算法，对待检索图像进行去冗余处理；
所述冗余模块包括：
分辨率调整单元，对待检索图像的分辨率进行调整，得到低于所述待检索图像分辨率的图像；
颜色统计单元，对得到的低分辨率的待检索图像进行颜色统计，得到颜色统计直方图；
代表性颜色选择单元，从颜色统计直方图中选择代表性颜色；
冗余颜色去除单元，基于代表性颜色对待检索图像去除冗余颜色。
12.根据权利要求9所述的系统，其中，所述图像分割模块，用于基于贪心算法，将去冗余处理后的待检索图像分割为若干个区域；
所述图像分割模块，用于基于贪心算法，将去冗余处理后的待检索图像分割为区域个数小于预设数量阈值的区域。
13.根据权利要求9所述的系统，其中，所述特征点提取模块，用于基于SURF图像特征提取算法，对所述若干个区域中的每个区域进行图像特征点提取，得到若干个图像特征点；
所述的系统还包括：图像特征点定位模块；
所述图像特征点定位模块，包括：
积分图像建立单元，用于建立与所述若干个区域中的每个区域对应的积分图像；
特征点计算单元，用于根据每个区域的积分图像对所述图像特征点进行计算；
特征点定位单元，基于滤波器建立所述待检索图像的尺度空间，在所述尺度空间上，基于对所述图像特征点进行计算的结果，对所述若干个图像特征点进行定位。
14.根据权利要求13所述的系统，其中，所述特征点定位单元，用于通过计算所述待检索图像中的每个图像特征点的Hessian矩阵的极大值，对所述若干个图像特征点进行定位；
所述特征点定位单元，包括：
特征值计算子单元，用于计算每个图像特征点的Hessian矩阵的特征值det(H)；
非极大值抑制子单元，若某个图像特征点的Hessian矩阵的特征值det(H)的符号为正，则将所述特征值det(H)与预设阈值进行比较，若所述特征值det(H)大于预设阈值，则采用非极大值抑制算法将特征值det(H)大于预设阈值并小于极大值的图像特征点过滤掉。
15.根据权利要求9所述的系统，其中，所述视觉词包模型生成模块，包括：
哈尔小波描述单元，用于基于哈尔小波变换算法对定位后的图像特征点做变换计算，得到以哈尔小波描述的图像特征点；
灰度平均值计算单元，用于计算所述若干个区域中每个区域的图像的灰度平均值；
灰度特征生成单元，用于将每个像素点的灰度值与所述灰度平均值进行比较，如果某个像素点的灰度值大于或等于所述灰度平均值，则为该像素点赋值为第一取值，如果某个像素点的灰度值小于灰度均值，则为该像素点赋值为第二取值；基于各个像素点的赋值，得到二进制哈希码表示的灰度特征；
特征点与灰度特征合成单元，根据以哈尔小波描述的图像特征点和用二进制哈希码表示的灰度特征生成样本视觉词包模型。
16.根据权利要求9所述的系统，其中，所述匹配模块，包括：
初步匹配单元，用于对待检索图像的图像特征点与预存的样本图像的图像特征点进行匹配，得到初步匹配结果；
初步匹配结果过滤单元，用于基于RANSAC算法对所述初步匹配结果进行过滤，得到过滤后的匹配结果；
相似距离计算单元，用于基于汉明距离算法计算过滤后的匹配结果中的每个样本图像的二进制哈希码表示的图像特征点与待检索图像的二进制哈希码表示的图像特征点的相似距离；
二次匹配单元，用于基于K近邻算法，将相似距离大于预定距离阈值的所述待检索图像所对应的视觉词包模型在预先配置的样本视觉词包模型库中进行匹配，得到与所述待检索图像的视觉词包模型相匹配的样本视觉词包模型。
CN201611246165.2A 2016-12-29 2016-12-29 一种图像检索方法和系统 Pending CN108255858A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611246165.2A CN108255858A (zh) 2016-12-29 2016-12-29 一种图像检索方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611246165.2A CN108255858A (zh) 2016-12-29 2016-12-29 一种图像检索方法和系统

Publications (1)

Publication Number Publication Date
CN108255858A true CN108255858A (zh) 2018-07-06

Family

ID=62719951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611246165.2A Pending CN108255858A (zh) 2016-12-29 2016-12-29 一种图像检索方法和系统

Country Status (1)

Country Link
CN (1) CN108255858A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271936A (zh) * 2018-09-18 2019-01-25 哈尔滨工程大学 基于感知哈希算法的飞机振动故障数据库构建与检索方法
CN109299652A (zh) * 2018-07-30 2019-02-01 华晓精密工业(苏州)有限公司 一种用于图像定位的模型训练方法、图像定位方法及装置
CN110222526A (zh) * 2019-05-21 2019-09-10 平安科技（深圳）有限公司 安全防外发的方法及装置
CN110490268A (zh) * 2019-08-26 2019-11-22 山东浪潮人工智能研究院有限公司 一种基于余弦相似度的改进最近邻距离比的特征匹配方法
CN110728711A (zh) * 2018-07-17 2020-01-24 北京三快在线科技有限公司 定位建图方法及装置、定位方法、装置和系统
CN111369599A (zh) * 2018-12-25 2020-07-03 阿里巴巴集团控股有限公司 一种图像匹配方法、设备、装置及存储介质
CN113298146A (zh) * 2021-05-25 2021-08-24 上海海洋大学 一种基于特征检测的图像匹配方法、装置、设备及介质
CN113657511A (zh) * 2021-02-02 2021-11-16 哈尔滨商业大学 一种商品图像特征描述方法
CN113947526A (zh) * 2020-07-16 2022-01-18 四川大学 一种改进尺度不变特征变换的快速拼接方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010250637A (ja) * 2009-04-17 2010-11-04 Seiko Epson Corp 画像サーバー、画像検索システム、画像検索方法および画像管理方法
CN102865859A (zh) * 2012-09-21 2013-01-09 西北工业大学 一种基于surf特征的航空序列图像位置估计方法
CN103049446A (zh) * 2011-10-13 2013-04-17 中国移动通信集团公司 一种图像检索方法及装置
CN104361096A (zh) * 2014-11-20 2015-02-18 合肥工业大学 一种基于特征富集区域集合的图像检索方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010250637A (ja) * 2009-04-17 2010-11-04 Seiko Epson Corp 画像サーバー、画像検索システム、画像検索方法および画像管理方法
CN103049446A (zh) * 2011-10-13 2013-04-17 中国移动通信集团公司 一种图像检索方法及装置
CN102865859A (zh) * 2012-09-21 2013-01-09 西北工业大学 一种基于surf特征的航空序列图像位置估计方法
CN104361096A (zh) * 2014-11-20 2015-02-18 合肥工业大学 一种基于特征富集区域集合的图像检索方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PHILBIN J: "Lost in quantization:Improving particular object retrieval in large scale image database", 《IEEE》 *
吴文芳: "基于高阶空间特征提取的图像检索", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
张艳: "基于相邻关键点空间关系的图像检索研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
霍海利: "图像配准关键算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728711A (zh) * 2018-07-17 2020-01-24 北京三快在线科技有限公司 定位建图方法及装置、定位方法、装置和系统
CN109299652A (zh) * 2018-07-30 2019-02-01 华晓精密工业(苏州)有限公司 一种用于图像定位的模型训练方法、图像定位方法及装置
CN109299652B (zh) * 2018-07-30 2020-11-13 华晓精密工业(苏州)有限公司 一种用于图像定位的模型训练方法、图像定位方法及装置
CN109271936A (zh) * 2018-09-18 2019-01-25 哈尔滨工程大学 基于感知哈希算法的飞机振动故障数据库构建与检索方法
CN109271936B (zh) * 2018-09-18 2021-09-24 哈尔滨工程大学 基于感知哈希算法的飞机振动故障数据库构建与检索方法
CN111369599B (zh) * 2018-12-25 2024-04-16 阿里巴巴集团控股有限公司 一种图像匹配方法、设备、装置及存储介质
CN111369599A (zh) * 2018-12-25 2020-07-03 阿里巴巴集团控股有限公司 一种图像匹配方法、设备、装置及存储介质
CN110222526A (zh) * 2019-05-21 2019-09-10 平安科技（深圳）有限公司 安全防外发的方法及装置
CN110222526B (zh) * 2019-05-21 2024-04-26 平安科技（深圳）有限公司 安全防外发的方法及装置
CN110490268A (zh) * 2019-08-26 2019-11-22 山东浪潮人工智能研究院有限公司 一种基于余弦相似度的改进最近邻距离比的特征匹配方法
CN113947526A (zh) * 2020-07-16 2022-01-18 四川大学 一种改进尺度不变特征变换的快速拼接方法
CN113947526B (zh) * 2020-07-16 2023-04-18 四川大学 一种改进尺度不变特征变换的快速拼接方法
CN113657511B (zh) * 2021-02-02 2022-10-28 哈尔滨商业大学 一种商品图像特征描述方法
CN113657511A (zh) * 2021-02-02 2021-11-16 哈尔滨商业大学 一种商品图像特征描述方法
CN113298146A (zh) * 2021-05-25 2021-08-24 上海海洋大学 一种基于特征检测的图像匹配方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN108255858A (zh) 一种图像检索方法和系统
US8494297B2 (en) Automatic detection and mapping of symmetries in an image
JP5431362B2 (ja) 画像識別のための特徴ベースの識別特性（ｓｉｇｎａｔｕｒｅ）
CN110390643B (zh) 一种车牌增强方法、装置及电子设备
CN111369605B (zh) 一种基于边缘特征的红外与可见光图像的配准方法和系统
CN108596197A (zh) 一种印章匹配方法及装置
KR101567792B1 (ko) 이미지 윤곽 묘사 시스템 및 방법
JP4098021B2 (ja) シーン識別方法および装置ならびにプログラム
CN111476739B (zh) 水下图像增强方法、系统及存储介质
Shihavuddin et al. Automated classification and thematic mapping of bacterial mats in the north sea
Soni et al. Copy-move tampering detection based on local binary pattern histogram fourier feature
Roy et al. Digital image forensics
Pallavi et al. A novel approach for generating composite sketches from mugshot photographs
Thajeel et al. Detection copy-move forgery in image via quaternion polar harmonic transforms
Senturk et al. Seam carving based image retargeting: A survey
CN109785367B (zh) 三维模型追踪中外点滤除方法和装置
Giraud et al. Texture-aware superpixel segmentation
Kushol et al. Copy-move forgery detection using color space and moment invariants-based features
CN117115632A (zh) 一种水下目标检测方法、装置、设备及介质
Kumar et al. A review of image features extraction techniques and their applications in image forensic
CN107085725A (zh) 一种通过基于自适应码本的llc聚类图像区域的方法
CN115035281B (zh) 一种快速的红外全景图像拼接方法
Huang et al. Image segmentation using edge detection and region distribution
US8938118B1 (en) Method of neighbor embedding for OCR enhancement
Resmi et al. A novel segmentation based copy-move forgery detection in digital images

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180706