CN108268533B - 一种用于图像检索的图像特征匹配方法 - Google Patents

一种用于图像检索的图像特征匹配方法 Download PDF

Info

Publication number
CN108268533B
CN108268533B CN201611265208.1A CN201611265208A CN108268533B CN 108268533 B CN108268533 B CN 108268533B CN 201611265208 A CN201611265208 A CN 201611265208A CN 108268533 B CN108268533 B CN 108268533B
Authority
CN
China
Prior art keywords
image
images
mapreduce
length
feature
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.)
Active
Application number
CN201611265208.1A
Other languages
English (en)
Other versions
CN108268533A (zh
Inventor
王康
李峰岳
李倩玉
王运侠
刘宇
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.)
NANJING FENGHUO TIANDI COMMUNICATION TECHNOLOGY Co.,Ltd.
Original Assignee
Nanjing Fenghuo Tiandi Communication 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 Nanjing Fenghuo Tiandi Communication Technology Co ltd filed Critical Nanjing Fenghuo Tiandi Communication Technology Co ltd
Priority to CN201611265208.1A priority Critical patent/CN108268533B/zh
Publication of CN108268533A publication Critical patent/CN108268533A/zh
Application granted granted Critical
Publication of CN108268533B publication Critical patent/CN108268533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种用于图像检索的图像特征匹配方法，属于计算机技术领域，使用基于图像特征匹配的方法，分别从图像方向分布特征、图像长宽分布特征、图像内部结构比对特征分布统计和图像四分块灰度特征这四个不同类型的特征对图像进行描述，最后使用一个7维的特征向量表达图像特征，在进行图像的特征匹配。该算法解决了现有技术中图像匹配的计算量大、效率低和准确率低的问题，大大提高了图像检索的速度和性能，弥补了单一特征的局限性，可以增加匹配的准确性。

Description

一种用于图像检索的图像特征匹配方法
技术领域
本发明属于计算机技术领域。
背景技术
在计算机视觉目标识别中，图像匹配可以实现在待识别图像中寻找与模型相匹配的图像，广泛应用于图像检索(如图片识别、文字识别、目标识别和以图搜图等领域)。通过对图像的内容、特征、结构、纹理及灰度等对应关系，进行相似性和一致性的分析，来寻找与待查询图像特征相似的图像，其目的是在变换空间寻找一种或多种变换，使来自不同时间、不同传感器或不同视角的同一场景的两幅图像或多幅图像在空间上一致。图像匹配技术是计算机视觉和图像分析处理中的一项重要技术，可将人的视觉认知和理解过程用现代信息技术和计算机技术来完成，在现实生活中具有很大的实用价值。
常用的图像匹配主要分为以灰度为基础的匹配和以特征为基础的匹配：
基于灰度的匹配方法，由于需要计算每一个像素点间的灰度值差异，主要缺陷是计算量大，满足不了实际应用中对匹配速率的要求；
基于图像特征的匹配方法可以克服利用图像灰度信息进行匹配的缺点，但是特征点的匹配度量值对位置的变化比较敏感，特征提取方法的计算代价通常较大，并且需要一些自由参数和实现按照经验选取的阈值，因而不便于实时应用。
发明内容
本发明的目的是提供一种用于图像检索的图像特征匹配方法，解决了现有图像特征匹配技术中图像特征选择困难、匹配速度低和准确率低的问题。
为实现上述目的，本发明采用以下技术方案：
一种用于图像检索的图像特征匹配方法，包括如下步骤：
步骤1：建立Hadoop框架的图像存储平台，将海量的图像存储在Hadoop框架的图像存储平台中的HDFS中，并通过Hadoop框架的图像存储平台中的MapReduce对所述海量的图像进行图像特征分布分析和计算；
步骤2：MapReduce对所述海量的图像进行的图像特征分布分析包括图像方向分布特征、图像长宽分布特征、图像内部结构比对特征和图像四分块灰度特征；MapReduce生成每一张图像的方向特征、长宽特征、内部结构比对特征和四分块灰度特征，最后使用一个7维的特征向量对图像进行特征表达；
步骤3：MapReduce选择一张图像作为待查询图像，MapReduce根据特征匹配相似度的方法对图像库中所有图片进行过滤，找出与待查询图像匹配的图像，所述特征匹配相似度的方法包括步骤如下：
步骤A：MapReduce从Hadoop框架的图像存储平台中存储的所有图像中选择一张作为待查询图像；
步骤B：MapReduce在Hadoop框架的图像存储平台中存储的图像数据中进行查询和检索，并根据步骤2中所述的方向特征、长宽比特征、内部结构比对特征和四分块灰度特征，找到与待查询图像相似的图像作为匹配图像；
步骤C：重复步骤B，统计出所有待查询图像的匹配图像的个数，并生成匹配图像统计表；
步骤D：重复步骤A到步骤C，统计出所有图像的匹配图像统计表和匹配图像占图片总数的百分比。
所述图像方向分布统计包括如下步骤：
步骤A1：MapReduce根据每一副图像的尺寸的长宽比例，分别把图像分成横向图片、纵向图片和方形图片；横向图片的尺寸的长宽比例为长大于宽；纵向图片的尺寸的长宽比例为长小于宽；方形图片的尺寸的长宽比例为长等于宽；
步骤A2：MapReduce根据图像的尺寸的长宽比例对所有图像进行筛选归类，生成并存储每一幅图像的方向分布特征，
步骤A3：MapReduce统计横向图片所占的比例、方形图片所占的比例和纵向图片所占的比例。
所述图像长宽分布统计包括如下步骤：
步骤B1：MapReduce将所有图像的尺寸均缩放到1000×N的大小，N的取值在0-1000之间；每一张图像的最大边长度为1000，次长边长度为N；
步骤B2：MapReduce对所有图像的次长边的边长进行统计分析，根据次长边长度将所有图像分成数个图像集；
步骤B3：MapReduce统计每一个图像集中包含的图像的个数。
所述图像内部结构比对特征分布统计包括如下步骤：
步骤C1:设定参数Int表示图像的内部结构对比特征的结果，参数Int为32位的0/1字符串对应的Int值；所述图像的内部结构对比特征反映一副图像自身的差异性，如果图像场景复杂、内容杂乱那么内部结构比对的结果就会很大，相反如果图像结构单一、场景简单、内容有条不紊，那么它的内部结构比对结果就会较小；
步骤C2：MapReduce统计所有图像对应的参数Int的值。
所述图像四分块灰度特征分布统计包括如下步骤：
步骤D1：MapReduce将图像等分成4个区域，分析每一个区域的灰度信息生成灰度总和信息；
步骤D2：MapReduce对每一个区域的灰度总和进行统计。
本发明所述的一种用于图像检索的图像特征匹配方法，解决了现有技术中图像特征选择困难、匹配速度低和准确率低的问题。本发明根据图像数据的多种特征分布，选择四种互补类型的特征，并通过简单直观的方式用最简短的方式来描述每一个特征，最后仅仅用一个长度为7的特征向量来表达一幅图像，大大减少了计算量，提高了图像匹配的速率；此外本发明结合多种特征进行分析，且这些特征具有互补特性，包含了更多更丰富的图像信息，弥补了单一特征的局限性，可以增加匹配的准确性；而且我们用7个特征值就可以把一个图像的特征描述出来，大大降低了特征维度、减少特征冗余，同时在保证一定匹配准确性的前提下，也大大提高了图像的匹配速率。用这种算法在海量互联网图像检索中，可以实现快速准确的图像匹配，具有很大的实用价值。
附图说明
图1是本发明的流程图。
具体实施方式
如图1所示的一种用于图像检索的图像特征匹配方法，包括如下步骤：
步骤1：建立Hadoop框架的图像存储平台，将海量的图像存储在Hadoop框架的图像存储平台中的HDFS中，并通过Hadoop框架的图像存储平台中的MapReduce对所述海量的图像进行图像特征分布分析和计算；
步骤2：MapReduce对所述海量的图像进行的图像特征分布分析包括图像方向分布特征、图像长宽分布特征、图像内部结构比对特征和图像四分块灰度特征；MapReduce生成每一张图像的方向特征、长宽特征、内部结构比对特征和四分块灰度特征，最后使用一个7维的特征向量对图像进行特征表达；
步骤3：MapReduce选择一张图像作为待查询图像，MapReduce根据特征匹配相似度的方法对图像库中所有图片进行过滤，找出与待查询图像匹配的图像，所述特征匹配相似度的方法包括步骤如下：
步骤A：MapReduce从Hadoop框架的图像存储平台中存储的所有图像中选择一张作为待查询图像；
步骤B：MapReduce在Hadoop框架的图像存储平台中存储的图像数据中进行查询和检索，并根据步骤2中所述的方向特征、长宽比特征、内部结构比对特征和四分块灰度特征，找到与待查询图像相似的图像作为匹配图像；
步骤C：重复步骤B，统计出所有待查询图像的匹配图像的个数，并生成匹配图像统计表；
步骤D：重复步骤A到步骤C，统计出所有图像的匹配图像统计表和匹配图像占图片总数的百分比。
所述图像方向分布统计包括如下步骤：
步骤A1：MapReduce根据每一副图像的尺寸的长宽比例，分别把图像分成横向图片、纵向图片和方形图片；横向图片的尺寸的长宽比例为长大于宽；纵向图片的尺寸的长宽比例为长小于宽；方形图片的尺寸的长宽比例为长等于宽；
步骤A2：MapReduce根据图像的尺寸的长宽比例对所有图像进行筛选归类，生成并存储每一幅图像的方向分布特征，
步骤A3：MapReduce统计横向图片所占的比例、方形图片所占的比例和纵向图片所占的比例。
所述图像长宽分布统计包括如下步骤：
步骤B1：MapReduce将所有图像的尺寸均缩放到1000×N的大小，N的取值在0-1000之间；每一张图像的最大边长度为1000，次长边长度为N；
步骤B2：MapReduce对所有图像的次长边的边长进行统计分析，根据次长边长度将所有图像分成数个图像集；
步骤B3：MapReduce统计每一个图像集中包含的图像的个数。
所述图像内部结构比对特征分布统计包括如下步骤：
步骤C1:设定参数Int表示图像的内部结构对比特征的结果，参数Int为32位的0/1字符串对应的Int值；所述图像的内部结构对比特征反映一副图像自身的差异性，如果图像场景复杂、内容杂乱那么内部结构比对的结果就会很大，相反如果图像结构单一、场景简单、内容有条不紊，那么它的内部结构比对结果就会较小；
步骤C2：MapReduce统计所有图像对应的参数Int的值。
所述图像四分块灰度特征分布统计包括如下步骤：
步骤D1：MapReduce将图像等分成4个区域，分析每一个区域的灰度信息生成灰度总和信息；
步骤D2：MapReduce对每一个区域的灰度总和进行统计。
本实施例的图像数据来源于互联网数据，获取方式是使用爬虫爬到的互联网海量图片数据。
本实施例根据次长边长度将所有图像分成数个图像集，所述数个图像集包括：次长边长度在700-800之间的图像集；次长边长度在500-600之间的图像集；次长边长度在600-700之间的图像集；次长边长度在400-500之间的图像集。
我们选择的四种特征具有一定的互补特性，弥补了单一特征的局限性，可以增加匹配的准确性。而且，我们通过一定的技巧，巧妙的选择最简短而又有效的方式，仅仅使用7个特征值就描述了一个图像特征，这样的低维度特征，避免了特征融合时造成的特征冗余和计算量增加的缺陷，大大提高了图像匹配的速率和图像的检索效率。
本发明首先对数据特征的分布进行分析，选择了四种类型的图像特征对图像进行描述。分别包括图像方向分布特征、图像长宽比特征、图像内部结构比对特征和图像四分块灰度特征，然后再把这四种不同类型的特征进行融合，组成一个7维的特征向量对图像进行描述。最后通过计算待查询图像和图像库中所有图像之间的相似度，筛选出与待查询图像匹配程度最高的图片实现图像检索。这种多特征融合的特征表达包含了更多更丰富的图像信息，同时弥补了单一特征的局限性，而且我们用7个特征值就可以把一个图像的特征描述出来，大大降低了特征维度、减少特征冗余，同时在保证一定匹配准确性的前提下，也大大提高了图像的匹配速率。用这种算法在海量互联网图像检索中，可以实现快速准确的图像匹配，具有很大的实用价值。

Claims (4)

1.一种用于图像检索的图像特征匹配方法，其特征在于：包括如下步骤：
步骤1：建立Hadoop框架的图像存储平台，将海量的图像存储在Hadoop框架的图像存储平台中的HDFS中，并通过Hadoop框架的图像存储平台中的MapReduce对所述海量的图像进行图像特征分布分析和计算；
步骤2：MapReduce对所述海量的图像进行的图像特征分布分析包括图像方向分布特征、图像长宽分布特征、图像内部结构比对特征和图像四分块灰度特征；MapReduce生成每一张图像的方向特征、长宽特征、内部结构比对特征和四分块灰度特征，最后使用一个7维的特征向量对图像进行特征表达；
步骤3：MapReduce选择一张图像作为待查询图像，MapReduce根据特征匹配相似度的方法对图像库中所有图片进行过滤，找出与待查询图像匹配的图像，所述特征匹配相似度的方法包括步骤如下：
步骤A：MapReduce从Hadoop框架的图像存储平台中存储的所有图像中选择一张作为待查询图像；
步骤B：MapReduce在Hadoop框架的图像存储平台中存储的图像数据中进行查询和检索，并根据步骤2中所述的方向特征、长宽比特征、内部结构比对特征和四分块灰度特征，找到与待查询图像相似的图像作为匹配图像；
步骤C：重复步骤B，统计出所有待查询图像的匹配图像的个数，并生成匹配图像统计表；
步骤D：重复步骤A到步骤C，统计出所有图像的匹配图像统计表和匹配图像占图片总数的百分比；
所述图像内部结构比对特征分布统计包括如下步骤：
步骤C1:设定参数Int表示图像的内部结构对比特征的结果，参数Int为32位的0/1字符串对应的Int值；所述图像的内部结构对比特征反映一副图像自身的差异性，如果图像场景复杂、内容杂乱那么内部结构比对的结果就会很大，相反如果图像结构单一、场景简单、内容有条不紊，那么它的内部结构比对结果就会较小；
步骤C2：MapReduce统计所有图像对应的参数Int的值。
2.如权利要求1所述的一种用于图像检索的图像特征匹配方法，其特征在于：所述图像方向分布统计包括如下步骤：
步骤A1：MapReduce根据每一副图像的尺寸的长宽比例，分别把图像分成横向图片、纵向图片和方形图片；横向图片的尺寸的长宽比例为长大于宽；纵向图片的尺寸的长宽比例为长小于宽；方形图片的尺寸的长宽比例为长等于宽；
步骤A2：MapReduce根据图像的尺寸的长宽比例对所有图像进行筛选归类，生成并存储每一幅图像的方向分布特征，
步骤A3：MapReduce统计横向图片所占的比例、方形图片所占的比例和纵向图片所占的比例。
3.如权利要求1所述的一种用于图像检索的图像特征匹配方法，其特征在于：所述图像长宽分布统计包括如下步骤：
步骤B1：MapReduce将所有图像的尺寸均缩放到1000×N的大小，N的取值在0-1000之间；每一张图像的最大边长度为1000，次长边长度为N；
步骤B2：MapReduce对所有图像的次长边的边长进行统计分析，根据次长边长度将所有图像分成数个图像集；
步骤B3：MapReduce统计每一个图像集中包含的图像的个数。
4.如权利要求1所述的一种用于图像检索的图像特征匹配方法，其特征在于：所述图像四分块灰度特征分布统计包括如下步骤：
步骤D1：MapReduce将图像等分成4个区域，分析每一个区域的灰度信息生成灰度总和信息；
步骤D2：MapReduce对每一个区域的灰度总和进行统计。
CN201611265208.1A 2016-12-30 2016-12-30 一种用于图像检索的图像特征匹配方法 Active CN108268533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611265208.1A CN108268533B (zh) 2016-12-30 2016-12-30 一种用于图像检索的图像特征匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611265208.1A CN108268533B (zh) 2016-12-30 2016-12-30 一种用于图像检索的图像特征匹配方法

Publications (2)

Publication Number Publication Date
CN108268533A CN108268533A (zh) 2018-07-10
CN108268533B true CN108268533B (zh) 2021-10-19

Family

ID=62770191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611265208.1A Active CN108268533B (zh) 2016-12-30 2016-12-30 一种用于图像检索的图像特征匹配方法

Country Status (1)

Country Link
CN (1) CN108268533B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110032659A (zh) * 2019-04-08 2019-07-19 湖南城市学院 一种面向数字人文的移动视觉检索方法
CN110275974A (zh) * 2019-06-28 2019-09-24 武汉轻工大学 样本数据集的数据添加方法、装置、终端设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1551018A (zh) * 2003-05-08 2004-12-01 ���ְ�˹��ʽ���� 图像检索装置及图像检索程序
CN103207889A (zh) * 2013-01-31 2013-07-17 重庆大学 一种基于Hadoop的海量人脸图像的检索方法
CN105160039A (zh) * 2015-10-13 2015-12-16 四川携创信息技术服务有限公司 一种基于大数据的查询方法
CN105335469A (zh) * 2015-09-29 2016-02-17 武汉传神信息技术有限公司 一种图像匹配、检索方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1551018A (zh) * 2003-05-08 2004-12-01 ���ְ�˹��ʽ���� 图像检索装置及图像检索程序
CN103207889A (zh) * 2013-01-31 2013-07-17 重庆大学 一种基于Hadoop的海量人脸图像的检索方法
CN105335469A (zh) * 2015-09-29 2016-02-17 武汉传神信息技术有限公司 一种图像匹配、检索方法和装置
CN105160039A (zh) * 2015-10-13 2015-12-16 四川携创信息技术服务有限公司 一种基于大数据的查询方法

Also Published As

Publication number Publication date
CN108268533A (zh) 2018-07-10

Similar Documents

Publication Publication Date Title
Sankaranarayanan et al. Learning from synthetic data: Addressing domain shift for semantic segmentation
CN107229757B (zh) 基于深度学习和哈希编码的视频检索方法
CN102819582B (zh) 一种海量图片快速检索方法
CN104991959B (zh) 一种基于内容检索相同或相似图像的方法与系统
CN103336957B (zh) 一种基于时空特征的网络同源视频检测方法
CN106446936B (zh) 基于卷积神经网络的空谱联合数据转波形图的高光谱数据分类方法
CN103218427B (zh) 局部描述子的提取方法、图像检索方法及图像匹配方法
CN105589938A (zh) 基于fpga的图像检索系统及检索方法
CN107808129A (zh) 一种基于单个卷积神经网络的面部多特征点定位方法
CN104050247A (zh) 实现海量视频快速检索的方法
CN111680678B (zh) 目标区域识别方法、装置、设备及可读存储介质
CN110309835B (zh) 一种图像局部特征提取方法及装置
CN109726725B (zh) 一种基于大间隔类间互异性多核学习的油画作者识别方法
CN109934272B (zh) 一种基于全卷积网络的图像匹配方法
CN102890700A (zh) 一种基于体育比赛视频的相似视频片段检索方法
US10839006B2 (en) Mobile visual search using deep variant coding
EP3008632A1 (en) Color sketch image searching
CN113378770B (zh) 手势识别方法、装置、设备、存储介质
CN112529068B (zh) 一种多视图图像分类方法、系统、计算机设备和存储介质
CN107291825A (zh) 一种视频中同款商品的检索方法和系统
JP7085600B2 (ja) 画像間の類似度を利用した類似領域強調方法およびシステム
CN114694185B (zh) 一种跨模态目标重识别方法、装置、设备及介质
CN108268533B (zh) 一种用于图像检索的图像特征匹配方法
CN115545166A (zh) 一种改进的ConvNeXt卷积神经网络及其遥感图像的分类方法
Alexe et al. Exploiting spatial overlap to efficiently compute appearance distances between image windows

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210922

Address after: 211161 No. 739, Sheng'an Avenue, Binjiang Economic Development Zone, Jiangning District, Changzhou City, Jiangsu Province

Applicant after: NANJING FENGHUO TIANDI COMMUNICATION TECHNOLOGY Co.,Ltd.

Address before: 210000 Fenghuo technology building, No. 88, yunlongshan Road, Nanjing, Jiangsu

Applicant before: NANJING FIBERHOME SOFTWARE TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant