CN108959379A - 一种基于视觉显著区域和手绘草图的服装图像检索方法 - Google Patents
一种基于视觉显著区域和手绘草图的服装图像检索方法 Download PDFInfo
- Publication number
- CN108959379A CN108959379A CN201810526705.5A CN201810526705A CN108959379A CN 108959379 A CN108959379 A CN 108959379A CN 201810526705 A CN201810526705 A CN 201810526705A CN 108959379 A CN108959379 A CN 108959379A
- Authority
- CN
- China
- Prior art keywords
- image
- clothing
- clothes
- feature
- edge
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 244000025254 Cannabis sativa Species 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于视觉显著区域和手绘草图的服装图像检索方法,属于计算机视觉及图像应用领域。本发明首先采用正则化随机漫步算法对输入的服装图像库进行视觉显著区域检测,并结合其边缘轮廓信息,得到服装边缘图像库;其次,对输入的服装草图和服装边缘图像进行特征提取,提取服装草图和服装边缘图像各自的HOG特征以及服装图像的SIFT特征;然后,通过计算服装草图特征和服装边缘特征的相似度,实现特征匹配;最后,按照特征匹配结果在服装图像库中检索与服装草图相似的服装图像,采用基于流形学习的距离度量算法对其相似度进行排序并输出检索结果。本发明的检索方法具有较高的准确率和效率。
Description
技术领域
本发明涉及一种基于视觉显著区域和手绘草图的服装图像检索方法,属于计算机视觉及图像应用技术领域。
背景技术
随着时尚服装的发展和移动触摸设备的普及,基于文字的服装检索已不能满足广大消费者的需求,由于人们可以随时随地在手机、平板等触屏设备上轻松涂鸦, 描绘出自己想要的商品模样,基于手绘草图的服装图像检索方法便成为了改善服装 图像检索的有效途径之一。
公知的基于手绘草图的图像检索方法主要有几何关系法、边界匹配法、特征提取法和深度学习法。其中,公知的基于几何关系的方法主要有曲率尺度空间、外接矩 形、骨架特征和分层拓扑等,例如Pedro Sousa(<Journal of Visual Languages& Computing>,2011,21(2):69-80)提出了一种用于提高图像的几何关系的匹配能力; 边界匹配的方法是针对边界的位置或形状进行匹配,不需要计算图像上的特征信息, 例如Cao(<IEEEConference on Computer Vision and Pattern Recognition>, 2011:761-768)提出了一种边缘像素点索引的方法,该文中提出了一种叫“Hit Ma p” 的二值距离变换图,此方法虽然应用于大规模数据上有效,但是检索精度有限;在 基于特征提取法的检索算法法中,例如Eitz M(<IEEE Transactions on Visualization& Computer Graphics>,2011,17(11):1624-1636)提出SHOG算子来描述二值图像的特 征,它是HOG的一个改进后的变种,该方法能够获得较好的检索结果;基于深度学 习法的检索算法中,例如2015年由Yu Q,Yang Y(<IEEE International Conference on Image Processing>,2015:2460-2464)人首次提出的Sketch-a-Net深度学习模型应用到 手绘草图上。然而,这些方法都没有考虑到图像背景对检索的影响以及服装图像的 款式变化、手绘风格各不相同等因素,具有一定的局限性。服装图像背景复杂,公 知的方法并没有对此进行有效地处理;公知的基于手绘草图的图像检索方法没有考 虑服装图像的款式变化、手绘风格不一等因素,此外,由于服装草图高度抽象化和 图标化导致检索的准确率不高。
发明内容
本发明提供了一种基于视觉显著区域和手绘草图的服装图像检索方法,以有准确高效的检测服装图像的视觉显著区域并检索服装图像,从而满足目前大规模服装 检索的需求。
本发明的技术方案是:一种基于视觉显著区域和手绘草图的服装图像检索方法,首先采用正则化随机漫步算法对输入的服装图像库进行视觉显著区域检测,并结合 其边缘轮廓信息,得到服装边缘图像库;其次,对输入的服装草图和服装边缘图像 进行特征提取,提取服装草图和服装边缘图像各自的HOG特征以及服装图像的SIFT 特征;然后,通过计算服装草图特征和服装边缘特征的相似度,实现特征匹配;最 后,按照特征匹配结果在服装图像库中检索与服装草图相似的服装图像,采用基于 流形学习的距离度量算法对其相似度进行排序并输出检索结果。
所述方法的具体步骤如下:
Step1、采用正则化随机漫步算法对输入的服装图像库I={I1,I2,...,In}进行视觉 显著区域检测,并结合其边缘轮廓信息,得到服装边缘图像库I'={I1',I'2,...,I'n};
Step2、对输入的服装草图S和服装边缘图像库I'中的图像分别进行特征提取, 采用GF-HOG算法提取其HOG特征,得到服装边缘特征和服装草图特征;采用DSIFT 算法提取服装图像库I中图像的SIFT特征;
Step3、根据Step2的方法处理后得到的服装草图S和服装边缘图像 I'={I1',I'2,...,I'n}的HOG特征、以及服装图像库I={I1,I2,...In}中服装图像的SIFT特 征;
采用直方图相交方法计算服装草图S和服装边缘图像I'之间的HOG特征相似度,进行HOG特征匹配;
采用直方图相交方法计算不同服装草图之间的HOG特征相似度,进行HOG特 征匹配;
采用相对熵方法计算不同服装图像之间的SIFT特征相似度,进行SIFT特征匹 配;
Step4、按照特征匹配结果在服装图像库中检索与服装草图相似的服装图像,采用基于流形学习的距离度量算法对其相似度进行排序并输出检索结果。
所述Step1具体如下:
将服装图像过分割为超像素,所有超像素的每个边界作为一个连通区域,利用 公式计算每个边界的归一化RGB直方图,其中 b∈{top,bottom,left,right}表示四条边的位置,l表示服装区域总像素数,r=0,…,255, Iq表示像素q的强度值,δ()是单位冲激函数,再计算四个边界直方图中任意两个的 欧氏距离将得到的矩阵Z逐列求和后去除其边 界,并采用正则化的随机漫步算法生成服装显著区域,再采用Canny算子对服装图 像进行边缘信息提取,得到初始的边缘检测图,将服装显著区域与初始的边缘检测 图进行逐像素相乘得出服装边缘图像,并形成服装边缘图像库I'。
本发明的有益效果是:
1、本发明采用视觉显著区域检测对服装区域进行显著处理,再结合边缘信息, 得到服装边缘图像,既能够较好地去除背景对检索的干扰,也同时有效地保存了服 装的轮廓特征信息。有效地丰富了服装图像检索的交互方式,同时也能较好地帮助 服装设计师改进服装的产品设计;
2、本发明结合视觉显著区域检测,按照特征匹配结果在服装图像库中检索与服装草图相似的服装图像,采用基于流形学习的距离度量学习算法对其相似度进行排 序,并输出检索结果,具有较高的准确率;
附图说明
图1为本发明的流程图;
图2为本发明中视觉显著区域检测示例图;
图3为本发明中获得服装边缘过程的实例图;
图4为本发明中特征提取实例图;
图5为本发明中服装图像检索的结果实例图。
具体实施方式
实施例1:如图1-5所示,一种基于视觉显著区域和手绘草图的服装图像检索方法,首先采用正则化随机漫步算法对输入的服装图像库进行视觉显著区域检测,并 结合其边缘轮廓信息,得到服装边缘图像库;其次,对输入的服装草图和服装边缘 图像进行特征提取,提取服装草图和服装边缘图像各自的HOG特征以及服装图像的 SIFT特征;然后,通过计算服装草图特征和服装边缘特征的相似度,实现特征匹配; 最后,按照特征匹配结果在服装图像库中检索与服装草图相似的服装图像,采用基 于流形学习的距离度量算法对其相似度进行排序并输出检索结果。
进一步的,所述方法的具体步骤如下:
Step1、采用正则化随机漫步算法对输入的服装图像库I={I1,I2,...,In}进行视觉 显著区域检测,并结合其边缘轮廓信息,得到服装边缘图像库I'={I1',I'2,...,I'n};
所述Step1具体如下:
将服装图像过分割为超像素,所有超像素的每个边界作为一个连通区域,利用 公式计算每个边界的归一化RGB直方图,其中 b∈{top,bottom,left,right}表示四条边的位置,l表示服装区域总像素数,r=0,…,255, Iq表示像素q的强度值,δ()是单位冲激函数,再计算四个边界直方图中任意两个的 欧氏距离将得到的矩阵Z逐列求和后去除其边 界,并采用正则化的随机漫步算法生成服装显著区域,实验结果如图3(b)所示; 再采用Canny算子对服装图像进行边缘信息提取(最小阈值和最大阈值分别是0.05 和0.2),得到初始的边缘检测图,如图3(c)所示;最后将服装显著区域与初始的 边缘检测图进行逐像素相乘得出服装边缘图像,并形成服装边缘图像库I',实验结果 如图3(d)所示。
经过step1后,可以得到服装边缘图像,具体流程图如图2所示。数据集来源于 电子商务平台如天猫、京东等服装图像数据,并以女装为主,共计5万张左右。本 实例以输入的服装图像为输入,利用Matlab进行实验,实验结果如图3所示。实验 结果表明,本发明方法优于直接采用Canny算法提取得到的服装边缘图效果。
Step2、对输入的服装草图S和服装边缘图像库I'中的图像分别进行特征提取, 采用GF-HOG算法提取其HOG特征,得到服装边缘特征和服装草图特征;采用DSIFT 算法提取服装图像库I中图像的SIFT特征;
GF-HOG特征提取:对输入的服装草图和服装边缘图,使用稀疏边缘像素集合 内插的密集梯度场来表示图像的结构,以实现对其相对位置和空间方向进行编码。 首先假设边缘像素E(X)=[0,1],其中X∈Ω的像素坐标集合,由E(X)=1和E(X) =0像素组成,在每个已知像素处,边缘方向梯度的稀疏方向场估计采用公式 实现,在图像坐标上ΘΩ∈R2找到一个密集场 其次采用拉普拉斯算子 对密集场进行平滑,其中泊松方程 ΔΘ=divν overΩs.t.Θ|δΩ=θ|δΩ在Dirichlet边界条件下的解,div是散度,v是从 原始图像的方向场导出的方向场,Δ为拉普拉斯算子;然后通过求解线性方程:分别得到和作为单通道插值,最后 利用上述公式得到θ,其中矩阵前两行和最后一行表示已知像素E(xi)=1,中间一行 表示一个未知像素,对于一个由n个像素组成的图像,该线性方程组为n*n大小的 矩阵。图4分别展示了手绘草图和服装边缘图的GF-HOG特征提取结果。GF-HOG 特征通过K-means生成单个BoVW码本(K=3500),为每个服装边缘图构建频率直 方图HI',它表示出现在该图像中的GF-HOG得到的视觉词的分布,再对直方图归 一化。与此同时,通过量化使用相同码本从草图中提取的GF-HOG,从检索草图构 建频率直方图Hs,同样地对频率直方图归一化。
DSIFT特征提取:对于输入的服装图像,在图像上密集且随机放置的特征点提 取约3000个SIFT特征,具体实施中采用BoVW方法将3000个SIFT特征集合集成 到每个图像的特征向量中,同样采用码本的大小K=3500。
Step3、根据Step2的方法处理后得到的服装草图S和服装边缘图像 I'={I1',I'2,...,I'n}的HOG特征、以及服装图像库I={I1,I2,...In}中服装图像的SIFT特 征。
采用直方图相交方法计算服装草图S和服装边缘图像I'之间的HOG特征相似度,进行HOG特征匹配;
采用直方图相交方法计算不同服装草图Sm和Sn之间的HOG特征相似度,进行 HOG特征匹配;
采用相对熵方法计算不同服装图像Im与In之间的SIFT特征相似度,进行SIFT 特征匹配;
具体计算方式如下:
ωij=1-|H(i)-H(j)|,其中H(i)是第ith个bin的归一化计算,i={1,...,k},计算方式同其中分别表示不同服装草图特征直方图;
相对熵方法与直方图相交类似,其中 分别表示不同服装图像特征直方图。
Step4、按照特征匹配结果在服装图像库中检索与服装草图相似的服装图像,采用基于流形学习的距离度量算法对其相似度进行排序并输出检索结果。
首先构造图M,用ni表示服装图像数量,用ns表示服装草图数量,图M是一个 由(ns+ni)×(ns+ni)大小矩阵,计算如下:其中,子矩阵MSS是 一个由ns×ns大小构成的服装草图特征的流形图,图MSS中相邻的顶点m和n边权 值定义为w(m,n),通过以下公式:
进行归一化成[0,1]范围,表示点m,n在特征空间的距离,参数σ为给定参数;子矩阵MII是一个由ni×ni大小构成的服装图像特征的流行图, 子矩阵MSI'是一个由ns×ni'大小构成的服装草图特征和服装边缘特征的流行图, MSI'和MII边的权值计算方式同样用w(m,n)计算,其中距离d(m,n)分别替换为 d(Hs,HI′)和MIS是一个由ni×ni构成的零矩阵;
其次,采用公式K=D-1/2MD-1/2对矩阵M规范化,其中D是一个对角矩阵,满 足Dii=∑jwij;然后通过公式Q=(I-αK)-1Y来得到排序得分,其中Y是一个大小 为(ns+ni)×(ns+ni)对角矩阵,I是单位矩阵,参数α=[0,1);最后,通过计算Q的值, 检索结果按照从高到低的顺序输出。图5展示了部分检索结果实例,其准确率与部 分公知方法相比如表1所示。
表1不同方法的检索平均准确率
方法 | mAP(%) |
Edgel | 0.098 |
SHoG | 0.141 |
RST S-HELO | 0.289 |
本发明方法 | 0.316 |
mAP为平均准确率,mAP是为了解决准确率、召回率单点值的局限性,同时考 虑了检索结果的排名情况。其计算方法如下:q表示总 的有效的检索次数,t表示数据库中与检索图像相似的图像个数,P(Rank)表示检索 结果对应其排名的比值。由表1可看出本发明方法的准确率有了较大的提升。此外, 表2给出了本发明方法与其它几种公知方法在检索效率方面的比较。综上,本发明 方法较相关的公知方法来说,具有较高的准确率和效率。
表2不同方法的检索效率
方法 | 时间(s) |
Edgel | 8.06 |
SHoG | 4.48 |
RST S-HELO | 2.98 |
本发明方法 | 2.42 |
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明 宗旨的前提下作出各种变化。
Claims (3)
1.一种基于视觉显著区域和手绘草图的服装图像检索方法,其特征在于:首先采用正则化随机漫步算法对输入的服装图像库进行视觉显著区域检测,并结合其边缘轮廓信息,得到服装边缘图像库;其次,对输入的服装草图和服装边缘图像进行特征提取,提取服装草图和服装边缘图像各自的HOG特征以及服装图像的SIFT特征;然后,通过计算服装草图特征和服装边缘特征的相似度,实现特征匹配;最后,按照特征匹配结果在服装图像库中检索与服装草图相似的服装图像,采用基于流形学习的距离度量算法对其相似度进行排序并输出检索结果。
2.根据权利要求1所述的基于视觉显著区域和手绘草图的服装图像检索方法,其特征在于:所述方法的具体步骤如下:
Step1、采用正则化随机漫步算法对输入的服装图像库I={I1,I2,...,In}进行视觉显著区域检测,并结合其边缘轮廓信息,得到服装边缘图像库I'={I′1,I'2,...,I'n};
Step2、对输入的服装草图S和服装边缘图像库I'中的图像分别进行特征提取,采用GF-HOG算法提取其HOG特征,得到服装边缘特征和服装草图特征;采用DSIFT算法提取服装图像库I中图像的SIFT特征;
Step3、根据Step2的方法处理后得到的服装草图S和服装边缘图像I'={I′1,I'2,...,I'n}的HOG特征、以及服装图像库I={I1,I2,...In}中服装图像的SIFT特征;
采用直方图相交方法计算服装草图S和服装边缘图像I'之间的HOG特征相似度,进行HOG特征匹配;
采用直方图相交方法计算不同服装草图之间的HOG特征相似度,进行HOG特征匹配;
采用相对熵方法计算不同服装图像之间的SIFT特征相似度,进行SIFT特征匹配;
Step4、按照特征匹配结果在服装图像库中检索与服装草图相似的服装图像,采用基于流形学习的距离度量算法对其相似度进行排序并输出检索结果。
3.根据权利要求1所述的基于视觉显著区域和手绘草图的服装图像检索方法,其特征在于:所述Step1具体如下:
将服装图像过分割为超像素,所有超像素的每个边界作为一个连通区域,利用公式计算每个边界的归一化RGB直方图,其中b∈{top,bottom,left,right}表示四条边的位置,l表示服装区域总像素数,r=0,…,255,Iq表示像素q的强度值,δ()是单位冲激函数,再计算四个边界直方图中任意两个的欧氏距离将得到的矩阵Z逐列求和后去除其边界,并采用正则化的随机漫步算法生成服装显著区域,再采用Canny算子对服装图像进行边缘信息提取,得到初始的边缘检测图,将服装显著区域与初始的边缘检测图进行逐像素相乘得出服装边缘图像,并形成服装边缘图像库I'。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810526705.5A CN108959379B (zh) | 2018-05-29 | 2018-05-29 | 一种基于视觉显著区域和手绘草图的服装图像检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810526705.5A CN108959379B (zh) | 2018-05-29 | 2018-05-29 | 一种基于视觉显著区域和手绘草图的服装图像检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108959379A true CN108959379A (zh) | 2018-12-07 |
CN108959379B CN108959379B (zh) | 2021-07-16 |
Family
ID=64492051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810526705.5A Active CN108959379B (zh) | 2018-05-29 | 2018-05-29 | 一种基于视觉显著区域和手绘草图的服装图像检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108959379B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111696063A (zh) * | 2020-06-15 | 2020-09-22 | 恒信东方文化股份有限公司 | 一种服装多角度拍摄图片的修补方法及系统 |
CN111797268A (zh) * | 2020-07-17 | 2020-10-20 | 中国海洋大学 | Rgb-d图像检索方法 |
CN111914110A (zh) * | 2020-07-29 | 2020-11-10 | 厦门大学 | 一种基于深度激活显著区域的实例检索方法 |
CN111931794A (zh) * | 2020-09-16 | 2020-11-13 | 中山大学深圳研究院 | 一种基于草图的图像匹配方法 |
CN112598043A (zh) * | 2020-12-17 | 2021-04-02 | 杭州电子科技大学 | 一种基于弱监督学习的协同显著性检测方法 |
CN113094540A (zh) * | 2021-04-16 | 2021-07-09 | 浙江理工大学 | 一种基于手绘的准规则斑图花型图案检索方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090153578A1 (en) * | 2007-12-17 | 2009-06-18 | Electronics And Telecommunications Research Institute | Apparatus for proccessing effect using style lines |
CN104778242A (zh) * | 2015-04-09 | 2015-07-15 | 复旦大学 | 基于图像动态分割的手绘草图图像检索方法及系统 |
CN105718552A (zh) * | 2016-01-19 | 2016-06-29 | 北京服装学院 | 基于服装手绘草图的服装图像检索方法 |
CN106021603A (zh) * | 2016-06-20 | 2016-10-12 | 昆明理工大学 | 一种基于分割和特征匹配的服装图像检索方法 |
CN106126581A (zh) * | 2016-06-20 | 2016-11-16 | 复旦大学 | 基于深度学习的手绘草图图像检索方法 |
CN107610133A (zh) * | 2017-08-28 | 2018-01-19 | 昆明理工大学 | 一种多目标服装图像协同分割方法 |
CN107895028A (zh) * | 2017-11-17 | 2018-04-10 | 天津大学 | 采用深度学习的草图检索方法 |
-
2018
- 2018-05-29 CN CN201810526705.5A patent/CN108959379B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090153578A1 (en) * | 2007-12-17 | 2009-06-18 | Electronics And Telecommunications Research Institute | Apparatus for proccessing effect using style lines |
CN104778242A (zh) * | 2015-04-09 | 2015-07-15 | 复旦大学 | 基于图像动态分割的手绘草图图像检索方法及系统 |
CN105718552A (zh) * | 2016-01-19 | 2016-06-29 | 北京服装学院 | 基于服装手绘草图的服装图像检索方法 |
CN106021603A (zh) * | 2016-06-20 | 2016-10-12 | 昆明理工大学 | 一种基于分割和特征匹配的服装图像检索方法 |
CN106126581A (zh) * | 2016-06-20 | 2016-11-16 | 复旦大学 | 基于深度学习的手绘草图图像检索方法 |
CN107610133A (zh) * | 2017-08-28 | 2018-01-19 | 昆明理工大学 | 一种多目标服装图像协同分割方法 |
CN107895028A (zh) * | 2017-11-17 | 2018-04-10 | 天津大学 | 采用深度学习的草图检索方法 |
Non-Patent Citations (5)
Title |
---|
RAMYA SRINIVASAN; AMIT ROY-CHOWDHURY: ""Robust face recognition based on saliency maps of sigma sets"", 《 2015 IEEE 7TH INTERNATIONAL CONFERENCE ON BIOMETRICS THEORY, APPLICATIONS AND SYSTEMS (BTAS)》 * |
娜黑雅: ""显著区域检测及其在服装检索中的应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
钟龙招: ""基于草图的图像检索技术研究及系统实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
黄冬艳,刘骊,付晓东,黄青松: ""基于HOG和E-SVM的服装图像联合分割算法"", 《计算机工程与应用》 * |
黄冬艳,刘骊,付晓东,黄青松: ""联合分割和特征匹配的服装图像检索"", 《计算机辅助设计与图形学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111696063A (zh) * | 2020-06-15 | 2020-09-22 | 恒信东方文化股份有限公司 | 一种服装多角度拍摄图片的修补方法及系统 |
CN111696063B (zh) * | 2020-06-15 | 2023-05-12 | 恒信东方文化股份有限公司 | 一种服装多角度拍摄图片的修补方法及系统 |
CN111797268A (zh) * | 2020-07-17 | 2020-10-20 | 中国海洋大学 | Rgb-d图像检索方法 |
CN111797268B (zh) * | 2020-07-17 | 2023-12-26 | 中国海洋大学 | Rgb-d图像检索方法 |
CN111914110A (zh) * | 2020-07-29 | 2020-11-10 | 厦门大学 | 一种基于深度激活显著区域的实例检索方法 |
CN111931794A (zh) * | 2020-09-16 | 2020-11-13 | 中山大学深圳研究院 | 一种基于草图的图像匹配方法 |
CN112598043A (zh) * | 2020-12-17 | 2021-04-02 | 杭州电子科技大学 | 一种基于弱监督学习的协同显著性检测方法 |
CN112598043B (zh) * | 2020-12-17 | 2023-08-18 | 杭州电子科技大学 | 一种基于弱监督学习的协同显著性检测方法 |
CN113094540A (zh) * | 2021-04-16 | 2021-07-09 | 浙江理工大学 | 一种基于手绘的准规则斑图花型图案检索方法 |
CN113094540B (zh) * | 2021-04-16 | 2022-08-30 | 浙江理工大学 | 一种基于手绘的准规则斑图花型图案检索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108959379B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959379A (zh) | 一种基于视觉显著区域和手绘草图的服装图像检索方法 | |
Kim et al. | Learning full pairwise affinities for spectral segmentation | |
CN103207879B (zh) | 图像索引的生成方法及设备 | |
CN106055576B (zh) | 一种大规模数据背景下的快速有效的图像检索方法 | |
CN104778242B (zh) | 基于图像动态分割的手绘草图图像检索方法及系统 | |
CN104200240B (zh) | 一种基于内容自适应哈希编码的草图检索方法 | |
CN101937549B (zh) | 网络购物导航领域的图片导航系统 | |
CN104636721B (zh) | 一种基于轮廓与边缘纹理特征融合的掌纹识别方法 | |
CN105243139A (zh) | 一种基于深度学习的三维模型检索方法及其检索装置 | |
Tao et al. | Mesh saliency via ranking unsalient patches in a descriptor space | |
CN106021603A (zh) | 一种基于分割和特征匹配的服装图像检索方法 | |
CN106780458B (zh) | 一种点云骨架提取方法及装置 | |
CN110188228A (zh) | 基于草图检索三维模型的跨模态检索方法 | |
CN110188763B (zh) | 一种基于改进图模型的图像显著性检测方法 | |
CN106484692A (zh) | 一种三维模型检索方法 | |
CN103295032B (zh) | 基于空间Fisher向量的图像分类方法 | |
CN105046689B (zh) | 一种基于多层次图结构的交互式立体图像快速分割方法 | |
CN108629783A (zh) | 基于图像特征密度峰值搜索的图像分割方法、系统及介质 | |
CN103593855A (zh) | 基于粒子群优化和空间距离测度聚类的图像分割方法 | |
CN109034131A (zh) | 一种半自动人脸关键点标注方法及存储介质 | |
Zhang et al. | 3D object retrieval with multi-feature collaboration and bipartite graph matching | |
CN106780450A (zh) | 一种基于低秩多尺度融合的图像显著性检测方法 | |
CN104318563A (zh) | 一种基于医学图像的器官骨架提取方法 | |
Zhang et al. | Image classification by search with explicitly and implicitly semantic representations | |
Xiang et al. | Interactive natural image segmentation via spline regression |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |