CN110019908A - 一种图像内容搜索方法 - Google Patents
一种图像内容搜索方法 Download PDFInfo
- Publication number
- CN110019908A CN110019908A CN201711328105.XA CN201711328105A CN110019908A CN 110019908 A CN110019908 A CN 110019908A CN 201711328105 A CN201711328105 A CN 201711328105A CN 110019908 A CN110019908 A CN 110019908A
- Authority
- CN
- China
- Prior art keywords
- image
- search
- picture material
- target object
- template
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000000463 material Substances 0.000 title claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 210000000349 chromosome Anatomy 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 9
- 238000009395 breeding Methods 0.000 claims description 6
- 230000001488 breeding effect Effects 0.000 claims description 6
- 238000004040 coloring Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 9
- 230000004927 fusion Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/123—DNA computing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域，尤其涉及一种图像内容搜索方法，包括：获取目标对象图像，对目标对象图像进行特征提取，生成目标图像对象模板，根据所述图像对象模板形成图像内容搜索策略，搜索的图像数据库中的每一图像进行搜索区域初步范围定界，根据所述图像内容搜索策略，对所述搜索区域进行搜索，并将搜索结果进行显示。本发明提供的图像内容搜索方法，采用搜索最优和次优的控制参数过程，图像匹配的速度快，通过减少搜索位置的数量来减少计算量，提高了搜索的效率。
Description
技术领域
本发明涉及图像数据处理技术领域，尤其涉及一种图像内容搜索方法。
背景技术
随着图像处理技术的快速发展，对于同一场景，由不同物理特性的成像传感器所获取的图像信息差别很大，综合分析这些信息有利于提高图像信息的利用率。多源图像融合技术是一项能有效地综合分析同一场景的多幅图像信息的技术，可以将不同的传感器获取到的某些场景的图像或序列图像，运用某种方法，将图像的信息综合起来，使得生成的新图像包含更多的信息，从而克服单一图像在空间、分辨率等方面存在的局限性和差异性，同时提高图像的质量，有利于人眼的观察和机器探测，便于分析和实际的应用。
图像融合的概念始于20世纪80年代，最早的图像融合技术是被应用在遥 感图像处理领域，之后有关图像融合技术的报告越来越多，在国际上关于图像 融合的算法研究也逐渐升温。我国图像融合技术起步较晚，直到90年以后才有学者开始对这一技术进行研究，国内不少大学以及研究机构也才开始重视这一技术，然而就目前发展状况而言，与国际先进水平仍存在不小的差距，尤其在理论的探索方面。
国内外关于多源图像融合的算法很多，主要有：加权法、 高通滤波法、主成分分析法、IHS变换法、基于金字塔分解的方法、小波变换法、神经网络法等。加权法和滤波法属于空间域方法，这些方法不需要经过分解或者变换，而是直接对每一个像素点进行处理，是最简单的多源图像融合方法，对于复杂背景下的多源图像融合效果不好。
由于小波变换具有多尺度性，小波基函数选用的灵活性，其能很好地保持图像信息，保留图像的特征和边缘。为了克服小波理论自身的缺陷，研究人员不断探索和研究，第二代小波和超小波的理论也相应提出和发展，弥补了小波理论在平移不变性方面的缺陷，实现了多个方向的可变换性。目前存在的多源图像融合方法 仍存在着效率不高，融合效果不好等缺陷，因此对新型的多源图像融合方法的探索仍在进行，直至目前，多源图像融合技术仍然是国内外研究机构的重点。
细胞神经网络最早是由两名华裔学者蔡绍棠(L.O.Chua)和杨林(Lin.Yang)(1988)结合细胞自动机的连接结构和Hopfield神经网络处理机制提出的一种新型的人工神经网络模型。与传统神经网络相比，CNN最显著的特点是对信号具有高速并行计算能力，这种并行处理性质使得其计算量不会因为数学模型的 维数增加而发生指数“爆炸”。
廖晓昕(1994)提出关于CNN的数学理论，通过拓宽CNN的激活函数类，给出更一般的时滞细胞神经网络模型。随着研究的深入,大量的CNN理论和应用性文章在国际权威期刊上出现，其理论不断得到完善，应用范围也越来越广。近些年来，CNN在图像处理和模式识别得到很好的应用，如图像压缩编码、机器人视觉、水印加密、目标跟踪、运动预测和手写识别等。 但CNN在图像融合方面的研究还很少被提及，仅有Amenta(2006)提出了基于CNN的数据融合以及Vagliasindib(2007)在离子融合中运用了CNN方法， 而国内关于CNN的研究起步于1990年，但没有将CNN运用于数据或图像融合的研究。
遗传算法(Genetic Algorithms，GA)是受生物学进化学说和遗传学理论的启发而发展起来的一类模拟自然生物进化过程与机制求解问题的自组织与自适应的人工智能技术，由Holland(1975)提出，同年De Jong发表的博士论文中 结合模式定理进行大量的数值函数优化计算试验，建立了遗传算法的工作框架，定义了评价遗传算法的性能指标。经过三十几年的努力，遗传算法不论是在应 用研究上，算法设计上，还是在基础理论上，均取得了长足的发展，己经成为 信息科学、计算机科学、运筹学和应用科学等诸多学科所共同关注的热点研究领域。将遗传算法用于计算细胞神经网络模板参数是由Chandler、Rekeczky B、Nishio C和Ushida Y(1996)提出的，国内的学者也于2001年发表过相关文章， 但这一思想未用于图像内容搜索当中。
因此，如何采用遗传学的算法思想用于图像内容的搜索中，成为本领域技术人员亟待解决的技术难题。
发明内容
本发明的目的是提供一种图像内容搜索方法，采用遗传学的算法思想用于图像内容的搜索中，以实现快速高效地搜索到目标对象图像。
为了实现上述目的，本发明提供了一种图像内容搜索方法，包括：
获取目标对象图像，对目标对象图像进行特征提取，生成目标图像对象模板，根据所述图像对象模板形成图像内容搜索策略，搜索的图像数据库中的每一图像进行搜索区域初步范围定界，根据所述图像内容搜索策略，对所述搜索区域进行搜索，并将搜索结果进行显示；
所述图像内容搜索策略包括：定义目标对象图像的特征值的解空间到染色体编码空间的映射，一个个体用一个字符串进行表示；在预设条件下初始化种群，所述种群为所述解空间的一个子空间；将所述种群中的每个染色体解码成适于适应度函数的形式，计算每个染色体的数值；根据适应度的大小选择优秀个体繁殖下一代；随机选择四个用于繁殖下一代的个体的相同位置，在选中的位置中进行交换；对预设串的基因按突变概率进行翻转；根据计算结果从大到小排序，每一个世代保留最优的若干条染色体，当算法收敛到预设的阈值时，搜索结束，得到检索结果。
优选的，所述述种群中的每个染色体解码成适于适应度函数的形式之后，所述计算每个染色体的数值之前，还包括：采用最小误差概率作为适应度函数来搜索图像最佳分割阈值。
优选的，所述对目标对象图像进行特征提取，包括颜色信息提取和图像轮廓信息提取，所述颜色信息提取采用直方图统计的方法，所述图像轮廓信息提取采用坎尼算子的方法。
优选的，所述生成目标图像对象模板包括：对特征提取后的目标对象图像，采用放大、缩小、旋转变形技术，生成具有相似性的新模板，以扩展用户目标 对象模板数量，形成目标图像对象模板。
优选的，所述搜索的图像数据库中的每一图像进行搜索区域初步范围定界，包括：根据区域增长的方法界定待检测的目标对象图像的搜索区域初步范围，利用基于模板集构造的性能良好的遗传算法在已得到的初步检索区域内进行优化匹配检索。
本发明提供的图像内容搜索方法，采用搜索最优和次优的控制参数过程，图像匹配的速度快，通过减少搜索位置的数量来减少计算量，提高了搜索的效率。
附图说明
图1为本发明提供的图像内容搜索方法的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案 进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实 施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术 人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本 申请保护的范围。
请参考图1，图1为本发明提供的图像内容搜索方法的流程示意图。
如图1所示，本发明提供了一种图像内容搜索方法，包括：获取目标对象图像，对目标对象图像进行特征提取，生成目标图像对象模板，根据所述图像对象模板形成图像内容搜索策略，搜索的图像数据库中的每一图像进行搜索区域初步范围定界，根据所述图像内容搜索策略，对所述搜索区域进行搜索，并将搜索结果进行显示。
其中，所述图像内容搜索策略包括：定义目标对象图像的特征值的解空间到染色体编码空间的映射，一个个体用一个字符串进行表示；在预设条件下初始化种群，所述种群为所述解空间的一个子空间；将所述种群中的每个染色体解码成适于适应度函数的形式，计算每个染色体的数值；根据适应度的大小选择优秀个体繁殖下一代；随机选择四个用于繁殖下一代的个体的相同位置，在选中的位置中进行交换；对预设串的基因按突变概率进行翻转；根据计算结果从大到小排序，每一个世代保留最优的若干条染色体，当算法收敛到预设的阈值时，搜索结束，得到检索结果。
本发明提供的图像内容搜索方法，采用搜索最优和次优的控制参数过程，图像匹配的速度快，通过减少搜索位置的数量来减少计算量，提高了搜索的效率。
优选的方案中，所述述种群中的每个染色体解码成适于适应度函数的形式之后，所述计算每个染色体的数值之前，还包括：采用最小误差概率作为适应度函数来搜索图像最佳分割阈值。
优选的方案中，所述对目标对象图像进行特征提取，包括颜色信息提取和图像轮廓信息提取，所述颜色信息提取采用直方图统计的方法，所述图像轮廓信息提取采用坎尼算子的方法。根据用户目标对象图像中所提取的特征值进行图像处理，并且特别借助区域增长的方法界定待检测的图像的搜索区域初步范围，然后，利用基于模板集构造的性能良好的遗传算法在已得到的初步检索区域内进行 优化匹配检索。
优选的方案中，所述生成目标图像对象模板包括：对特征提取后的目标对象图像，采用放大、缩小、旋转变形技术，生成具有相似性的新模板，以扩展用户目标 对象模板数量，形成目标图像对象模板。对于该模板集中的每一模板，用N个bits来编码其编号，该编号将在后续的遗传检索算法中被用来代表具体的模板，N个bits可以最多表示2N 个模板，N可以根据实际的需要来确定。
优选的方案中，所述搜索的图像数据库中的每一图像进行搜索区域初步范围定界，包括：根据区域增长的方法界定待检测的目标对象图像的搜索区域初步范围，利用基于模板集构造的性能良好的遗传算法在已得到的初步检索区域内进行优化匹配检索。基于所提取的图像特征信息在图像中给定起始增长点和增长阈值后，采用递归搜索每一个像素点的周围相邻8个点，用标记掩码的方式来连接离散的图像轮廓或者区域，从而构成连续的封闭区域并将其确定为图像中进行检索的初步区域。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。
Claims (5)
1.一种图像内容搜索方法，其特征在于，包括：
获取目标对象图像，对目标对象图像进行特征提取，生成目标图像对象模板，根据所述图像对象模板形成图像内容搜索策略，搜索的图像数据库中的每一图像进行搜索区域初步范围定界，根据所述图像内容搜索策略，对所述搜索区域进行搜索，并将搜索结果进行显示；
所述图像内容搜索策略包括：定义目标对象图像的特征值的解空间到染色体编码空间的映射，一个个体用一个字符串进行表示；在预设条件下初始化种群，所述种群为所述解空间的一个子空间；将所述种群中的每个染色体解码成适于适应度函数的形式，计算每个染色体的数值；根据适应度的大小选择优秀个体繁殖下一代；随机选择四个用于繁殖下一代的个体的相同位置，在选中的位置中进行交换；对预设串的基因按突变概率进行翻转；根据计算结果从大到小排序，每一个世代保留最优的若干条染色体，当算法收敛到预设的阈值时，搜索结束，得到检索结果。
2.根据权利要求1所述的图像内容搜索方法，其特征在于，所述述种群中的每个染色体解码成适于适应度函数的形式之后，所述计算每个染色体的数值之前，还包括：采用最小误差概率作为适应度函数来搜索图像最佳分割阈值。
3.根据权利要求1所述的图像内容搜索方法，其特征在于，所述对目标对象图像进行特征提取，包括颜色信息提取和图像轮廓信息提取，所述颜色信息提取采用直方图统计的方法，所述图像轮廓信息提取采用坎尼算子的方法。
4.根据权利要求1所述的图像内容搜索方法，其特征在于，所述生成目标图像对象模板包括：对特征提取后的目标对象图像，采用放大、缩小、旋转变形技术，生成具有相似性的新模板，以扩展用户目标 对象模板数量，形成目标图像对象模板。
5.根据权利要求1所述的图像内容搜索方法，其特征在于，所述搜索的图像数据库中的每一图像进行搜索区域初步范围定界，包括：根据区域增长的方法界定待检测的目标对象图像的搜索区域初步范围，利用基于模板集构造的性能良好的遗传算法在已得到的初步检索区域内进行优化匹配检索。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711328105.XA CN110019908A (zh) | 2017-12-13 | 2017-12-13 | 一种图像内容搜索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711328105.XA CN110019908A (zh) | 2017-12-13 | 2017-12-13 | 一种图像内容搜索方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110019908A true CN110019908A (zh) | 2019-07-16 |
Family
ID=67186892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711328105.XA Pending CN110019908A (zh) | 2017-12-13 | 2017-12-13 | 一种图像内容搜索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110019908A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1405727A (zh) * | 2002-11-07 | 2003-03-26 | 上海交通大学 | 基于遗传算法的图像内容检索方法 |
| KR20070038891A (ko) * | 2005-10-06 | 2007-04-11 | 소니 가부시키가이샤 | 화상 처리 장치 |
| CN102508901A (zh) * | 2011-11-07 | 2012-06-20 | 康佳集团股份有限公司 | 基于内容的海量图像检索方法和系统 |
| CN103020979A (zh) * | 2013-01-09 | 2013-04-03 | 西安电子科技大学 | 基于稀疏遗传聚类的图像分割方法 |
-
2017
- 2017-12-13 CN CN201711328105.XA patent/CN110019908A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1405727A (zh) * | 2002-11-07 | 2003-03-26 | 上海交通大学 | 基于遗传算法的图像内容检索方法 |
| KR20070038891A (ko) * | 2005-10-06 | 2007-04-11 | 소니 가부시키가이샤 | 화상 처리 장치 |
| CN102508901A (zh) * | 2011-11-07 | 2012-06-20 | 康佳集团股份有限公司 | 基于内容的海量图像检索方法和系统 |
| CN103020979A (zh) * | 2013-01-09 | 2013-04-03 | 西安电子科技大学 | 基于稀疏遗传聚类的图像分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107563381B (zh) | 基于全卷积网络的多特征融合的目标检测方法 | |
| Tao et al. | Smoke detection based on deep convolutional neural networks | |
| CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
| CN107808143B (zh) | 基于计算机视觉的动态手势识别方法 | |
| CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
| Chen et al. | A YOLOv3-based computer vision system for identification of tea buds and the picking point | |
| CN109785363A (zh) | 一种无人机航拍视频运动小目标实时检测与跟踪方法 | |
| CN106649487A (zh) | 基于兴趣目标的图像检索方法 | |
| Huang et al. | Immature apple detection method based on improved Yolov3 | |
| CN104766343B (zh) | 一种基于稀疏表示的视觉目标跟踪方法 | |
| CN104751199B (zh) | 一种棉花裂铃期自动检测方法 | |
| CN109117877A (zh) | 一种基于深度卷积生成对抗网络的黄颡鱼及其套养种识别方法 | |
| Liu et al. | A quantitative detection algorithm based on improved faster R-CNN for marine benthos | |
| CN114724022B (zh) | 融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质 | |
| CN111523511B (zh) | 一种用于枸杞采收夹持装置的视频图像枸杞枝条检测方法 | |
| CN109886267A (zh) | 一种基于最优特征选择的低对比度图像显著性检测方法 | |
| CN113470076B (zh) | 一种平养鸡舍黄羽鸡多目标跟踪方法 | |
| CN111666897A (zh) | 基于卷积神经网络的斑石鲷个体识别方法 | |
| CN109165658A (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
| CN108428224A (zh) | 基于卷积神经网的动物体表温度检测方法及装置 | |
| CN112215861A (zh) | 一种足球检测方法、装置、计算机可读存储介质及机器人 | |
| He et al. | Recognition of soybean pods and yield prediction based on improved deep learning model | |
| Shuai et al. | An improved YOLOv5-based method for multi-species tea shoot detection and picking point location in complex backgrounds | |
| CN113822198A (zh) | 基于uav-rgb图像和深度学习的花生生长监测方法、系统及介质 | |
| Jiang et al. | Thin wire segmentation and reconstruction based on a novel image overlap-partitioning and stitching algorithm in apple fruiting wall architecture for robotic picking |
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: 20190716 |