CN111581413A - 一种面向高维图像数据检索的数据过滤方法及系统 - Google Patents

一种面向高维图像数据检索的数据过滤方法及系统 Download PDF

Info

Publication number
CN111581413A
CN111581413A CN202010261299.1A CN202010261299A CN111581413A CN 111581413 A CN111581413 A CN 111581413A CN 202010261299 A CN202010261299 A CN 202010261299A CN 111581413 A CN111581413 A CN 111581413A
Authority
CN
China
Prior art keywords
dimensional image
image data
data
reference point
points
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
Application number
CN202010261299.1A
Other languages
English (en)
Other versions
CN111581413B (zh
Inventor
梁晔
马楠
何勤
高跃
李文法
姬厚国
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 University
Original Assignee
Beijing Union 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 Beijing Union University filed Critical Beijing Union University
Priority to CN202010261299.1A priority Critical patent/CN111581413B/zh
Publication of CN111581413A publication Critical patent/CN111581413A/zh
Application granted granted Critical
Publication of CN111581413B publication Critical patent/CN111581413B/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
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • 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

Landscapes

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

Abstract

本发明提供一种面向高维图像数据检索的数据过滤方法及系统，其中方法包括生成高维图像数据点集合D，还包括以下步骤：在所述高维图像数据点集合中选取基准点集合F；生成检索模型；将所述基准点集合F中的每一个基准点输入所述检索模型进行过滤；输出过滤后的高维图像数据点集合。本发明提出的面向高维图像数据检索的数据过滤方法及系统，通过选取并建立基准点集合达到对数据点集合的过滤，从而加快检索速度。

Description

一种面向高维图像数据检索的数据过滤方法及系统
技术领域
本发明涉及图像处理的技术领域，具体地说是一种面向高维图像数据检索的数据过滤方法及系统。
背景技术
在图像、生物信息、医学成像、时间序列等领域需要对大数据集进行相似性查询。通过特征转换将数据对象特征映射为高维向量空间的特征向量，把相似性查询转换为向量空间的最近邻查询，即给定查询数据q及查询半径r，从数据库中找出距离q为r的数据点。为了提高查询效率，研究者提出各种索引结构管理特征向量，如KD树、R 树、R*树、TV树、SR树等。这些索引结构在维数升高时性能会急剧下降，以至于大多数的高维访问方法的性能都不如顺序扫描，这就是所谓的“维数灾难”。长期以来设计一种快速的访问方法是研究人员的主要目标。
公开号为CN103279551A的发明专利申请公开了一种基于欧氏距离的高维图像数据准确近邻快速检索方法，将高维图像数据表述成向量形式，然后嵌入到均值和方差构成的二维空间中，同时建立原高维图像数据的采样索引；进行近邻查询时，在输入查询点后，首先通过采样索引获得过滤阈值，然后利用过滤阈值在二维空间中对非近邻数据进行过滤，得到候选数据集；最后线性遍历计算所有候选数据点到查询点的距离，并计算出查询点的最近邻点。该方法的缺点是没有建立采样索引，不能够解决维数灾难带来的问题。
发明内容
为了解决上述的技术问题，本发明提出的面向高维图像数据检索的数据过滤方法及系统，通过选取并建立基准点集合达到对数据点集合的过滤，从而加快检索速度。
本发明的第一目的是提供一种面向高维图像数据检索的数据过滤方法，包括生成高维图像数据点集合D，还包括以下步骤：
步骤1：在所述高维图像数据点集合中选取基准点集合F；
步骤2：生成检索模型；
步骤3：将所述基准点集合F中的每一个基准点输入所述检索模型进行过滤；
步骤4：输出过滤后的高维图像数据点集合。
优选的是，所述高维图像数据点集合D的范围是D＝{di|di∈D}，其中，di为高维图像数据点，i∈N，N表示高维图像数据点的数量。
在上述任一方案中优选的是，所述基准点集合F的范围是 F＝{fk|fk∈F}，其中，fk为基准点，k∈K，K表示所述基准点的数量。
在上述任一方案中优选的是，所述步骤1包括以下子步骤：
步骤11：在所述高维图像数据点中随机选择一个数据点作为第一基准点f1；
步骤12：在剩余的高维图像数据点中选择和所述第一基准点f1距离最远的点为第二基准点f2；
步骤13：在剩余的高维图像数据点中选择与f1和f2距离的和最大的数据点作为新的基准点；
步骤14：重复所述步骤11到所述步骤13，得到K个基准点，生成基准点集合F；
步骤15：计算所述基准点集合F中的每个基准点到高维图像数据点集合D的每个数据点的距离，结果为S＝{<fk，di，d(fk，di)>|fk∈ F，di∈D，其中，d()为距离函数。
在上述任一方案中优选的是，所述步骤2包括以下子步骤：
步骤21：设定检索数据为q，查询半径为r；
步骤22：选取基准点为fk做以q为圆心、半径为r的超球体的圆锥切面；
步骤23：设α为所述圆锥切面的顶角的一半，得到
Figure BDA0002439392890000031
步骤24：设p为所述高维图像数据点集合中的任一数据点，则向量
Figure BDA0002439392890000032
与向量
Figure BDA0002439392890000033
的夹角为β，有
Figure BDA0002439392890000034
d()为距离函数；
步骤25：进行第一次判断；
步骤26：做和向量
Figure BDA0002439392890000035
垂直的两个超平面x和y，其中，y＝d(fk，q)-r， x＝(d(fk，q)+r)/cosα；
步骤27：计算d(fk，p)的值，并进行第二次判断。
在上述任一方案中优选的是，所述第一次判断为当cosβ<cosα时，所述数据点p被过滤。
在上述任一方案中优选的是，所述第二次判断为当y<d(fk，p)< x时，所述数据点p被过滤。
在上述任一方案中优选的是，所述步骤4包括对于没被过滤掉的数据点按照距离函数d()进行举例计算，得到r范围内的数据点，并生成新的数据点集合。
发明的第二目的是提供一种面向高维图像数据检索的数据过滤系统，包括用于生成高维图像数据点集合D的集合生成模块，还包括以下模块：
选取模块：用于在所述高维图像数据点集合中选取基准点集合F；
模型生成模块：用于生成检索模型；
过滤模块：用于将所述基准点集合F中的每一个基准点输入所述检索模型进行过滤；
输出模块：用于输出过滤后的高维图像数据点集合。
优选的是，所述高维图像数据点集合D的范围是D＝{di|di∈D}，其中，di为高维图像数据点，i∈N，N表示高维图像数据点的数量。
在上述任一方案中优选的是，所述基准点集合F的范围是 F＝{fk|fk∈F}，其中，fk为基准点，k∈K，K表示所述基准点的数量。
在上述任一方案中优选的是，所述选取模块的选取方法包括如下步骤：
步骤11：在所述高维图像数据点中随机选择一个数据点作为第一基准点f1；
步骤12：在剩余的高维图像数据点中选择和所述第一基准点f1距离最远的点为第二基准点f2；
步骤13：在剩余的高维图像数据点中选择与f1和f2距离的和最大的数据点作为新的基准点；
步骤14：重复所述步骤11到所述步骤13，得到K个基准点，生成基准点集合F；
步骤15：计算所述基准点集合F中的每个基准点到高维图像数据点集合D的每个数据点的距离，结果为S＝{<fk，di，d(fk，di)>|fk∈ F，di∈D，其中，d()为距离函数。
在上述任一方案中优选的是，所述模型生成模块的工作方法包括以下子步骤：
步骤21：设定检索数据为q，查询半径为r；
步骤22：选取基准点为fk做以q为圆心、半径为r的超球体的圆锥切面；
步骤23：设α为所述圆锥切面的顶角的一半，得到
Figure BDA0002439392890000051
步骤24：设p为所述高维图像数据点集合中的任一数据点，则向量
Figure BDA0002439392890000052
与向量
Figure BDA0002439392890000053
的夹角为β，有
Figure BDA0002439392890000054
d()为距离函数；
步骤25：进行第一次判断；
步骤26：做和向量
Figure BDA0002439392890000055
垂直的两个超平面x和y，其中，y＝d(fk，q)-r， x＝(d(fk，q)+r)/cosα；
步骤27：计算d(fk，p)的值，并进行第二次判断。
在上述任一方案中优选的是，所述第一次判断为当cosβ<cosα时，所述数据点p被过滤。
在上述任一方案中优选的是，所述第二次判断为当y<d(fk，p)< x时，所述数据点p被过滤。
在上述任一方案中优选的是，所述输出模块还用于对于没被过滤掉的数据点按照距离函数d()进行距离计算，得到r范围内的数据点，并生成新的数据点集合。
本发明提出了一种面向高维图像数据检索的数据过滤方法及系统，对要比较的数据进行有效的删减操作，大大的提高了搜索的效率。
附图说明
图1为按照本发明的面向高维图像数据检索的数据过滤方法的一优选实施例的流程图。
图1A为按照本发明的面向高维图像数据检索的数据过滤方法的如图1所示实施例的基准点集合选取方法流程图。
图1B为按照本发明的面向高维图像数据检索的数据过滤方法的如图1所示实施例的检索模型生成方法流程图。
图2为按照本发明的面向高维图像数据检索的数据过滤系统的一优选实施例的模块图。
图3为按照本发明的面向高维图像数据检索的数据过滤方法的基准点的一优选实施例的圆锥切面示意图。
图4为按照本发明的面向高维图像数据检索的数据过滤方法的检索范围的一优选实施例的示意图。
图5为按照本发明的面向高维图像数据检索的数据过滤方法的空间数据的一优选实施例的示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
如图1所示，执行步骤100，生成高维图像数据点集合D。高维图像数据点集合D的范围是D＝{di|di∈D}，其中，di为高维图像数据点， i∈N，N表示高维图像数据点的数量。
执行步骤110，在所述高维图像数据点集合中选取基准点集合f。基准点集合f的范围是f＝{fk|fk∈F}，其中，fk为基准点，k∈K，K表示所述基准点的数量。如图1A所示，在本步骤中，执行步骤111，在所述高维图像数据点中随机选择一个数据点作为第一基准点f1。执行步骤112，在剩余的高维图像数据点中选择和所述第一基准点f1距离最远的点为第二基准点f2。执行步骤113，在剩余的高维图像数据点中选择与f1和f2距离的和最大的数据点作为新的基准点。执行步骤114，判断基准点个数是否达到K个。如果基准点个数没有达到K个，则重新执行步骤111.。如果基准点个数达到K个，则执行步骤115，生成基准点集合F。执行步骤116，计算所述基准点集合F中的每个基准点到高维图像数据点集合D的每个数据点的距离，结果为 S＝{<fk，di，d(fk，di)>|fk∈F，di∈D}，其中，d()为距离函数。fk
执行步骤120，生成检索模型。如图1B所示，在本步骤中，执行步骤121，设定检索数据为q，查询半径为r。执行步骤122，选取基准点为fk做以q为圆心、半径为r的超球体的圆锥切面。执行步骤123，设α为所述圆锥切面的顶角的一半，得到
Figure BDA0002439392890000071
Figure BDA0002439392890000072
执行步骤124，设p为所述高维图像数据点集合中的任一数据点，则向量
Figure BDA0002439392890000073
与向量
Figure BDA0002439392890000074
的夹角为β，有
Figure BDA0002439392890000075
d()为距离函数。执行步骤125，进行第一次判断，判断cosβ和cosα的大小。当cosβ<cosα时，则执行步骤128，数据点p被过滤。当cosβ≥cosα时，则执行步骤126，做和向量
Figure BDA0002439392890000076
垂直的两个超平面x和y，其中， y＝d(fk，q)-r，x＝(d(fk，q)+r)/cosα。执行步骤127，计算 d(fk，p)的值，并进行第二次判断，判断d(fk，p)是否符合 y<d(fk，p)<x的条件。如果符合条件，则执行步骤128，数据点p被过滤。如果不符合条件，则执行步骤129，数据点p被保留。
执行步骤130，将所述基准点集合F中的每一个基准点输入所述检索模型进行过滤。
执行步骤140，输出过滤后的高维图像数据点集合。对于没被过滤掉的数据点按照距离函数d()进行举例计算，得到r范围内的数据点，并生成新的数据点集合。
实施例二
如图2所示，一种面向高维图像数据检索的数据过滤系统，包括集合生成模块200、选取模块210、模型生成模块220、过滤模块230 和输出模块240。
集合生成模块200：用于生成高维图像数据点集合D。高维图像数据点集合D的范围是D＝{di|di∈D}，其中，di为高维图像数据点，i∈N， N表示高维图像数据点的数量。
选取模块210：用于在所述高维图像数据点集合中选取基准点集合F。基准点集合F的范围是F＝{fk|fk∈F}，其中，fk为基准点，k∈K，K 表示所述基准点的数量。选取模块210的选取方法包括如下步骤：步骤11：在所述高维图像数据点中随机选择一个数据点作为第一基准点 f1；步骤12：在剩余的高维图像数据点中选择和所述第一基准点f1距离最远的点为第二基准点f2；步骤13：在剩余的高维图像数据点中选择与f1和f2距离的和最大的数据点作为新的基准点；步骤14：重复所述步骤11到所述步骤13，得到K个基准点，生成基准点集合F。步骤 15：计算所述基准点集合F中的每个基准点到高维图像数据点集合D的每个数据点的距离，结果为S＝{<fk，di，d(fk，di)>|fk∈F，di∈D}，其中，d()为距离函数。
模型生成模块220：用于生成检索模型。
过滤模块230：用于将所述基准点集合F中的每一个基准点输入所述检索模型进行过滤。模型生成模块230的工作方法包括以下子步骤：步骤21：设定检索数据为q，查询半径为r。步骤22：选取基准点为fk做以q为圆心、半径为r的超球体的圆锥切面。步骤23：设α为所述圆锥切面的顶角的一半，得到
Figure BDA0002439392890000081
步骤24：设p为所述高维图像数据点集合中的任一数据点，则向量
Figure BDA0002439392890000082
与向量
Figure BDA0002439392890000083
的夹角为β，有
Figure BDA0002439392890000084
d()为距离函数。步骤25：进行第一次判断，为当cosβ<cosα时，所述数据点p被过滤。步骤26：做和向量
Figure BDA0002439392890000091
垂直的两个超平面x和y，其中，y＝d(fk，q)-r， x＝(d(fk，q)+r)/cosα。步骤27：计算d{fk，p)的值，并进行第二次判断，当y<d(fk，p)<x时，所述数据点p被过滤。
输出模块240：用于输出过滤后的高维图像数据点集合，对于没被过滤掉的数据点按照距离函数d()进行距离计算，得到r范围内的数据点，并生成新的数据点集合。
实施例三
本发明提出一种面向高维图像数据搜索的数据过滤方法，对要比较的数据进行有效的删减操作，大大的提高了搜索的效率。
实现方法如下：
1.数据点的集合为D，D＝{di|di∈D}，i∈N，N表示数据集中数据的数量。
2.在全局的数据集合D中选取基准点集合F，F＝{fk|fk∈F}，k∈K， K表示基准点的数量。
先在数据点中随机选择一个数据点作为第一个基准点f1；
在剩余的数据点中选择和f1距离最远的点作为第二个基准点f2；
在剩余的数据点中选择与f1和f2距离的和最大的数据点作为新的基准点；
重复上面的过程，直到选择了足够的基准点。
3.计算基准点集合中的每个基准点到数据点集合的每个数据点的距离，结果为 S＝{<fk，di，d(fk，di)>|fk∈F，di∈D}，d()为距离函数。
4.在检索的时候，假设索数据为q，查询半径为r。
5.选取基准点fk做半径为r的超球体的圆锥切面，如图3所示。
在图3的(1)中，设α为所做圆锥的顶角的一半。在图3的(2)中，有
Figure BDA0002439392890000101
设p为数据集中的任一点，则向量
Figure BDA0002439392890000102
与向量
Figure BDA0002439392890000103
的夹角为β，有
Figure BDA0002439392890000104
由于余弦在区间(0，
Figure BDA0002439392890000105
)上是递减的，所以有若cosβ<cosα成立，则p被滤掉。则所需检索点的范围变为在图3的(1)中的深灰色的部分所示。
6.如图4所示，做和向量
Figure BDA0002439392890000106
垂直的两个超平面。在图4的(1) 中：其中y＝d(fk,q)-r，x＝(d(fk,q)+r)/cosα。在图4的(2)中：设p 为任意一个数据点，若y<d(fk,p)<x，则p被过滤掉。
则所需检索点的范围变为图4的(3)中的深灰色的部分所示。
7.对每个基准点进行上面的操作，可再次缩小需要检索的范围。
8.经过上面的步骤操作，对没被筛选掉的数据点按距离函数d() 进行距离计算，得到r范围内的数据点。
实施例四
数据空间示意图如图5所示。在图5的(1)中：f1为基准点，f2为基准点，查询的数据点为q，查询的半径为r。
在图5的(2)中：选取基准点f1做半径为r的超球体的圆锥切面，则所需检索点的范围变为下图中的加黑的部分。
在图5的(3)中：选取基准点f1和基准点f2做半径为r的超球体的圆锥切面，则所需检索点的范围变为图中的加黑的部分。
在图5的(4)中：做和向量
Figure BDA0002439392890000107
垂直的两个超平面，和向量
Figure BDA0002439392890000108
的夹角为α
实施例五
图像数据集采用ECSSD，ECSSD包含1000幅图像。首先生成高维图像数据点集合：对数据集的每幅图像提取RGB、Lab、HSV三种颜色的直方图特征，每种颜色具有3个颜色通道，每个颜色直方图特征为256 维，所以三种颜色空间共9个颜色通道，总共2304维特征，所有的图像特征构成高维的数据点集合。其次，选取两个特征点，查询半径为0.2，通过做超球体的圆锥切面进行第一次过滤，剩余的图像数量为535幅。最后，通过做两个垂直的超平面进行第二次过滤，剩余的图像数量为 367幅。
为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (10)

1.一种面向高维图像数据检索的数据过滤方法，包括生成高维图像数据点集合D，其特征在于，还包括以下步骤：
步骤1：在所述高维图像数据点集合中选取基准点集合F；
步骤2：生成检索模型；
步骤3：将所述基准点集合F中的每一个基准点输入所述检索模型进行过滤；
步骤4：输出过滤后的高维图像数据点集合。
2.如权利要求1所述的面向高维图像数据检索的数据过滤方法，其特征在于，所述高维图像数据点集合D的范围是D＝{di|di∈D}，其中，di为高维图像数据点，i∈N，N表示高维图像数据点的数量。
3.如权利要求2所述的面向高维图像数据检索的数据过滤方法，其特征在于，所述基准点集合F的范围是F＝{fk|fk∈F}，其中，fk为基准点，k∈K，K表示所述基准点的数量。
4.如权利要求3所述的面向高维图像数据检索的数据过滤方法，其特征在于，所述步骤1包括以下子步骤：
步骤11：在所述高维图像数据点中随机选择一个数据点作为第一基准点f1；
步骤12：在剩余的高维图像数据点中选择和所述第一基准点f1距离最远的点为第二基准点f2；
步骤13：在剩余的高维图像数据点中选择与f1和f2距离的和最大的数据点作为新的基准点；
步骤14：重复所述步骤11到所述步骤13，得到K个基准点，生成基准点集合F；
步骤15：计算所述基准点集合F中的每个基准点到高维图像数据点集合D的每个数据点的距离，结果为S＝{<fk，di，d(fk，di)>|fk∈F，di∈D}，其中，d()为距离函数。
5.如权利要求4所述的面向高维图像数据检索的数据过滤方法，其特征在于，所述步骤2包括以下子步骤：
步骤21：设定检索数据为q，查询半径为r；
步骤22：选取基准点为fk做以q为圆心、半径为r的超球体的圆锥切面；
步骤23：设α为所述圆锥切面的顶角的一半，得到
Figure FDA0002439392880000021
步骤24：设p为所述高维图像数据点集合中的任一数据点，则向量
Figure FDA0002439392880000022
与向量
Figure FDA0002439392880000023
的夹角为β，有
Figure FDA0002439392880000024
步骤25：进行第一次判断；
步骤26：做和向量
Figure FDA0002439392880000025
垂直的两个超平面x和y，其中，y＝d(fk，q)-r，x＝(d(fk，q)+r)/cosα；
步骤27：计算d(fk，p)的值，并进行第二次判断。
6.如权利要求5所述的面向高维图像数据检索的数据过滤方法，其特征在于，所述第一次判断为当cosβ<cosα时，所述数据点p被过滤。
7.如权利要求6所述的面向高维图像数据检索的数据过滤方法，其特征在于，所述第二次判断为当y<d(fk，p)<x时，所述数据点p被过滤。
8.如权利要求7所述的面向高维图像数据检索的数据过滤方法，其特征在于，所述步骤4包括对于没被过滤掉的数据点按照距离函数d()进行举例计算，得到r范围内的数据点，并生成新的数据点集合。
9.一种面向高维图像数据检索的数据过滤系统，包括用于生成高维图像数据点集合D的集合生成模块，其特征在于，还包括以下模块：
选取模块：用于在所述高维图像数据点集合中选取基准点集合F；
模型生成模块：用于生成检索模型；
过滤模块：用于将所述基准点集合F中的每一个基准点输入所述检索模型进行过滤；
输出模块：用于输出过滤后的高维图像数据点集合。
10.如权利要求9所述的面向高维图像数据检索的数据过滤系统，其特征在于，所述高维图像数据点集合D的范围是D＝{di|di∈D}，其中，di为高维图像数据点，i∈N，N表示高维图像数据点的数量。
CN202010261299.1A 2020-04-03 2020-04-03 一种面向高维图像数据检索的数据过滤方法及系统 Active CN111581413B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010261299.1A CN111581413B (zh) 2020-04-03 2020-04-03 一种面向高维图像数据检索的数据过滤方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010261299.1A CN111581413B (zh) 2020-04-03 2020-04-03 一种面向高维图像数据检索的数据过滤方法及系统

Publications (2)

Publication Number Publication Date
CN111581413A true CN111581413A (zh) 2020-08-25
CN111581413B CN111581413B (zh) 2023-02-28

Family

ID=72124379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010261299.1A Active CN111581413B (zh) 2020-04-03 2020-04-03 一种面向高维图像数据检索的数据过滤方法及系统

Country Status (1)

Country Link
CN (1) CN111581413B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279551A (zh) * 2013-06-06 2013-09-04 浙江大学 一种基于欧氏距离的高维数据准确近邻快速检索方法
CN103617217A (zh) * 2013-11-20 2014-03-05 中国科学院信息工程研究所 一种基于层次索引的图像检索方法及系统
WO2017012491A1 (zh) * 2015-07-23 2017-01-26 北京京东尚科信息技术有限公司 一种图像高维特征的相似比较方法及装置
WO2018166273A1 (zh) * 2017-03-17 2018-09-20 北京京东尚科信息技术有限公司 高维图像特征匹配方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279551A (zh) * 2013-06-06 2013-09-04 浙江大学 一种基于欧氏距离的高维数据准确近邻快速检索方法
CN103617217A (zh) * 2013-11-20 2014-03-05 中国科学院信息工程研究所 一种基于层次索引的图像检索方法及系统
WO2017012491A1 (zh) * 2015-07-23 2017-01-26 北京京东尚科信息技术有限公司 一种图像高维特征的相似比较方法及装置
WO2018166273A1 (zh) * 2017-03-17 2018-09-20 北京京东尚科信息技术有限公司 高维图像特征匹配方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁晔等: "基于焦点和角度的多维索引方法", 《北京交通大学学报》 *

Also Published As

Publication number Publication date
CN111581413B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
Jimenez et al. Classification of hyperdimensional data based on feature and decision fusion approaches using projection pursuit, majority voting, and neural networks
CN103440348B (zh) 一种基于矢量量化的全局和局部颜色图像检索方法
CN112633382B (zh) 一种基于互近邻的少样本图像分类方法及系统
CN106780639B (zh) 基于显著性特征稀疏嵌入和极限学习机的哈希编码方法
Lomio et al. Classification of building information model (BIM) structures with deep learning
CN113657450A (zh) 基于注意机制的陆战场图像-文本跨模态检索方法及其系统
CN107153670A (zh) 基于多幅图像融合的视频检索方法及系统
Syam et al. An effective similarity measure via genetic algorithm for content based image retrieval with extensive features.
CN112529870A (zh) 基于源域与频域结合的多尺度CNNs肺结节假阳性剔除方法
CN111860359B (zh) 一种基于改进随机森林算法的点云分类方法
CN113988147A (zh) 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置
CN113505239A (zh) 一种结合图注意力和属性聚类的实体对齐方法
CN114494199A (zh) 一种基于深度学习的肝脏ct肿瘤分割与分类的方法
CN102024029B (zh) 基于局部视觉关注的彩色图像检索方法
Ładniak et al. Search of visually similar microscopic rock images
CN111581413B (zh) 一种面向高维图像数据检索的数据过滤方法及系统
CN116597218A (zh) 一种病理切片图像病变分级分类检测方法
CN116049712A (zh) 一种知识辅助多分类器融合的极窄脉冲雷达目标识别方法
CN111339332B (zh) 一种基于树形结构拓扑图的三维体数据检索方法
Syam et al. An effective similarity measure via genetic algorithm for Content-Based Image Retrieval with extensive features
CN109919162B (zh) 用于输出mr图像特征点描述向量符的模型及其建立方法
CN111798473A (zh) 基于弱监督学习的图像协同分割方法
Li NNGDPC: a kNNG-based density peaks clustering
CN111209879A (zh) 基于深度圈视图的无监督3d物体识别与检索方法
Chien Hierarchical data structures for picture storage, retrieval and classification

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