CN113239222B - 一种基于图像信息提取与改进emd距离的图像检索方法 - Google Patents

一种基于图像信息提取与改进emd距离的图像检索方法 Download PDF

Info

Publication number
CN113239222B
CN113239222B CN202110069349.0A CN202110069349A CN113239222B CN 113239222 B CN113239222 B CN 113239222B CN 202110069349 A CN202110069349 A CN 202110069349A CN 113239222 B CN113239222 B CN 113239222B
Authority
CN
China
Prior art keywords
image
characteristic
layer
matrix
distance
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
CN202110069349.0A
Other languages
English (en)
Other versions
CN113239222A (zh
Inventor
张宁
杜云明
徐凯歌
李晶
杜旭
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.)
Jiamusi University
Original Assignee
Jiamusi 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 Jiamusi University filed Critical Jiamusi University
Priority to CN202110069349.0A priority Critical patent/CN113239222B/zh
Publication of CN113239222A publication Critical patent/CN113239222A/zh
Application granted granted Critical
Publication of CN113239222B publication Critical patent/CN113239222B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及属于图像检索技术领域，且公开了一种基于图像信息提取与改进EMD距离的图像检索方法，包括以下步骤：步骤a、对待检索图像以及图像库图像进行降维处理；步骤b、网络结构设置并提取降维之后的图像语义信息；步骤c、改进EMD距离；步骤d、将改进的EMD距离用于图像相似性度量中。该基于图像信息提取与改进EMD距离的图像检索方法，该技术手段相互依存，缺一不可，作为一个整体，共同实现了其中任何一个手段存在时都不能实现的有效提高基于内容的图像检索准确率的技术目的，此外，本发明方法不仅能提高图像检索准确率，还能增强检索系统对复杂场景的适用性。

Description

一种基于图像信息提取与改进EMD距离的图像检索方法
技术领域
本发明涉及图像检索领域，尤其涉及一种基于图像信息提取与改进EMD距离的图像检索方法。
背景技术
图像检索的发展分为3个阶段：基于文本的图像检索技术、基于内容的图像检索技术和基于语义的图像检索技术。
基于文本的图像检索技术是根据人为的主观意愿进行人工标注，然后用户利用文字匹配来获取所需要的信息。但由于文字的表达能力具有局限性，因此检索结果往往与实际情况不符合。
基于内容的图像检索技术是借助计算机来提取特征信息，并将所得的特征信息进行匹配，检索出用户需要的图像。
基于语义的图像检索技术是在图像视觉特征的基础上进一步提炼图像的高级语义表达能力，更符合人们对图像的认知。
如何准确地提取图像的特征信息，描述图像内容，基于语义的图像检索技术将比其他两种检索技术更具有优势，是广大学者研究的重点。广大学者也都瞄准该技术优势，开展如何提高提取图像特征的准确性方面的研究，以期进一步提高基于内容的图像检索的准确率。
发明内容
（一）发明目的
为解决背景技术中存在的技术问题，本发明提出一种基于图像信息提取与改进EMD距离的图像检索方法，本发明能有效的提高图像检索的准确率，而且该方法对于复杂背景的图像，其检索准确率有具有明显优势。即该方法不仅能提高图像检索准确率，还能增强检索系统对复杂场景的适用性。
（二）技术方案
为解决上述问题，本发明提供了一种基于图像信息提取与改进EMD距离的图像检索方法，包括以下步骤：
步骤a、对待检索图像以及图像库图像进行降维处理；
步骤b、网络结构设置并提取降维之后的图像语义信息；
步骤c、改进EMD距离；
步骤d、将改进的EMD距离用于图像相似性度量中。
步骤a的具体步骤如下：
步骤a1：得到标准化数据矩阵
根据图像的数据，得到特征空间的标准化数据矩阵
其中，是样本数，是得到的标准数据矩阵，是原始数据在特征空间H的 像；
标准数据化矩阵的特征方程可表示为：
其中，是标准数据化矩阵的特征值，是标准数据化矩阵的特征向量；
步骤a2：计算核矩阵
将标准数据化矩阵获得的最大特征值所对应的特征向量生成特征空间中第一 个主成分，得到特征向量，在标准数据化矩阵的两边同时点乘映射向量，进行内积运算， 并得到核矩阵；
步骤a3：得到降维数据。
优选的，步骤b的具体步骤如下：
步骤b1：网络结构设置
卷积神经网络主要由四层结构组成，一至三层为卷积神经网络的基本，每一层都由卷积层和池化层组成，最后一层为全连接层，选用softmax分类器；在该网络结构中，激活函数选择激活函数选择“Relu”，池化层选择最大池化；第一层到第三层卷积核的个数依次为10，60，100，全连接层神经单元个数设置为500；
步骤b2：提取降维之后的图像语义信息
将步骤a获得的降维之后的图像作为卷积神经网络的原始数据，输入的影像块大 小为，第一层到第三层的卷积核大小依次设置为、、，池化尺寸都选 择为，最后的输出层的个数为输入数据类别的个数，与训练样本中类别个数一致，最后 得到图像的语义信息。
优选的，步骤c的具体步骤如下：
步骤c1：写出代价函数的方程形式：
其中，是代价函数，为设计参数阈值；x是代价函数中与参数阈值相比较的 未知量；t是代价函数中变量参数的标识；
步骤c2：用改进的EMD距离代替传统EMD距离：
改进的陆地移动距离为：
其中，N为待检索图像特征中的最大值；
M为图像数据库中某幅图像特征的最大值；
H（X，Y）为待检索图像与图像数据库中某幅图像之间的改进的陆地移动距离；
X为待检索图像特征集合；
Y为图像数据库中某幅图像特征集合；
h（xi,yi）的含义是：为图像特征集合中的特征分量到图像数据库中 某幅图像特征集合中特征分量的欧式距离；
其中，约束条件如下：
。
其中，为特征分量和特征分量间的最优权重系数；
为集合中特征分量的权重值；
为集合中特征分量的权重值；
优选的，步骤d的具体步骤如下：
根据步骤b得到的图像语义信息，用改进的EMD距离作为图像特征的相似性度量距离函数，将得到的相似性度量结果按照降序排列，得出检索结果。
优选的，在步骤a3中，求解核矩阵的特征值和特征向量，的特征值满足，对应的特征向量为，当前个特征值累加和与特征值总和的比 值大于阈值0.85时，即，完成原始图像的特征降维。
优选的，其中，为图像特征集合中的特征分量到图像数据库中某幅 图像特征集合中特征分量的欧式距离；为集合中特征分量的权重值；为 集合中特征分量的权重值；是归一化因子；是特征分量和特征分量间 的最优权重系数。
本发明的上述技术方案具有如下有益的技术效果：
本发明采用了如下技术手段，首先对图像进行降维处理，然后提取图像的语义信息，通过改进传统的EMD距离度量，最后将改进的EMD距离作为图像检索的相似性度量函数，将检索的结果进行排序；该技术手段相互依存，缺一不可，作为一个整体，共同实现了其中任何一个手段存在时都不能实现的有效提高基于内容的图像检索准确率的技术目的，此外，本发明方法不仅能提高图像检索准确率，还能增强检索系统对复杂场景的适用性。
附图说明
图1是本发明一种基于图像信息提取与改进EMD距离的图像检索方法的流程图。
图2是两种方法的查准率对比图。
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。
实施例一
本实施例是一种基于图像信息提取与改进EMD距离的图像检索方法的理论实施例。
本实施例的一种基于图像信息提取与改进EMD距离的图像检索方法，流程图如图1所示，该方法包括以下步骤：
步骤a、对待检索图像以及图像库图像进行降维处理；
步骤b、网络结构设置并提取降维之后的图像语义信息；
步骤c、改进EMD距离；
步骤d、将改进的EMD距离用于图像相似性度量中。
步骤a的具体步骤如下：
步骤a1：得到标准化数据矩阵
根据图像的数据，得到特征空间的标准化数据矩阵
其中，是样本数，是得到的标准数据矩阵，是原始数据在特征空间H的 像。
标准数据化矩阵的特征方程可表示为：；
其中，是标准数据化矩阵的特征值，是标准数据化矩阵的特征向量。
步骤a2：计算核矩阵
将标准数据化矩阵获得的最大特征值所对应的特征向量生成特征空间中第一 个主成分，得到特征向量，在标准数据化矩阵的两边同时点乘映射向量，进行内积运算， 并得到核矩阵。
步骤a3：得到降维数据。
求解核矩阵的特征值和特征向量，的特征值满足，对应的特征 向量为，当前个特征值累加和与特征值总和的比值大于阈值0.85时，即，完成原始图像的特征降维。
步骤b的具体步骤如下：
步骤b1：网络结构设置
卷积神经网络主要由四层结构组成，一至三层为卷积神经网络的基本，每一层都由卷积层和池化层组成，最后一层为全连接层，选用softmax分类器。在该网络结构中，激活函数选择激活函数选择“Relu”，池化层选择最大池化。第一层到第三层卷积核的个数依次为10，60，100，全连接层神经单元个数设置为500。
步骤b2：提取降维之后的图像语义信息
将步骤a获得的降维之后的图像作为卷积神经网络的原始数据，输入的影像块大 小为，第一层到第三层的卷积核大小依次设置为、、，池化尺寸都选 择为，最后的输出层的个数为输入数据类别的个数，与训练样本中类别个数一致，最后 得到图像的语义信息。
步骤c的具体步骤如下：
步骤c1：写出代价函数的方程形式：
其中，是代价函数，为设计参数阈值。
步骤c2：用改进的EMD距离代替传统EMD距离：
改进的陆地移动距离为：
其中，约束条件如下：
其中，为图像特征集合中的特征分量到图像数据库中某幅图像特征 集合中特征分量的欧式距离；为集合中特征分量的权重值；为集合中特 征分量的权重值；是归一化因子；是特征分量和特征分量间的最优权重 系数。
步骤d的具体步骤如下：
根据步骤b得到的图像语义信息，用改进的EMD距离作为图像特征的相似性度量距离函数，将得到的相似性度量结果按照降序排列，得出检索结果。
实施例二
本实施例是一种基于图像信息提取与改进EMD距离的图像检索方法的实验实施例。
图2给出了基于传统EMD距离的图像检索、基于改进EMD距离的图像检索的查准率。
从图2中可以看出，前三种图像类别为人脸、天空和飞鸟，此类型都是背景简单的图像，两种方法的平均检索准确率之间相差不大；后三种图像类型为房屋、动物和自然风景，此类型都是背景复杂的图像，两种方法的平均检索准确之间相差较大，本发明方法的检索准确率远远大于传统EMD距离的检索准确率。
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。因此，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 (1)

1.一种基于图像信息提取与改进EMD距离的图像检索方法，其特征在于，包括以下步骤：
步骤a、对待检索图像以及图像库图像进行降维处理；
步骤b、网络结构设置并提取降维之后的图像语义信息；
步骤c、改进EMD距离；
步骤d、将改进的EMD距离用于图像相似性度量中；
步骤a的具体步骤如下：
步骤a1：得到标准化数据矩阵；
根据图像的数据，得到特征空间的标准化数据矩阵，
；
其中，是样本数，/>是得到的标准数据矩阵，/>是原始数据在特征空间H的像；
标准数据化矩阵的特征方程可表示为：；
其中，是标准数据化矩阵的特征值，/>是标准数据化矩阵的特征向量；
步骤a2：计算核矩阵；
将标准数据化矩阵获得的最大特征值所对应的特征向量/>生成特征空间中第一个主成分，得到特征向量/>，在标准数据化矩阵的两边同时点乘映射向量，进行内积运算，并得到核矩阵/>；
步骤a3：得到降维数据；
步骤b的具体步骤如下：
步骤b1：网络结构设置；
卷积神经网络主要由四层结构组成，一至三层为卷积神经网络的基本，每一层都由卷积层和池化层组成，最后一层为全连接层，选用softmax分类器；在该网络结构中，激活函数选择激活函数选择“Relu”，池化层选择最大池化；第一层到第三层卷积核的个数依次为10，60，100，全连接层神经单元个数设置为500；
步骤b2：提取降维之后的图像语义信息
将步骤a获得的降维之后的图像作为卷积神经网络的原始数据，输入的影像块大小为，第一层到第三层的卷积核大小依次设置为/>、/>、/>，池化尺寸都选择为，最后的输出层的个数为输入数据类别的个数，与训练样本中类别个数一致，最后得到图像的语义信息；
步骤c的具体步骤如下：
步骤c1：写出代价函数的方程形式：
；
其中，是代价函数，/>为设计参数阈值；x是代价函数中与参数阈值相比较的未知量；t是代价函数中变量参数的标识；
步骤c2：用改进的EMD距离代替传统EMD距离：
改进的陆地移动距离为：
；
其中，N为待检索图像特征中的最大值；
M为图像数据库中某幅图像特征的最大值；
H（X，Y）为待检索图像与图像数据库中某幅图像之间的改进的陆地移动距离；
X为待检索图像特征集合；
Y为图像数据库中某幅图像特征集合；
h（xi,yi）的含义是：为图像特征集合/>中的特征分量/>到图像数据库中某幅图像特征集合/>中特征分量/>的欧式距离；
其中，约束条件如下：
，
，
，
；
其中，为特征分量/>和特征分量/>间的最优权重系数；
为集合中/>特征分量/>的权重值；
为集合/>中特征分量/>的权重值；
步骤d的具体步骤如下：
根据步骤b得到的图像语义信息，用改进的EMD距离作为图像特征的相似性度量距离函数，将得到的相似性度量结果按照降序排列，得出检索结果；在步骤a3中，求解核矩阵的特征值和特征向量，/>的特征值满足/>，对应的特征向量为/>，当前个特征值累加和与特征值总和的比值大于阈值0.85时，即/>，完成原始图像的特征降维；
其中，为图像特征集合/>中的特征分量/>到图像数据库中某幅图像特征集合中特征分量/>的欧式距离；/>为集合中/>特征分量/>的权重值；/>为集合/>中特征分量/>的权重值；/>是归一化因子；/>是特征分量/>和特征分量/>间的最优权重系数。
CN202110069349.0A 2021-01-19 2021-01-19 一种基于图像信息提取与改进emd距离的图像检索方法 Active CN113239222B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110069349.0A CN113239222B (zh) 2021-01-19 2021-01-19 一种基于图像信息提取与改进emd距离的图像检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110069349.0A CN113239222B (zh) 2021-01-19 2021-01-19 一种基于图像信息提取与改进emd距离的图像检索方法

Publications (2)

Publication Number Publication Date
CN113239222A CN113239222A (zh) 2021-08-10
CN113239222B true CN113239222B (zh) 2023-10-31

Family

ID=77130042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110069349.0A Active CN113239222B (zh) 2021-01-19 2021-01-19 一种基于图像信息提取与改进emd距离的图像检索方法

Country Status (1)

Country Link
CN (1) CN113239222B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2561085A1 (en) * 2004-03-23 2005-10-06 British Telecommunications Public Limited Company Method and system for semantically segmenting scenes of a video sequence
CN101232571A (zh) * 2008-01-25 2008-07-30 北京中星微电子有限公司 一种人体图像匹配方法及视频分析检索系统
CN101286159A (zh) * 2008-06-05 2008-10-15 西北工业大学 一种基于emd的文档语义相似距离度量化方法
CN101727452A (zh) * 2008-10-22 2010-06-09 富士通株式会社 图像处理方法和设备
CN102663087A (zh) * 2012-04-09 2012-09-12 北京邮电大学 基于拓扑和视觉特征的三维模型检索方法
CN103049751A (zh) * 2013-01-24 2013-04-17 苏州大学 一种改进的加权区域匹配高空视频行人识别方法
CN104143077A (zh) * 2013-05-09 2014-11-12 深圳先进技术研究院 基于图像的行人目标检索方法和系统
CN104156952A (zh) * 2014-07-31 2014-11-19 中国科学院自动化研究所 一种抵抗形变的图像匹配方法
CN104679887A (zh) * 2015-03-17 2015-06-03 广西大学 基于emd距离的大规模图像数据相似性搜索方法
CN105608463A (zh) * 2015-12-14 2016-05-25 武汉大学 一种立体图像特征匹配方法
CN106250918A (zh) * 2016-07-26 2016-12-21 大连理工大学 一种基于改进的推土距离的混合高斯模型匹配方法
CN107623639A (zh) * 2017-09-08 2018-01-23 广西大学 基于emd距离的数据流分布式相似性连接方法
CN110991057A (zh) * 2019-12-08 2020-04-10 怀化学院 一种度量复杂系统动力学特征相似度的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7966327B2 (en) * 2004-11-08 2011-06-21 The Trustees Of Princeton University Similarity search system with compact data structures
US7602976B2 (en) * 2006-02-17 2009-10-13 Sony Corporation Compressible earth mover's distance
US7577684B2 (en) * 2006-04-04 2009-08-18 Sony Corporation Fast generalized 2-Dimensional heap for Hausdorff and earth mover's distance
US10452746B2 (en) * 2011-01-03 2019-10-22 The Board Of Trustees Of The Leland Stanford Junior University Quantitative comparison of sample populations using earth mover's distance

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2561085A1 (en) * 2004-03-23 2005-10-06 British Telecommunications Public Limited Company Method and system for semantically segmenting scenes of a video sequence
CN101232571A (zh) * 2008-01-25 2008-07-30 北京中星微电子有限公司 一种人体图像匹配方法及视频分析检索系统
CN101286159A (zh) * 2008-06-05 2008-10-15 西北工业大学 一种基于emd的文档语义相似距离度量化方法
CN101727452A (zh) * 2008-10-22 2010-06-09 富士通株式会社 图像处理方法和设备
CN102663087A (zh) * 2012-04-09 2012-09-12 北京邮电大学 基于拓扑和视觉特征的三维模型检索方法
CN103049751A (zh) * 2013-01-24 2013-04-17 苏州大学 一种改进的加权区域匹配高空视频行人识别方法
CN104143077A (zh) * 2013-05-09 2014-11-12 深圳先进技术研究院 基于图像的行人目标检索方法和系统
CN104156952A (zh) * 2014-07-31 2014-11-19 中国科学院自动化研究所 一种抵抗形变的图像匹配方法
CN104679887A (zh) * 2015-03-17 2015-06-03 广西大学 基于emd距离的大规模图像数据相似性搜索方法
CN105608463A (zh) * 2015-12-14 2016-05-25 武汉大学 一种立体图像特征匹配方法
CN106250918A (zh) * 2016-07-26 2016-12-21 大连理工大学 一种基于改进的推土距离的混合高斯模型匹配方法
CN107623639A (zh) * 2017-09-08 2018-01-23 广西大学 基于emd距离的数据流分布式相似性连接方法
CN110991057A (zh) * 2019-12-08 2020-04-10 怀化学院 一种度量复杂系统动力学特征相似度的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Review of Region-Based Image Retrieval;Wei Huang;《Journal of Signal Processing Systems 》;第59卷;143-161 *
基于场景语义的图像检索新方法;李大湘;《系统工程与电子技术》;第32卷(第5期);1060-1064 *

Also Published As

Publication number Publication date
CN113239222A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
Yang et al. Visual sentiment prediction based on automatic discovery of affective regions
CN111177446B (zh) 一种用于足迹图像检索的方法
US11429809B2 (en) Image processing method, image processing device, and storage medium
CN108846047A (zh) 一种基于卷积特征的图片检索方法及系统
CN112765352A (zh) 基于具有自注意力机制的图卷积神经网络文本分类方法
CN111339935B (zh) 一种基于可解释cnn图像分类模型的光学遥感图片分类方法
CN111782833B (zh) 基于多模型网络的细粒度跨媒体检索方法
CN108304573A (zh) 基于卷积神经网络和监督核哈希的目标检索方法
CN108228541A (zh) 生成文档摘要的方法和装置
CN115761757A (zh) 基于解耦特征引导的多模态文本页面分类方法
CN111444367A (zh) 一种基于全局与局部注意力机制的图像标题生成方法
CN111242033A (zh) 一种基于视频和文字对判别分析的视频特征学习方法
CN108427740A (zh) 一种基于深度度量学习的图像情感分类与检索算法
CN112800249A (zh) 基于生成对抗网络的细粒度跨媒体检索方法
CN114510594A (zh) 一种基于自注意力机制的传统纹样子图检索方法
CN110991554B (zh) 一种基于改进pca的深度网络图像分类方法
CN110442736B (zh) 一种基于二次判别分析的语义增强子空间跨媒体检索方法
Liu et al. LIRIS-Imagine at ImageCLEF 2011 Photo Annotation Task.
CN113239222B (zh) 一种基于图像信息提取与改进emd距离的图像检索方法
CN108416389B (zh) 基于降噪稀疏自动编码器和密度空间采样的图像分类方法
Zheng et al. Superpixel-based image recognition for food images
CN110930469A (zh) 一种基于过渡空间映射的文本生成图像方法和系统
CN110674293A (zh) 一种基于语义迁移的文本分类方法
Shimoda et al. A visual analysis on recognizability and discriminability of onomatopoeia words with DCNN features
CN114491103A (zh) 一种基于多标记深度关联分析的物联网跨媒体大数据检索方法

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