CN113592030B - 基于复值奇异谱分析的图像检索方法和系统 - Google Patents
基于复值奇异谱分析的图像检索方法和系统 Download PDFInfo
- Publication number
- CN113592030B CN113592030B CN202110944224.8A CN202110944224A CN113592030B CN 113592030 B CN113592030 B CN 113592030B CN 202110944224 A CN202110944224 A CN 202110944224A CN 113592030 B CN113592030 B CN 113592030B
- Authority
- CN
- China
- Prior art keywords
- matrix
- value
- complex
- time domain
- singular
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于复值奇异谱分析的图像检索方法和系统,属于图像检索技术领域。本发明使用人工特征的方法,避免了深度卷积神经网络需要大量数据和计算量大的问题,现有的人工特征使用整张图片的特征值来代表图片特征不够全面,本技术方案首先在预处理步骤提取图像边缘信息,通过图像中图案边缘形状可以有效的辨识和区分图像中的物体,高效的进行图片表示,并且边缘信息作为图像特征大大减少了所需的存储空间,节约检索过程的运算资源;本技术方案在检索过程中融合奇异值特征和直方图特征,同时,奇异值的特征具有旋转不变性和移动不变性,能够进一步提高检索的准确性和鲁棒性。
Description
技术领域
本发明涉及图像检索技术领域,更具体地,涉及基于复值奇异谱分析的图像检索方法。
背景技术
在大量的图像中搜索出与输入图像最相近的图片,时效性和准确率都是需要考虑的指标。如今的研究方向可以分为两类,一类是特征工程,一类是特征学习。特征工程主要指的是人工特征,即用一种特定的描述符来描述图像,如尺度不变特征变换(SIFT)、方向梯度直方图(HOG),特征学习主要指深度学习,如深度卷积神经网络(DCNN)。
深度卷积神经网络近年来在计算机视觉中引起了广泛的关注,因为其准确率表现优异,但是它非常依赖训练数据,当训练数据改变时,训练结果会变得很差;而且训练需要大量的数据量,如此大量的数据必定需要大量的计算资源和计算时间。
一种有效的基于算法的图像检索方法有基于DFT描述符的边缘表示方法,先使用DFT对图像边缘信息进行描述,因为它是一个旋转不变的描述符号,所以具有很强的鲁棒性。此外还有改进的DFT方法,即DFrFT,通过旋转时频面,可以得到基于不同旋转角度的不同变换,由于每个训练图像可以使用多个旋转角度,因此可用的训练图像总数相比于传统的DFT方法的字典构造大大简化。由于可以从不同的旋转频域获得更多的信息,因此可以获得更好的图像检索性能。但它仅在频域内进行描述。因此,用于执行图像检索的信息非常有限。
另一种有效的基于算法的图像检索方法是奇异值分解。如一种基于离散小波变换和奇异值分解的特征提取的图像检索算法,该方法利用奇异值分解法从区域划分模型中提取每个区域的特征。
公开号为CN105469074A,公开日:2016-04-06,一种基于奇异值分解的人脸识别算法,该算法提高了基于奇异值分解的人脸识别算法的泛用性,但是该方法是对整个图像做奇异值分析,仅提取的是图像的纹理特征,检索准确度较低。
发明内容
本发明为克服上述技术问题,提供一种计算资源开销较小,且检索准确度较高的基于复值奇异谱分析的图像检索方法。
本发明技术方案如下:
基于复值奇异谱分析的图像检索方法,包括步骤:
S3:使用分类器对奇异值特征向量f1和直方图特征向量f2进行模型训练,得到初步分类模型,调节分类器参数得到最优分类模型;
S4:使用最优分类模型对输入的图片进行分类,得到该图片的分类结果,并通过计算两张图片的欧氏距离来找出最相近的图片,运用公式:D(q,d)=||fq-fd||2,其中fq是要搜索的图片的特征向量,fd是这一类别数据集的其中一张图片的特征向量。设置距离D的范围,在这个小范围内的图片则是与搜索图片最相近图片。
本技术方案使用人工特征的方法,避免了深度卷积神经网络需要大量数据和计算量大的问题,现有的人工特征使用整张图片的特征值来代表图片特征不够全面,本技术方案首先在预处理步骤提取图像边缘信息,通过图像中图案边缘形状可以有效的辨识和区分图像中的物体,高效的进行图片表示,并且边缘信息作为图像特征大大减少了所需的存储空间,节约检索过程的运算资源;本技术方案在检索过程中融合奇异值特征和直方图特征,同时,奇异值的特征具有旋转不变性和移动不变性,能够进一步提高检索的准确性和鲁棒性。
进一步地,步骤S1所述预处理包括步骤:
S11:对图像进行灰度转化,得到灰度图;
S12:对灰度图提取图像边缘信息,得到边缘信息图;
S13:获取边缘信息图中边缘点的笛卡尔坐标x值和y值,将所有边缘点排列成时域序列xq和yq;
上述技术方案,对训练样本进行预处理,目的是使所有图片转换成统一的形式,避免因形式不同造成差异影响分类效果。
进一步地,步骤S14所述归一化处理包括主体位置归一化、像素点个数归一化、大小归一化,具体地,所述归一化处理方法为:
式中F(u)是第u个余弦变换的系数,u是广义频率变量,u=1,2,3…,N-1,f(x)是时域N点序列,x=0,1,…,N-1;由此将信号从时域转换到频域上,为了使所有边缘信息图中的边缘像素点数量相同,在得到的频域末尾补上零,使得总像素点数量为第一常数值;然后利用以下公式进行反离散余弦变换:再将信号从频域变回时域,得到像素点归一化后的时域序列/>和/>
S143:进行大小归一化,分别对时域序列和/>的每个点除以列向量/>和列向量的二范数,使用公式:/>其中/> 是每个像素点的坐标的相对比例值,xi和yi分别表示第i个像素点的x轴和y轴坐标值,再乘以第二常数值,得到归一化时域序列/>和/>
S22:对时域序列xc按照固定长度进行截取,构建轨迹矩阵X;
S23:利用轨迹矩阵X和奇异值分解计算得出奇异值,并构造初等矩阵Xi;
S24:将轨迹矩阵X表示为矩阵分量Xk相加的形式;
S25:将复值的二维矩阵分量Xk重构回一维的复值序列;
S26:特征提取,利用步骤S23所述的奇异值构建奇异值特征向量f1;利用步骤S25所述复值序列构建直方图特征向量f2。
进一步地,步骤S22所述构建轨迹矩阵X的步骤包括:
S221:构建长度为L的滑动窗口,范围限定为2<L<N-1,N是时域序列长度,Xw=(xi,…,xi+L-1)T(1≤i≤K),其中K=N-L+1;
轨迹矩阵X的每一列都是通过长度为L的滑动窗口对原时间序列进行截取的部分序列片段,矩阵X的副对角元素都相等,轨迹矩阵X是一个复值的汉克尔矩阵。
进一步地,步骤S23所述构造初等矩阵Xi的步骤包括:
S231:构造矩阵S=XXT,其中XT是轨迹矩阵X的转置矩阵;
S232:对矩阵S进行特征值分解,则矩阵S可以表示为以下形式:S=XXT=UΛUT,其中U是由S的特征向量组成的酉矩阵,同时也是矩阵X的左酉矩阵,Λ是一个对角阵,对角线上的元素是S的特征向量对应的特征值,并对得到特征值进行降序排列得到λi(i=1,…,d;d=min{L,K}),同时得到矩阵X的右酉矩阵V的行向量是矩阵X的奇异值,Ui是矩阵X的左酉矩阵U的列向量;
进一步地,步骤S24所述将轨迹矩阵X表示为矩阵分量Xk相加的形式的步骤包括:
S241:将轨迹矩阵X表示为L个矩阵分量Xk;
S242:对以上得到的L个矩阵分量Xk进行分组整合,把集合{1,2....,L}分为M个子集合,并将其称为{1},..,{M}。
进一步地,步骤S25所述重构回一维的复值序列的方法为:
通过对角平均对矩阵分量Xk进行反汉克尔化操作,进行信号重构;
重构的计算公式为:
由此就将复值的二维矩阵分量Xk重构回一维的复值序列。
进一步地,步骤S26所述特征提取包括步骤:
S261:利用步骤S23得到降序排列的奇异值所有的奇异值/>组成奇异值向量/>然后对奇异值/>进行归一化,使用公式:/>新的/>组成归一化后的奇异值向量/>为了使奇异值的元素变化趋势更明显,本文还对每个奇异值使用如下公式操作:所有的f1,i组成奇异值特征向量f1;
S262:利用步骤S25的重构方法,选取矩阵分量Xk中的第二个分量进行重构得到一个一维的第二分量复值时间序列,将实部的数值设为所述第二分量复值时间序列x轴的值,虚部的数值设为第二分量复值时间序列y轴的值,从而得到多个点的二维分布;然后使用双变量直方图来统计这些点的分布情况,x轴每个bin的长度设为0.04,y轴每个bin的长度设为0.04,可得上述所有点都落在一个十字交叉的三维直方图中,提取出这两条线上的点数分布个数,然后将这两条线上的分布横向拼接起来作为直方图特征向量f2。
基于复值奇异谱分析的图像检索系统,所述系统包括:预处理模块、特征提取模块、模型训练模块、图像分类模块;
所述预处理模块对所有训练样本图像进行预处理,得到归一化的时域序列和所述特征提取模块对时域序列/>和/>进行特征提取,得到奇异值特征向量f1和直方图特征向量f2;所述模型训练模块使用分类器对奇异值特征向量f1和直方图特征向量f2进行模型训练,得到初步分类模型,然后模型训练模块调节分类器参数得到最优分类模型;所述图像分类模块使用最优分类模型对输入的图片进行分类,得到该图片的分类结果,并检索出与之相近的图片。
与现有技术相比,本发明技术方案的有益效果是:本发明使用人工特征的方法,避免了深度卷积神经网络需要大量数据和计算量大的问题,现有的人工特征使用整张图片的特征值来代表图片特征不够全面,本技术方案首先在预处理步骤提取图像边缘信息,通过图像中图案边缘形状可以有效的辨识和区分图像中的物体,高效的进行图片表示,并且边缘信息作为图像特征大大减少了所需的存储空间,节约检索过程的运算资源;本技术方案在检索过程中融合奇异值特征和直方图特征,同时,奇异值的特征具有旋转不变性和移动不变性,能够进一步提高检索的准确性和鲁棒性。
附图说明
图1为基于复值奇异谱分析的图像检索方法的流程图;
图2为基于复值奇异谱分析的图像检索系统架构图。
具体实施方式
为清楚地说明本发明基于复值奇异谱分析的图像检索方法,结合实例和附图对本发明作进一步说明,但不应以此限制本发明的保护范围。
实施例1
基于复值奇异谱分析的图像检索方法,如图1所示,所述方法包括以下步骤:
S3:使用分类器对奇异值特征向量f1和直方图特征向量f2进行模型训练,得到初步分类模型,调节分类器参数得到最优分类模型;
S4:使用最优分类模型对输入的图片进行分类,得到该图片的分类结果,并通过计算两张图片的欧氏距离来找出最相近的图片,运用公式:D(q,d)=||fq-fd||2,其中fq是要搜索的图片的特征向量,fd是这一类别数据集的其中一张图片的特征向量。设置距离D的范围,在这个小范围内的图片则是与搜索图片最相近图片。
本技术方案使用人工特征的方法,避免了深度卷积神经网络需要大量数据和计算量大的问题,现有的人工特征使用整张图片的特征值来代表图片特征不够全面,本技术方案首先在预处理步骤提取图像边缘信息,通过图像中图案边缘形状可以有效的辨识和区分图像中的物体,高效的进行图片表示,并且边缘信息作为图像特征大大减少了所需的存储空间,节约检索过程的运算资源;本技术方案在检索过程中融合奇异值特征和直方图特征,同时,奇异值的特征具有旋转不变性和移动不变性,能够进一步提高检索的准确性和鲁棒性。
实施例2
基于复值奇异谱分析的图像检索方法流程图如图1所示,包括以下步骤:
S11:对图像进行灰度转化,得到灰度图;
S12:对灰度图提取图像边缘信息,得到边缘信息图;本实施例采用Sobel边缘检测算法提取图像边缘信息。
S13:获取边缘信息图中边缘点的笛卡尔坐标x值和y值,将所有边缘点排列成时域序列xq和yq;具体方法是:
先找到x轴和y轴坐标值均最小的像素点作为初始点,然后向周围搜索距离最近的点,使用二范数来计算距离,使用公式为:其中x0和y0上一个点的坐标,x和y是剩余点的坐标,通过计算查找出d最小时的x和y坐标,又将该x和y坐标作为新的初始点,向周围搜索距离最近的点,以此类推,将所有边缘点排列成两个时域序列xq和yq。
式中F(u)是第u个余弦变换的系数,u是广义频率变量,u=1,2,3…,N-1,f(x)是时域N点序列,x=0,1,…,N-1;由此将信号从时域转换到频域上,为了使所有边缘信息图中的边缘像素点数量相同,在得到的频域末尾补上零,使得总像素点数量为第一常数值;然后利用以下公式进行反离散余弦变换:再将信号从频域变回时域,得到像素点归一化后的时域序列/>和/>本实施例中,所述第一常数值为1080;
S143:进行大小归一化,分别对时域序列和/>的每个点除以列向量/>和列向量的二范数,使用公式:/>其中/>是每个像素点的坐标的相对比例值,xi和yi分别表示第i个像素点的x轴和y轴坐标值,再乘以第二常数值,得到归一化时域序列/>和/>本实施例中,所述第二常数值为1000;
S22:对时域序列xc按照固定长度进行截取,构建轨迹矩阵X;具体为:
S221:构建长度为L的滑动窗口,范围限定为2<L<N-1,N是时域序列长度,Xw=(xi,…,xi+L-1)T(1≤i≤K),其中K=N-L+1;
轨迹矩阵X的每一列都是通过长度为L的滑动窗口对原时间序列进行截取的部分序列片段,矩阵X的副对角元素都相等,轨迹矩阵X是一个复值的汉克尔矩阵;
S23:利用轨迹矩阵X和奇异值分解计算得出奇异值,并构造初等矩阵Xi;具体为:
S231:构造矩阵S=XXT,其中XT是轨迹矩阵X的转置矩阵;
S232:对矩阵S进行特征值分解,则矩阵S可以表示为以下形式:S=XXT=UΛUT,其中U是由S的特征向量组成的酉矩阵,同时也是矩阵X的左酉矩阵,Λ是一个对角阵,对角线上的元素是S的特征向量对应的特征值,并对得到特征值进行降序排列得到λi(i=1,…,d;d=min{L,K}),同时得到矩阵X的右酉矩阵V的行向量是矩阵X的奇异值,Ui是矩阵X的左酉矩阵U的列向量;
S24:将轨迹矩阵X表示为矩阵分量Xk相加的形式;具体为:
S241:将轨迹矩阵X表示为L个矩阵分量Xk;
S242:对以上得到的L个矩阵分量Xk进行分组整合,本实施例的分组数目和分组原则为:分为L组,每组为一个矩阵分量。分组后的每个矩阵分量记为Xk,把集合{1,2....,L}分为M个子集合,并将其称为{1},..,{M}。
S25:将复值的二维矩阵分量Xk重构回一维的复值序列;具体为:
通过对角平均对矩阵分量Xk进行反汉克尔化操作,进行信号重构;
重构的计算公式为:
由此就将复值的二维矩阵分量Xk重构回一维的复值序列。
S26:特征提取,利用步骤S23所述的奇异值构建奇异值特征向量f1;利用步骤S25所述复值序列构建直方图特征向量f2;具体为:
S261:利用步骤S23得到降序排列的奇异值所有的奇异值/>组成奇异值向量/>然后对奇异值/>进行归一化,使用公式:/>新的/>组成归一化后的奇异值向量/>为了使奇异值的元素变化趋势更明显,本文还对每个奇异值使用如下公式操作:所有的f1,i组成奇异值特征向量f1;
S262:利用步骤S25的重构方法,选取矩阵分量Xk中的第二个分量进行重构得到一个一维的第二分量复值时间序列,将实部的数值设为所述第二分量复值时间序列x轴的值,虚部的数值设为第二分量复值时间序列y轴的值,从而得到多个点的二维分布;然后使用双变量直方图来统计这些点的分布情况,x轴每个bin的长度设为0.04,y轴每个bin的长度设为0.04,可得上述所有点都落在一个十字交叉的三维直方图中,提取出这两条线上的点数分布个数,然后将这两条线上的分布横向拼接起来作为直方图特征向量f2,本实施例中,在得到奇异值特征向量f1和直方图特征向量f2后进行特征融合,融合方式为将奇异值特征向量f1和直方图特征向量f2按顺序拼接起来得到汇总特征值f。
S3:使用支持向量机分类器对奇异值特征向量f1和直方图特征向量f2进行模型训练,得到初步分类模型,调节分类器参数得到最优分类模型;本实施例中,调节分类器参数的方法为十次交叉验证;
S4:将待查询图片输入最优分类模型,得到分类结果;
本实施例中,最优分类模型首先对待查询图片进行分类,得到该图片所属的类别;进一步在这个类别中进行检索,通过计算两张图片的距离来找出最相近的图片,运用公式:
D(q,d)=||fq-fd||2
其中fq是要搜索的图片的特征向量,fd是这一类别中数据集的特征向量。
设置距离D的范围,在这个小范围内的图片则是与搜索图片最相近图片。
实施例3
基于复值奇异谱分析的图像检索系统,系统架构图如图2所示,所述系统包括:预处理模块、特征提取模块、模型训练模块、图像分类模块;
Claims (9)
1.基于复值奇异谱分析的图像检索方法,其特征在于,所述方法包括以下步骤:
S22:对时域序列xc按照固定长度进行截取,构建轨迹矩阵X;
S23:利用轨迹矩阵X和奇异值分解计算得出奇异值,并构造初等矩阵Xi;
S24:将轨迹矩阵X表示为矩阵分量Xk相加的形式;
S25:将复值的二维矩阵分量Xk重构回一维的复值序列;
S26:特征提取,利用步骤S23所述的奇异值构建奇异值特征向量f1;利用步骤S25所述复值序列构建直方图特征向量f2;
S3:使用分类器对奇异值特征向量f1和直方图特征向量f2进行模型训练,得到初步分类模型,调节分类器参数得到最优分类模型;
S4:使用最优分类模型对输入的图片进行分类,得到该图片的分类结果,并通过计算两张图片的欧氏距离确定相似图片,设置距离D的范围,运用公式:D(q,d)=||fq-fd||2,其中fq是要搜索的图片的特征向量,fd是这一类别数据集的其中一张图片的特征向量。
3.根据权利要求2所述的基于复值奇异谱分析的图像检索方法,其特征在于,步骤S14所述归一化处理包括主体位置归一化、像素点个数归一化、大小归一化,具体地,所述归一化处理方法为:
式中F(u)是第u个余弦变换的系数,u是广义频率变量,u=1,2,3…,N-1,f(x)是时域N点序列,x=0,1,…,N-1;由此将信号从时域转换到频域上,为了使所有边缘信息图中的边缘像素点数量相同,在得到的频域末尾补上零,使得总像素点数量为第一常数值;然后利用以下公式进行反离散余弦变换:再将信号从频域变回时域,得到像素点归一化后的时域序列/>和/>
5.根据权利要求4所述的基于复值奇异谱分析的图像检索方法,其特征在于,步骤S23所述构造初等矩阵Xi的步骤包括:
S231:构造矩阵S=XXT,其中XT是轨迹矩阵X的转置矩阵;
S232:对矩阵S进行特征值分解,则矩阵S表示为以下形式:S=XXT=UΛUT,其中U是由S的特征向量组成的酉矩阵,同时也是矩阵X的左酉矩阵,Λ是一个对角阵,对角线上的元素是S的特征向量对应的特征值,并对得到特征值进行降序排列得到λi(i=1,…,d;d=min{L,K}),同时得到矩阵X的右酉矩阵V的行向量是矩阵X的奇异值,Ui是矩阵X的左酉矩阵U的列向量;
6.根据权利要求5所述的基于复值奇异谱分析的图像检索方法,其特征在于,步骤S24所述将轨迹矩阵X表示为矩阵分量Xk相加的形式的步骤包括:
S241:将轨迹矩阵X表示为L个矩阵分量Xk;
S242:对以上得到的L个矩阵分量Xk进行分组整合,把集合{1,2....,L}分为M个子集合,并将其称为{1},..,{M}。
8.根据权利要求7所述的基于复值奇异谱分析的图像检索方法,其特征在于,步骤S26所述特征提取包括步骤:
S261:利用步骤S23得到降序排列的奇异值所有的奇异值/>组成奇异值向量/>然后对奇异值/>进行归一化,使用公式:/>新的/>组成归一化后的奇异值向量λ,为了使奇异值的元素变化趋势更明显,本文还对每个奇异值使用如下公式操作:所有的f1,i组成奇异值特征向量f1;
S262:利用步骤S25的重构方法,选取矩阵分量Xk中的第二个分量进行重构得到一个一维的第二分量复值时间序列,将实部的数值设为所述第二分量复值时间序列x轴的值,虚部的数值设为第二分量复值时间序列y轴的值,从而得到多个点的二维分布;然后使用双变量直方图来统计这些点的分布情况,x轴每个bin的长度设为0.04,y轴每个bin的长度设为0.04,可得上述所有点都落在一个十字交叉的三维直方图中,提取出这两条线上的点数分布个数,然后将这两条线上的分布横向拼接起来作为直方图特征向量f2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110944224.8A CN113592030B (zh) | 2021-08-17 | 2021-08-17 | 基于复值奇异谱分析的图像检索方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110944224.8A CN113592030B (zh) | 2021-08-17 | 2021-08-17 | 基于复值奇异谱分析的图像检索方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592030A CN113592030A (zh) | 2021-11-02 |
CN113592030B true CN113592030B (zh) | 2023-06-20 |
Family
ID=78258319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110944224.8A Active CN113592030B (zh) | 2021-08-17 | 2021-08-17 | 基于复值奇异谱分析的图像检索方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592030B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546323B (zh) * | 2022-08-31 | 2023-06-09 | 广东工业大学 | 一种基于球坐标主成分分析的图像压缩重构方法 |
CN117290640B (zh) * | 2023-11-27 | 2024-01-26 | 天津领语未来智能科技有限公司 | 用于非线性信号处理的奇异谱谐波分解方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271874A (zh) * | 2018-08-23 | 2019-01-25 | 广东工业大学 | 一种融合空间和光谱信息的高光谱图像特征提取方法 |
CN111310711A (zh) * | 2020-03-03 | 2020-06-19 | 广东工业大学 | 基于二维奇异谱分析融合emd的人脸图像识别方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI394086B (zh) * | 2008-04-18 | 2013-04-21 | Everspeed Technology Ltd | An Analytical Method of Digital Data and Its Application |
US8117183B2 (en) * | 2008-05-28 | 2012-02-14 | Xerox Corporation | Accurate content-based indexing and retrieval system |
-
2021
- 2021-08-17 CN CN202110944224.8A patent/CN113592030B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271874A (zh) * | 2018-08-23 | 2019-01-25 | 广东工业大学 | 一种融合空间和光谱信息的高光谱图像特征提取方法 |
CN111310711A (zh) * | 2020-03-03 | 2020-06-19 | 广东工业大学 | 基于二维奇异谱分析融合emd的人脸图像识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于张量分解融合RGB-D图像的物体识别;余霆嵩 等;《计算机工程与应用》;第55卷(第2期);第174-178 * |
Also Published As
Publication number | Publication date |
---|---|
CN113592030A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Emeršič et al. | Evaluation and analysis of ear recognition models: performance, complexity and resource requirements | |
Ali et al. | A hybrid geometric spatial image representation for scene classification | |
CN111738143B (zh) | 一种基于期望最大化的行人重识别方法 | |
Nanni et al. | Bioimage classification with handcrafted and learned features | |
CN113592030B (zh) | 基于复值奇异谱分析的图像检索方法和系统 | |
CN105608478B (zh) | 一种图像的特征提取与分类联合方法及系统 | |
Cai et al. | Superpixel contracted neighborhood contrastive subspace clustering network for hyperspectral images | |
CN111753119A (zh) | 一种图像搜索方法、装置、电子设备及存储介质 | |
Luevano et al. | A study on the performance of unconstrained very low resolution face recognition: Analyzing current trends and new research directions | |
Das et al. | Hybrid descriptor definition for content based image classification using fusion of handcrafted features to convolutional neural network features | |
Pandey et al. | ASRA: Automatic singular value decomposition-based robust fingerprint image alignment | |
Khalaf et al. | Robust partitioning and indexing for iris biometric database based on local features | |
CN108388869B (zh) | 一种基于多重流形的手写数据分类方法及系统 | |
Mehraj et al. | Human recognition using ear based deep learning features | |
Zhang et al. | Robust ear recognition via nonnegative sparse representation of Gabor orientation information | |
CN111582142B (zh) | 一种影像匹配方法及装置 | |
CN112001231A (zh) | 加权多任务稀疏表示的三维人脸识别方法、系统及介质 | |
CN111488811A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
Mohan et al. | Fast and accurate content based image classification and retrieval using Gaussian Hermite moments applied to COIL 20 and COIL 100 | |
Li et al. | POLSAR Target Recognition Using a Feature Fusion Framework Based on Monogenic Signal and Complex-Valued Nonlocal Network | |
Hussain et al. | Gender recognition from face images with dyadic wavelet transform and local binary pattern | |
Vieira et al. | Improving the classification of rotated images by adding the signal and magnitude information to a local texture descriptor | |
Jammula | Content based image retrieval system using integrated ML and DL-CNN | |
Lee et al. | Performance enhancement of the branch length similarity entropy descriptor for shape recognition by introducing critical points | |
Lin et al. | Bayesian information criterion based feature filtering for the fusion of multiple features in high-spatial-resolution satellite scene 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 |