TW200818058A - Content based image retrieval - Google Patents

Content based image retrieval Download PDF

Info

Publication number
TW200818058A
TW200818058A TW096119050A TW96119050A TW200818058A TW 200818058 A TW200818058 A TW 200818058A TW 096119050 A TW096119050 A TW 096119050A TW 96119050 A TW96119050 A TW 96119050A TW 200818058 A TW200818058 A TW 200818058A
Authority
TW
Taiwan
Prior art keywords
image
images
australia
query
feature
Prior art date
Application number
TW096119050A
Other languages
English (en)
Inventor
Philip Ogunbona
Lei Ye
Original Assignee
Univ Wollongong
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
Priority claimed from AU2006902880A external-priority patent/AU2006902880A0/en
Application filed by Univ Wollongong filed Critical Univ Wollongong
Publication of TW200818058A publication Critical patent/TW200818058A/zh

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)

Description

200818058 九、發明說明: 【發明所屬之技術領域】 本發明有關一種影像檢索之搜尋工具,尤其有關一種以 影像内容為根據之影像檢索方法。 【先前技術】 資訊時代面臨的最大挑戰之一即是從可以存取的巨量 資訊中,尤其是經由全球資訊網,識別所需的資訊。現今已 發展與運用了為數眾多以本文為根據的搜尋引擎。其中最廣 為人知的大眾化搜尋引擎,是使用關鍵字搜尋以檢索全球資 訊網的網頁。這些引擎包括(^00§1#與Yah〇〇®。 雖然說一幅畫勝過千言萬語,但是影像檢索科技的發展 程度卻不及根據本文的檢索科技。要從大批收集的影像中檢 索某些影像,迄今仍是一項重大的難題。使用者透過瀏覽從 大量縮圖資料選取所要的影像,已不再符合實用的原則。例 如,就在撰寫本篇文字之時,想要搜尋“雪梨歌劇院” (Sydney Opera House)這麼簡單的東西,結果卻要在 Google®的圖片搜尋中點擊26000次。 對於要從大量影像資料中檢索某一特定的影像,現有的 解決辦法涉及二個相關的問題:第一,所有影像必須以某種 方式編入索引(編索);第二,必須建構查詢(query ”第 二’查询結果必須以相關的方法呈現。過去,影像經過編索 200818058 後’可使用關鍵字搜尋,搜尋結果則使用某種相關度度量的 形式呈現。此種途徑充滿困難,因為關鍵字的配置通常需要 人類給予標簽,這是-個費時的處理,而且許多影像可以用 多個關鍵字描述。 另一種途徑是使用語意學分類法,例如Wang等人在 2001 年 9 月之 IEEE Transactions on Pattern Analysis and
Machine Intelligence期刊23卷第g期刊載之論文 SIMPLIcity: Semantics-Sensitive Integrated Matching f〇r Picture Libraries” (簡易性:圖庫之語意 學敏感性整體匹配)中曾有說明。此篇論文說明 一種以區域 為根據的檢索系統,其中使用顏色、紋理、形狀及位置來表 示區域的特徵。此系統將影像分類成多個語意類別,諸如有 紋理一無紋理、圖表一照片等。然後根據一個整合了各影像 中所有區域之特性的區域匹配表,建構一種相似度度量,用 以檢索影像。Wang等人之論文亦包括一份頗有助益的概要, 說明已往以内容為根據的影像檢索技術。
Jacobs 等人之論文 “Fast Mutliresolution Image Query i ng”(快速多重析像影像查詢)(刊載於proceed丨ngs of SIGGRAPH 95, In Computer Graphics Proceedings, Annual Conference Series, 1995, ACM SIGGRAPH,New York, 1995)中說明另一種預處理途徑。在此途徑中,使用小波分 6 200818058 解(wavelet decomposition)替一資料庫中的每一影像建 構多個特徵標記(signature)。使用相同的程序取得一查詢 • 影像之特徵標記。然後使用查詢特徵標記存取該影像資料廑 的各個特徵標記及-個用以選擇具有類似特徵標記之圖像 的度量。此種途徑的問題在於必須預處理所有可搜尋的影 像,以便導出特徵標記。
Iqbal與Aggarwal在2003年9月24-26日於佛羅里達 η 邁亞密舉行的第六屆國際視覺資訊系統大會中發表論文 “Feature Integration, Multi-image Queries and
Relevance Feedback in Image Retrieval” (像檢索中的 特徵整合、多重影像查詢及相關度回授),其中調查與研究 了特徵整合對檢索精確度之影響。他們從一個包括1〇221個 影像的資料庫中的影像提取出結構、顏色及紋理上的特徵。 … 然後分別使用純結構、純顏色、純紋理、顏色加紋理、及结 ❹ 構加顏色與紋理五種標準量測檢索效能。關於影像檢索,他 們使用德州Austin大學發展的CIRES (Content-based Image REtrieval System—根據内容的影像檢索系統)。或 許並不令人f牙異,他們發現使用結構加顏色與紋理的標準 時,影像檢索最有效。他們也發現,使用多重查詢影像可產 生較有效的影像查詢。 此外,Iqbal與Aggarwal也調查研究了透過相關度回 200818058 授的使用者簡所具有的效益。減度回授允許使用者在初 始查相錄料,從大批影像指ώ較的、否定的、及不 、像查"旬可依照使用者回授加以修改並重新執行。 目授使影像檢索錢著的改善。 雖然近來有關影像檢索的先前技術偏向從全球資訊網 檢索影像的問題,但是專精此類技術之人士可以理解,這個 門題並非與貞料倉儲(datastQre)的性質相依。相同的先 月j技術係與k個人電腦上的區域影像倉儲選取影像相關。 【發明内容】 本I明之目的在於提供一種以内容為根據的影像搜尋 方法。 本發明其他目的可峨町制而趨於明顯。 廣義而5 ’本發财關—種從—組影像巾提取若干影 的方法,其包括以下步驟: •從-或多個選取的影像提取—組特徵,用以建構一查詢 内之特特徵與該組影像 建構一相異度度量,作為查詢集 特徵間的距離加權求和,·及 顯示具有最低相異度度量之影像。 不 較佳是’該加權求和使用從該查m導出的加權值 本發明最料-步包細下步驟:__影像之顯 200818058 順序。影像可從最低相異度依升序排序,漸增相 亦可採用其他财方法,例如錢从、年齡、槽名等: 【實施方式】 乂下口兒明本發明$同具體實施例時,相同特徵均丘 同的參考標號說明。 本發明方法之目標是根據影像之特徵内容與使用者之 查詢概念來齡影像。使用者之錢概念是從使用者供應的 或選取的影像細自料㈣。為達献目標,本發明使用 一種創新的方法提取多個影像視覺特徵的感知重要性,並使 用-種高計算效率加權線性相異度度量輸缝速且精確的 檢索結果。 在各種多重影像查詢系統中,查詢是指—組範例影像 工ql,Iq2f,¾}。這組範例影像之數目沒有限制,包 括:個。先前技術中有許多是根據單—查詢影像建構查二 但是本發明之較佳途徑可允許錢者提供至少二個,最好三 個影像。使用者供應的影像可以直接從—㈣庫選取,或者 可以經由習崎像搜尋確認之,諸如個前述的㈣1 片。 ° /以下列說明而言,目標影像集(有時稱為影像資料庫) 係定義為T=Um:㈣,2,...,Μ}。查詢標準細查詢集轉 目標影像集内某一影像马間的相似度量測s①,乃)表示 200818058 之。查询系統⑽,s,巧是查詢集Q對目標影像集了之一 排列rp根據相似度Jj;的映射,其中, W=1,2…叫是-局部有序集,因而使⑽ >W。原則上’各種排列是整個資料庫的排列,·實 際上’僅對最高等級的輪岐像給予評估。 第1圖概述本發明以内容細細影像檢索方法。以下 將更詳盡職本綠。本方法從查i )開始。特徵提 取程序⑵巾’使用-種特徵描寫工具組(3)提取一組 特徵;特徵描寫工具組(3)可為各種周邊廠崎徵描寫工 具中的任-種’包括以上提過的㈣工具。域從提取的特 徵形成一查詢(4)。 。人可以將查询想成一種理想化的影像’建構此種影像 的目的是為了代表查詢㈣的各影像。 本發明的主要層面之-是相異度度量(5)的計算,將 此度量應期目標影像集⑹,用以識職形成查詢之該 組特徵具有_性的影像。紐進行這蝴_果等級排 列(7 ) ’並呈現結果影像給使用者(8 )。 特徵接取 旦/寺徵提取程序將查詢建立在影像的低階結構描述上。— 象標的了可用一 έ牲 、、且特徵4: ,2,…,叭來描述。备 特徵用一 曰 、、择没向1 XpUl,X2,".,Xkn}來表示,其 200818058 71個特徵提取是從影 中 X~ieL〇,4,」(1;只,只是實數。第 像1對特徵向量的映射,表示如下:
Kn^fn(I) 本發明並不限定提取任何特別的特徵組。各種視1 覺特 徵,諸如顏色、紋理或臉部特點,均可使用。周邊麵的視 覺特徵提取工具可以插入本系統。
例如,目前普遍使用的贿_7視覺工具即可適合使 用’ MPEG-7顏色配置描述器(c〇1〇r㈣她如%咖恤, CLD)疋-種非常小敎崎度不賴顏色表現工具,適於 局速影像檢索。它只使用8x8 DCT (離散餘弦轉換)的12 個係數描述來自三組的内容(亮度用六個,每一色度用三 個)’表示如下: X’ …,…,Y6i Cbl,Cb2, cb3, Cri, Cr2,㈤(2) G 7邊緣直方圖描述器(EdgeHiSf〇gramDescript〇r, EHD)使用80個直方圖二進位(bins)描述來自16個次影 像的内容’表示如下: X刪二(hlfh2r···,、) ⑶ 雖;」MPEG 7工具組極為有用,但本發明並不限於使用 此組特徵提取q。從先·術可以 顯然看出,有多種特徵 提取工具都可根據諸如顏色、色調、亮度、結構、紋理、位 置等特徵描述影像的特徵。 11 200818058 如上所述,本發明可應用於—組臉部特徵,以便從-臉 Γ轉庫識鄕—種臉部。特徵提取程序可以提取臉部特 Γ諸如兩目_距離、兩眼的顏色、鼻子的寬度、嘴巴的 大小等等。
_吏2的查_念是収用者選取的範娜像暗 2徵域模組產生-個從範例影料出的虛《询影像特 形成—影像的多個特徵,其融合可表示如下: ㊉...·㊉之) 對於—組查詢影像而言,其特徵的融合為: 丨=(乂㊉X2㊉….㊉,) ^特徵形成係暗示—理想化的影像,它是转η鱼咖 特徵提取步驟^— 〜像匕疋特徵集内用於 個特η 中的母—特徵經過加權建構而成的 加權值是: 寸程文X/的力口避^In · (4) (5) 應用於第 (6) 的加權總和: ^ΛΑίΐ (7) 特徵度 量空間^是一個心-維度向量空間#有邊界的 200818058 封閉凸子集。鼠,_向量料均輯區岐 -個特徵向量。這是__查_物法的二二 =平均賊向量可能無法理想代表其他顧向量。例如,= 色次」可能無法理想代表顏色「白」與顏色「黑」。^ 若是多重影像查詢的情況,則測量查影像集
Iql,Iq2'……,Ig〇}與一影像Γ#Γ之間的距離,如下所干. •Μ(“,_···,认) — (8) 本發明使肋多個_舰距離加權杯表示的 數,如下所示: 幽 Μ (9) 此方程式計算的量測是查詢與被查鱗徵^ 的距離度量d之加權求和。 曰 加權值%是使用方程式⑹根據查詢集而更新的。例如, 使用者可能想栽咖色鮮糾汽車影像。舰上以本 據的搜尋細綠卜因知「汽車」為錢,將會檢索所有乂 任何顏色的汽車,而以「鮮盤汽車」為查詢,則只會檢索*用 廷些字組說明的影像,而這樣是不可能成功的。然而,以曰「气 ^進行的初财域尋會财—大串不_型與顏色的汽 車。當使用者選擇-個含多數鮮懿影像的查詢集時,查詢特徵 形成給予亮度特徵_重值會A於給州如顏色或紋理的權 重值。另-方面,若使用者要朗是藍色的汽車,職僅從藍 13 200818058 色π車&擇查5轉。查鱗徵形成對特徵腕及對藍色色調給 予的權重齡大於給予亮度級理_重值。 在每N況中’相異度計算決定一相似度值,使用者選取 的查為木特徵中即以之為基礎;並不需要要求制者定義一組 要搜尋的蚊特徵。耻可以轉,這是—種比先前技術中所 使用的途徑更屬直覺的影像搜尋途徑。 結果等級排列 <職鱗鄉賴棘的影像,可雜錢地根據相關 又’、’及排赚顯不。魏種方法可以將輸丨的影像分等級排 ^而本㈣並不限於任何特定的處理方法。其卜種頗為方 二使用以上說明過的相異度量測。亦即,相異度最低 的影像最先齡,隨後顯示相異度較高的影 個/ 了某—影像數目為止。通常,或許會顯示二十 個相異度最低的影像。
:查,像集與資料庫内一嗎像間的距離定義如 ,沒疋通常在度量空間時定義距離的方式。 4Q^y)=min{d(Xg^.)j 用方程式(10)所定義的量測,其 (〇) 影像會類純觸像之_,這是檢t ^等級的 原型杳_情、射向度職的;而在 加h况中,㈣雜的影像會類似—具 聲這個繼_她猶軸像。崎大= 14 200818058 用中,皆可對使用者提供較好的經驗。 實例一 本發明曹使用由Apache 了㈣扣⑧網站應用伺服器支援的 Java Servlet及javaSever頁面技術,進行示範性實施,它 經由字為根翻商鮮彡像搜尋服務(諸如6。〇咖@或 Yahof),在網際網路(Internet)上以影像内容為根據的方 式搜尋影像。目_實施方法可制任何全球魏網劉覽器 (諸如 Explorer 或 M〇zilla/Fireb〇x)加以存取, 而且包括-個3步驟的處理,即可從網際網路搜尋影像。 為了不範本發明哺作方式,紐本發明顧在先前所述 使用Google⑧lmages尋找一幀雪梨歌劇院影像的實例中。 1) 步驟一:以關鍵字為根據的搜尋,如第2圖所示。經 由一個以本文為根據的影像搜尋服務,使用 關鍵字從網際網路檢索影像,以形成一個初 始影像集,如第3圖所示。 2) 步驟二:從初始搜尋結果選取範例影像,如第4圖所 示。選取使用者想要搜尋的影像範例時,從 依據關鍵字搜尋而呈現在使用者面前的結 果中,點擊所要的影像勾選框。 3) 步驟二·使用從樣本影像建構的查詢,進行所有影像 的搜尋。所呈現的搜尋結果會以根據相似度 200818058 度1作等級排序,如第5圖所示。 從乂上貝例可以看出’第5圖所示的結果影像集全部具有 相關度’而第3圖所不的影像則包括可疑相關度的影像。 實例二 •本發明可以整合到不同的桌面職管理程式中 ,諸如
Windows _lorer%戈 Mac 〇s χ ,此二者目前_劉 覽影像擒的能力’並可根據影像播名及其他檔案屬性(諸如大 小、_麟)將影像分轉理。第6 _㈣-典型的以 縮圖方式赫嶋嶋。使物咖麵所需影像 _來選取數個影像,_建構查詢集⑴。在第7圖所 示的實例中,使用者選取的爭 歌劇院。 4以雪梨港大橋作背景的雪梨 接著,使用者執行影像檢令 一樣方便料人實施。在第6 ’此程式可像插入式器具 擊勾選圖記⑴cklron) 9=7W中,是在爛上點 結論 M9)來起動本發明的。 方法與先前技術系統比較 上述以内容為根據的影像檢索 時,具有許多優點,其中包括:μ *可從使用者範例中自動導 *搜尋過程為直覺性;W重要除, 氺 使用者不必選擇特徵 t權重值; 200818058 *使職括性加觀性相異度度量,可顧所有特徵; *加權值產生與補度公式之計算效率高,可極快速輸 出檢索結果; *特徵提取工具為可插人型,標準的朗邊廠商的特徵 描寫工具均可整合到本發明架構申; *使用者不須供應反例。 本說明書整體之目的在本發明,並不以任何交替性 特徵的特定組合來限制本發明。 【圖式簡單說明】 特參照以下圖式說明本發明若干較 為協助理解本發明, 佳實施例: 第1圖.為-流程圖’顯示以内容為根據的影像檢索方法之 主要步驟。 第2圖:為顯示—峨面’舉侧本精-應用例作 為起點之初始搜尋。 第3圖:為顯示—螢幕晝面,舉例說明從初始搜尋得到的一 組影像。 第4圖:為顯示第3圖所示螢幕畫面中有三個影像被選取以 形成查詢集。 苐5圖··為顯示一螢幕金 # . 跫恭旦面’其中為使用本發明以内容為根 據之影像檢索結果。 200818058 第6圖:為顯示一螢幕晝面,其中為一目錄内的影像縮圖。 第7圖:為顯示第6圖所示螢幕畫面中有三個影像被選取, 以形成一查詢集。 【主要元件符號說明】 (1 )..... · ••查詢集 (2 )......特徵提取程序 (3) .....特徵描寫工具組 (4) ........查詢形成 (5) .......相異度度量 (6) ......•目標影像集 (7) ......結果等級排列 (8 ) · ·呈現結果影像給使用者 (9)........勾選圖記 18

Claims (1)

  1. 200818058 十、申請專利範圍·· 法’包括以下步驟: 組特徵,藉以建構一 1·一種從一組影像提取若干影像之方 從一或多個選取的影像提取一 查詢集; 詢集内之特徵與該組 心像内各影像特徵之間的距離加權求和;以及 顯示相異度度量最小之各影像。 2::請專Γ範圍第1項所述之方法,其十該查詢集係從 至/一個影像提取的。 3r=rfi瓣術,㈣查詢集係使 用一種特徵描寫工具組提取的。 4.如申請專利範圍第1項所述之方法,其中該查詢集係使 用影像之低階結構描述提取的。 5料利朗項所述之方法,其中該等特徵係從 一或夕個親、_、色調、亮度、轉 特徵選取的。 概1 6.如申請專利範圍第1項所述之方法,其中該查詢集為一 理想化影像’建構作為該組特徵之加權總和。 7 ·如申請專剩第6項所述之方法,財該理想化影像 為· = ^Wixi / 其中,&為-特徵,而W為應用於該特徵的權重值。 19 200818058 8 9 .如申請專利範圍第工項所士1之方去,其中該加權求和使 用仗"亥查峋集導出的權重值。 如申請專利範圍第1項所 之方法,其中該相異度度量 · 10 11 1 2 13 ί —1 .如申請專利範圍第!項所述之 驟:排列顯示影像的顯示順序。 g以下步:::圍第一法’其一 :::::多個電腦可―,可於執行 從或夕個選取的影像提取一組特徵, 一查詢集; 建構一相異度度量,作為該查詢集内之特徵與該 、'且〜像内各景彡像特徵之間_離加權求和;以及 顯示相異度度量最低之各影像。 述之之軟趙,該軟體可於 相異度朗财,排列 藉以建構 20 200818058 七、指定代表圖: , (一)本案指定代表圖為:第(1 )圖。 (二)本代表圖之元件符號簡單說明: (1 ).........查詢集 (2 )......特徵提取程序 (3 ).....特徵描寫工具組 (4) ........查詢形成 (5) .......相異度度量 (6) .......目標影像集 (7) ......結果等級排列 (8 ) · ·呈現結果影像給使用者 (9)........勾選圖記 八、本案若有化學式時,請揭示最能顯示發明特徵的化學式: I 4 200818058^ —一—::: 發明專利說明書 (本說明書格式、順序及^體字,請勿任意更動,※記號部分請勿填寫) ※申請案號:彳匕 ※申請日期: 糸1卩(:分類: 一、 發明名稱:(中文/英文) ^ (2006.01) 以内容為根據之影像檢索方法與軟體/C0NTENT based IMAGE RETRIEVAL 二、 申請人··(共1人) ( 姓名或名稱:(中文/英文) 臥龍岡大學/University of Wollongong 代表人··(中文/英文)1 ·雷葉/Lei Ye 2.瑪格利特·雪爾/Margaret Shei 1 住居所或營業所地址:(中文/英文) 澳洲新南威爾斯省2522臥龍岡,北地大道/ Northfields Avenue WOLLONGONG New South Wales 2522 Australia 國籍··(中文/英文)澳洲/Australia 三、 發明人:(共2人) 姓名:(中文/英文) 1·非利普奥岡妹波納/Phi 1 ip Ogunbona 澳洲新南威爾斯省2525菲格屈,華良大道68號/68 Wala Avenue,FIGTREE,2525, New South Wales,Australia 2.雷葉/Lei Ye 澳洲新南威爾斯省2521北岩,蘇菲亞閣3號/3 Sophia Court, NORTH ROCKS, 2151, New South Wales, Australia 國籍:(中文/英文) 澳洲/Australia
TW096119050A 2006-05-29 2007-05-29 Content based image retrieval TW200818058A (en)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
AU2006902880A AU2006902880A0 (en) 2006-05-29 Content based image retrieval

Publications (1)

Publication Number Publication Date
TW200818058A true TW200818058A (en) 2008-04-16

Family

ID=38778013

Family Applications (1)

Application Number Title Priority Date Filing Date
TW096119050A TW200818058A (en) 2006-05-29 2007-05-29 Content based image retrieval

Country Status (15)

Country Link
US (1) US20100017389A1 (zh)
EP (1) EP2030128A4 (zh)
JP (1) JP2009539152A (zh)
KR (1) KR20090035486A (zh)
CN (1) CN101460947A (zh)
AU (1) AU2007266331A1 (zh)
BR (1) BRPI0712728A2 (zh)
CA (1) CA2652714A1 (zh)
IL (1) IL195401A0 (zh)
MX (1) MX2008015175A (zh)
NO (1) NO20085305L (zh)
RU (1) RU2008152075A (zh)
TW (1) TW200818058A (zh)
WO (1) WO2007137352A1 (zh)
ZA (1) ZA200810005B (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100970121B1 (ko) * 2009-12-24 2010-07-13 (주)올라웍스 상황에 따라 적응적으로 이미지 매칭을 수행하기 위한 방법, 시스템, 및 컴퓨터 판독 가능한 기록 매체
JP2011221606A (ja) * 2010-04-05 2011-11-04 Sony Corp 情報処理方法及びグラフィカルユーザインタフェース
US10108620B2 (en) 2010-04-29 2018-10-23 Google Llc Associating still images and videos
US9047319B2 (en) 2010-12-17 2015-06-02 Microsoft Technology Licensing, Llc Tag association with image regions
US9229956B2 (en) 2011-01-10 2016-01-05 Microsoft Technology Licensing, Llc Image retrieval using discriminative visual features
US8589410B2 (en) * 2011-10-18 2013-11-19 Microsoft Corporation Visual search using multiple visual input modalities
CN102368266B (zh) * 2011-10-21 2013-03-20 浙江大学 一种用于网络搜索的无标注图片的排序方法
CN102682084A (zh) * 2012-04-11 2012-09-19 中国科学院上海光学精密机械研究所 基于htm算法的图像检索系统及其图像检索方法
US9274678B2 (en) * 2012-09-13 2016-03-01 Google Inc. Identifying a thumbnail image to represent a video
US9081822B2 (en) * 2013-03-15 2015-07-14 Sony Corporation Discriminative distance weighting for content-based retrieval of digital pathology images
WO2014167880A1 (ja) * 2013-04-09 2014-10-16 株式会社日立国際電気 画像検索装置、画像検索方法、および記録媒体
CN104283842B (zh) * 2013-07-02 2019-06-25 中兴通讯股份有限公司 主题管理方法及系统
CN103440646B (zh) * 2013-08-19 2016-08-10 成都品果科技有限公司 用于颜色分布和纹理分布图像检索的相似度获取方法
JP6027065B2 (ja) * 2014-08-21 2016-11-16 富士フイルム株式会社 類似画像検索装置、類似画像検索装置の作動方法、および類似画像検索プログラム
JP6491581B2 (ja) * 2015-10-06 2019-03-27 キヤノン株式会社 画像処理装置およびその制御方法ならびにプログラム
US10346476B2 (en) 2016-02-05 2019-07-09 Sas Institute Inc. Sketch entry and interpretation of graphical user interface design
US10650045B2 (en) 2016-02-05 2020-05-12 Sas Institute Inc. Staged training of neural networks for improved time series prediction performance
US10795935B2 (en) 2016-02-05 2020-10-06 Sas Institute Inc. Automated generation of job flow definitions
US10650046B2 (en) 2016-02-05 2020-05-12 Sas Institute Inc. Many task computing with distributed file system
US10642896B2 (en) 2016-02-05 2020-05-05 Sas Institute Inc. Handling of data sets during execution of task routines of multiple languages
US10872113B2 (en) 2016-07-19 2020-12-22 Hewlett-Packard Development Company, L.P. Image recognition and retrieval
US10176202B1 (en) * 2018-03-06 2019-01-08 Xanadu Big Data, Llc Methods and systems for content-based image retrieval
US11379516B2 (en) 2018-03-29 2022-07-05 Google Llc Similar medical image search
US10191921B1 (en) 2018-04-03 2019-01-29 Sas Institute Inc. System for expanding image search using attributes and associations
US11126649B2 (en) 2018-07-11 2021-09-21 Google Llc Similar image search for radiology
AU2018431593A1 (en) 2018-07-11 2021-02-04 Google Llc Similar image search for radiology
US11921831B2 (en) * 2021-03-12 2024-03-05 Intellivision Technologies Corp Enrollment system with continuous learning and confirmation

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5579471A (en) * 1992-11-09 1996-11-26 International Business Machines Corporation Image query system and method
US5893095A (en) * 1996-03-29 1999-04-06 Virage, Inc. Similarity engine for content-based retrieval of images
US6463432B1 (en) * 1998-08-03 2002-10-08 Minolta Co., Ltd. Apparatus for and method of retrieving images
US7016916B1 (en) * 1999-02-01 2006-03-21 Lg Electronics Inc. Method of searching multimedia data
US6606623B1 (en) * 1999-04-09 2003-08-12 Industrial Technology Research Institute Method and apparatus for content-based image retrieval with learning function
US6859802B1 (en) * 1999-09-13 2005-02-22 Microsoft Corporation Image retrieval based on relevance feedback
US6748398B2 (en) * 2001-03-30 2004-06-08 Microsoft Corporation Relevance maximizing, iteration minimizing, relevance-feedback, content-based image retrieval (CBIR)
US6834288B2 (en) * 2001-04-13 2004-12-21 Industrial Technology Research Institute Content-based similarity retrieval system for image data
US6901411B2 (en) * 2002-02-11 2005-05-31 Microsoft Corporation Statistical bigram correlation model for image retrieval
US7065521B2 (en) * 2003-03-07 2006-06-20 Motorola, Inc. Method for fuzzy logic rule based multimedia information retrival with text and perceptual features

Also Published As

Publication number Publication date
BRPI0712728A2 (pt) 2013-01-08
WO2007137352A1 (en) 2007-12-06
ZA200810005B (en) 2009-07-29
AU2007266331A1 (en) 2007-12-06
JP2009539152A (ja) 2009-11-12
EP2030128A4 (en) 2010-01-13
EP2030128A1 (en) 2009-03-04
CN101460947A (zh) 2009-06-17
CA2652714A1 (en) 2007-12-06
MX2008015175A (es) 2009-04-23
IL195401A0 (en) 2009-08-03
NO20085305L (no) 2009-02-20
RU2008152075A (ru) 2010-07-10
US20100017389A1 (en) 2010-01-21
KR20090035486A (ko) 2009-04-09

Similar Documents

Publication Publication Date Title
TW200818058A (en) Content based image retrieval
US9372920B2 (en) Identifying textual terms in response to a visual query
JP5309155B2 (ja) イメージ検索における対話型概念学習
Simon et al. Scene summarization for online image collections
US7548936B2 (en) Systems and methods to present web image search results for effective image browsing
JP4768073B2 (ja) 初期クラスタセンタセット選択方法、ウエーブフロントクラスタリング方法
US20080226174A1 (en) Image Organization
WO2015051629A1 (zh) 图片排序方法及装置
JP2009509215A (ja) 画像データベースでのナビゲーション、視覚化、及びクラスタ化のための相互ランク類似度空間
Yang et al. Prototype-based image search reranking
JP2007080061A (ja) Webページの検索方法及びWebページのクラスタリング方法
JP2007080061A5 (zh)
Indu et al. Survey on sketch based image retrieval methods
van den Broek et al. Human-centered content-based image retrieval
Olivares et al. Boosting image retrieval through aggregating search results based on visual annotations
Mironica et al. Fisher kernel based relevance feedback for multimodal video retrieval
JP2004240887A (ja) 検索情報表示システム及び検索キーワード情報表示方法及び検索キーワード情報表示プログラム
Li et al. A new algorithm for product image search based on salient edge characterization
Rabbath et al. Multimedia retrieval in social networks for photo book creation
Ardizzone et al. Clustering techniques for personal photo album management
Zheng et al. Compounded Face Image Retrieval Based on Vertical Web Image Retrieval
Zinger et al. Clustering and semantically filtering web images to create a large-scale image ontology
Lin et al. Concept indexing and expansion for social multimedia websites based on semantic processing and graph analysis
Wang et al. Composition based semantic scene retrieval for ancient murals
Sari et al. A neural re-ranking method for searching ancient Arabic documents on the Web