[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN108829711A - 一种基于多特征融合的图像检索方法 - Google Patents

一种基于多特征融合的图像检索方法 Download PDF

Info

Publication number
CN108829711A
CN108829711A CN201810418660.XA CN201810418660A CN108829711A CN 108829711 A CN108829711 A CN 108829711A CN 201810418660 A CN201810418660 A CN 201810418660A CN 108829711 A CN108829711 A CN 108829711A
Authority
CN
China
Prior art keywords
image
target image
gray level
value
pixel
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
CN201810418660.XA
Other languages
English (en)
Other versions
CN108829711B (zh
Inventor
栾雄
张闻强
徐念龙
杨莹
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.)
Shanghai De See Computer Science And Technology Co Ltd
Original Assignee
Shanghai De See Computer Science And Technology Co Ltd
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 Shanghai De See Computer Science And Technology Co Ltd filed Critical Shanghai De See Computer Science And Technology Co Ltd
Priority to CN201810418660.XA priority Critical patent/CN108829711B/zh
Publication of CN108829711A publication Critical patent/CN108829711A/zh
Application granted granted Critical
Publication of CN108829711B publication Critical patent/CN108829711B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于多特征融合的图像检索方法，其步骤如下：获取目标图像I，并计算目标图像I的图像特征：提取目标图像I的颜色特征，并存入图像的颜色特征库；提取目标图像I的形状特征，并存入图像的形状特征库；提取目标图像I的纹理特征，并存入图像的纹理特征库；目标图像I与图像数据集的相似度计算，得到最终检索结果。本发明的有益效果如下：使得用户能够根据检索图像获取类似的家居方案图像。该方法针对现有单一特征的不足，应对家居行业的特征集的组合，在实际的家居场景下，能够提高单一特征检索的效率，改善单一特征覆盖不足的问题。能够提高家居产品图像的搜索效率，节约用户查找家居方案的时间，改善用户的实际搜索体验。

Description

一种基于多特征融合的图像检索方法
技术领域
本发明涉及图像检索技术领域，特别是指一种基于多特征融合的图像检索方法。
背景技术
基于内容的图像检索方法是指利用图像本身具有的视觉特征和空间关系等信息，建立图像的高维特征矢量库，根据图像的高维特征矢量进行匹配，返回用户的图像检索结果。该方法与基于文本的图像检索方法相比，检索的结果更为有效。
图像特征根据逻辑类型的划分，可以分为颜色特征、纹理特征和形状特征三大类。其中颜色特征是应用最为广泛的图像特征之一，能够为图像搜索提供基于颜色分类的功能；纹理特征着重描述图像块中的纹理模式；而形状特征主要描述图像中的结构特点。在图像搜索中，图像特征作为底层信息，支撑目标图像I的检索。
基于单一特征的图像检索方法，可以在某一个特征方面有较高的效率，但是在面对复杂多变、类别不一的自然场景时，往往就显露出不足之处。因此，融合多种图像特征的检索方法，在工程实际应用中有着迫切的需求。
在具体应用场景下，融合多种图像特征的一个难题在于图像特征方法的选择，不同图像特征提取方法，对特征的表现形式不尽相同，最终导致对图像含义的理解存有不同，从而影响应用场景下的图像检索效果。
发明内容
本发明提出一种基于多特征融合的图像检索方法，解决了现有技术中融合多种图像特征检索方法不完善的问题。
本发明的技术方案是这样实现的：
一种基于多特征融合的图像检索方法，其方法步骤如下：
(1)获取目标图像I，并计算目标图像I的图像特征
1)提取目标图像I的颜色特征，并存入图像的颜色特征库
①将目标图像I从RGB颜色空间按照标准转换公式转换到HSV颜色空间；
②将转换到HSV颜色空间的目标图像I按照式和进行第一步量化，将色调H量化到7个区间，亮度V和饱和度S分别量化到3个区间；
③依据式L＝9H+3S+V将目标图像I的RGB值通过量化映射到HSV的63 种颜色空间中；
对目标图像I进行分块处理，每块图像根据其所包含信息量的多少赋予不同的权重，每块图像的颜色直方图用H(Ik)表示，每块图像对应的权重用wk表示，则整个图像的分块加权颜色直方图为其中n为对所述目标图像I的分块数，
④对所述整个图像的分块加权颜色直方图进行归一化处理，并作为目标图像 I的颜色特征存入图像的颜色特征库；
2)提取目标图像I的形状特征，并存入图像的形状特征库
①将目标图像I的原始彩色图像采用Domain Transform方法进行边缘增强，其中参数sigma_s＝10，sigma_r＝0.15；
②将边缘增强后的目标图像I按照标准公式转换为灰度图像，将所述灰度图像采用双线性差值方法进行缩放；对缩放后的灰度图像采用canny边缘算子进行边缘检测；
③计算所述灰度图像每个轮廓点处的梯度模和梯度方向：采用式的模板对所述灰度图像进行sobel算子滤波，得到所述灰度图像的水平梯度和竖直梯度进而得到所述灰度图像的梯度模所述灰度图像的梯度方向为依据上述边缘检测的结果得到所述灰度图像在每个轮廓点处的梯度模和梯度方向；
④对所述灰度图像进行多尺度处理，采用金字塔分割方法，将所述灰度图像分割成L层，每一层划分成2l(l＝0,...,L)块，在所述灰度图像第l层第n块的轮廓点处，累加某一梯度方向区间的梯度模值作为该梯度方向区间的统计值，遍历所述灰度图像的所有轮廓点和梯度方向区间，所述灰度图像第l层第n块的统计梯度方向直方图为
⑤将所述灰度图像所有图像块的梯度方向直方图进行拼接合并，得到完整的梯度方向直方图
⑥将所述灰度图像完整的梯度方向直方图H(I)进行归一化，得到维数为的形状特征向量，并作为目标图像I的形状特征，存入图像的形状特征库；
3)提取目标图像I的纹理特征，并存入图像的纹理特征库
①分别计算目标图像I每个像素点的粗糙度、对比度和方向性；
②将目标图像I的一个通道进行大小为2*m的方块均值滤波，其中 m＝1,2,3,4,5，从而得到5个不同均值滤波图像分别计算5个不同均值滤波图像的水平差异图像和其中
③将所述通道的每个像素(x,y)处计算得到10个ET,R(x,y)值，从中选择最大值作为像素(x,y)处的粗糙度值，即其中 m＝1,2,3,4,5；
④在所述通道像素(x,y)的7*7窗口中统计像素(x,y)的均值方差在所述通道像素(x,y)的7*7 窗口中统计像素(x,y)的四次差则所述通道像素(x,y)处的对比度值为
⑤将所述通道按照式的模板卷积得到所述通道的水平梯度和竖直梯度进一步计算得到所述通道像素(x,y)处的方向性值
⑥累加所述像素(x,y)处R、G、B三个通道的粗糙度值、对比度值和方向性值，得到所述像素(x,y)处的通道无关粗糙度值、对比度值和方向性值；
⑦将所述目标图像I的粗糙度、对比度和方向性都均匀量化到g个区间，则所述目标图像I粗糙度、对比度和方向性的取值区间变为[0,g-1]；
⑧联合粗糙度、对比度和方向性，确定像素(x,y)在纹理直方图中的对应区间将每个像素在对应的区间上进行累加，得到累加的纹理直方图HT(IT)，其中HT(IT)的维度为g*g*g；
⑨将所述g*g*g维的纹理直方图HT(IT)进行归一化，得到所述目标图像I的纹理特征，存入图像的纹理特征库；
(2)目标图像I与图像数据集的相似度计算
1)输入一张检索图像Q，分别提取其颜色特征XC、形状特征XS和纹理特征XT，计算XC与颜色特征库中各特征YC的线性核距离线计算XS与形状特征库中各特征YS的欧式距离计算XT与纹理特征库中各特征YT的JSD距离其中d为对应特征的维度；
2)随机抽取图像库中的两两图像对Qr1和Qr2，计算所述图像对的颜色特征距离得到抽样集合进一步得到抽样集合的样本均值和样本标准差，重复这个过程，得到样本均值的平均值，即为dC的高斯分布均值μC，dC的标准差σC；按照上述操作步骤，同理可得dS的高斯分布均值μS、标准差σS，dT的高斯分布均值μT、标准差σT；依据分别将dC、dS、dT转换到标准高斯分布；
3)将上述三种距离量dC、dS、dT采用权值的方法融合得到 dmerge＝wCdC+wSdS+wTdT,wC+wS+wT＝1；
4)对计算得到的距离dmerge进行排序，取前P个数据，即取前P幅图像作为检索结果。
作为优选，所述步骤(1)中步骤2)中步骤②的灰度图像缩放比例不大于 500。
图像的颜色、形状、纹理三种类别特征分别对应人类不同感知的图像内容属性。本方案中，首先单独计算三种类别的图像特征，然后在相似度计算的过程中融合三种特征信息，得出综合的相似度计算结果。
首先使用颜色直方图提取图像的颜色特征，使用分层梯度方向直方图提取图像的形状特征，使用tamura纹理表示提取图像的纹理特征，最后使用权重融合的方法将颜色、形状和纹理特征融合进行检索。
本发明的有益效果为：
使得用户能够根据检索图像获取类似的家居方案图像。该方法针对现有单一特征的不足，应对家居行业的特征集的组合，在实际的家居场景下，能够提高单一特征检索的效率，改善单一特征覆盖不足的问题。
能够提高家居产品图像的搜索效率，节约用户查找家居方案的时间，改善用户的实际搜索体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明对图像进行分块处理的不均匀分块方法示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
一种基于多特征融合的图像检索方法，具体步骤如下：
(1)获取目标图像I，并计算目标图像I的图像特征
1)提取目标图像I的颜色特征，并存入图像的颜色特征库
①将目标图像I从RGB颜色空间按照标准转换公式转换到HSV颜色空间；
②将转换到HSV颜色空间的目标图像I按照式和进行第一步量化，将色调H量化到7个区间，亮度V和饱和度S分别量化到3个区间；
③依据式L＝9H+3S+V将目标图像I的RGB值通过量化映射到HSV的63 种颜色空间中；
一块图像中不同位置的颜色提供的信息量不同，通常一副图像的信息主要集中在图像正中央，边缘部位往往作为背景，因此对目标图像I进行简单分块处理，每块图像根据其所包含信息量的多少赋予不同的权重，采用如图1所示的不均匀分块方法，图1中A区域位于图像中心，包含了图像的主体信息，赋予较大的权重，B、C、D、E、F、G、H、I所包含的图像信息较少，赋予较小的权重；
每块图像的颜色直方图用H(Ik)表示，每块图像对应的权重用wk表示，则整个图像的分块加权颜色直方图为其中n为对所述目标图像 I的分块数，
④对所述整个图像的分块加权颜色直方图进行归一化处理，并作为目标图像 I的颜色特征存入图像的颜色特征库；
2)提取目标图像I的形状特征，并存入图像的形状特征库
①将目标图像I的原始彩色图像采用Domain Transform方法进行边缘增强，其中参数sigma_s＝10，sigma_r＝0.15；
②将边缘增强后的目标图像I按照标准公式转换为灰度图像，将所述灰度图像采用双线性差值方法进行缩放，缩放比例最大值为500；对缩放后的灰度图像采用canny边缘算子进行边缘检测，其中参数低阈值是46，高阈值是115， apertureSize＝3；
③计算所述灰度图像每个轮廓点处的梯度模和梯度方向：采用式的模板对所述灰度图像进行sobel算子滤波，得到所述灰度图像的水平梯度和竖直梯度进而得到所述灰度图像的梯度模所述灰度图像的梯度方向为依据上述边缘检测的结果得到所述灰度图像在每个轮廓点处的梯度模和梯度方向，本实施例中梯度方向范围为0～180度，梯度方向均匀量化为KS个区间，其中KS＝20；
④对所述灰度图像进行多尺度处理，采用金字塔分割方法，将所述灰度图像分割成L层，每一层划分成2l(l＝0,...,L)块，在所述灰度图像第l层第n块的轮廓点处，累加某一梯度方向区间的梯度模值作为该梯度方向区间的统计值，遍历所述灰度图像的所有轮廓点和梯度方向区间，所述灰度图像第l层第n块的统计梯度方向直方图为
⑤将所述灰度图像所有图像块的梯度方向直方图进行拼接合并，得到完整的梯度方向直方图
⑥将所述灰度图像完整的梯度方向直方图H(I)进行归一化，得到维数为的形状特征向量，并作为目标图像I的形状特征，存入图像的形状特征库；
3)提取目标图像I的纹理特征，并存入图像的纹理特征库
①分别计算目标图像I每个像素点的粗糙度、对比度和方向性；
②将目标图像I的一个通道进行大小为2*m的方块均值滤波，其中 m＝1,2,3,4,5，从而得到5个不同均值滤波图像分别计算5个不同均值滤波图像的水平差异图像和其中
③将所述通道的每个像素(x,y)处计算得到10个ET,R(x,y)值，从中选择最大值作为像素(x,y)处的粗糙度值，即其中 m＝1,2,3,4,5；
④在所述通道像素(x,y)的7*7窗口中统计像素(x,y)的均值方差在所述通道像素(x,y)的7*7 窗口中统计像素(x,y)的四次差则所述通道像素(x,y)处的对比度值为
⑤将所述通道按照式的模板卷积得到所述通道的水平梯度和竖直梯度进一步计算得到所述通道像素(x,y)处的方向性值
⑥累加所述像素(x,y)处R、G、B三个通道的粗糙度值、对比度值和方向性值，得到所述像素(x,y)处的通道无关粗糙度值、对比度值和方向性值；
⑦将所述目标图像I的粗糙度、对比度和方向性都均匀量化到g个区间，则所述目标图像I粗糙度、对比度和方向性的取值区间变为[0,g-1]；
⑧联合粗糙度、对比度和方向性，确定像素(x,y)在纹理直方图中的对应区间将每个像素在对应的区间上进行累加，得到累加的纹理直方图HT(IT)，其中HT(IT)的维度为g*g*g；
⑨将所述g*g*g维的纹理直方图HT(IT)进行归一化，得到所述目标图像I的纹理特征，存入图像的纹理特征库；
(2)目标图像I与图像数据集的相似度计算
1)输入一张检索图像Q，分别提取其颜色特征XC、形状特征XS和纹理特征XT，计算XC与颜色特征库中各特征YC的线性核距离线计算XS与形状特征库中各特征YS的欧式距离计算XT与纹理特征库中各特征YT的JSD距离其中d为对应特征的维度；
2)随机抽取图像库中的两两图像对Qr1和Qr2，计算所述图像对的颜色特征距离得到抽样集合进一步得到抽样集合的样本均值和样本标准差，重复这个过程，得到样本均值的平均值，即为dC的高斯分布均值μC，dC的标准差σC；按照上述操作步骤，同理可得dS的高斯分布均值μS、标准差σS，dT的高斯分布均值μT、标准差σT；依据分别将dC、dS、dT转换到标准高斯分布；
3)将上述三种距离量dC、dS、dT采用权值的方法融合得到 wC＝wS＝wT＝1/3，本实施例中wC＝wS＝wT＝1/3；
4)对计算得到的距离dmerge进行排序，取前P个数据，即取前P幅图像作为检索结果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于多特征融合的图像检索方法，其特征在于，其方法步骤如下：
(1)获取目标图像I，并计算目标图像I的图像特征
1)提取目标图像I的颜色特征，并存入图像的颜色特征库
①将目标图像I从RGB颜色空间按照标准转换公式转换到HSV颜色空间；
②将转换到HSV颜色空间的目标图像I按照式和进行第一步量化，将色调H量化到7个区间，亮度V和饱和度S分别量化到3个区间；
③依据式L＝9H+3S+V将目标图像I的RGB值通过量化映射到HSV的63种颜色空间中；
对目标图像I进行分块处理，每块图像根据其所包含信息量的多少赋予不同的权重，每块图像的颜色直方图用H(Ik)表示，每块图像对应的权重用wk表示，则整个图像的分块加权颜色直方图为其中n为对所述目标图像I的分块数，
④对所述整个图像的分块加权颜色直方图进行归一化处理，并作为目标图像I的颜色特征存入图像的颜色特征库；
2)提取目标图像I的形状特征，并存入图像的形状特征库
①将目标图像I的原始彩色图像采用Domain Transform方法进行边缘增强，其中参数sigma_s＝10，sigma_r＝0.15；
②将边缘增强后的目标图像I按照标准公式转换为灰度图像，将所述灰度图像采用双线性差值方法进行缩放；对缩放后的灰度图像采用canny边缘算子进行边缘检测；
③计算所述灰度图像每个轮廓点处的梯度模和梯度方向：采用式的模板对所述灰度图像进行sobel算子滤波，得到所述灰度图像的水平梯度和竖直梯度进而得到所述灰度图像的梯度模所述灰度图像的梯度方向为依据上述边缘检测的结果得到所述灰度图像在每个轮廓点处的梯度模和梯度方向；
④对所述灰度图像进行多尺度处理，采用金字塔分割方法，将所述灰度图像分割成L层，每一层划分成2l(l＝0,...,L)块，在所述灰度图像第l层第n块的轮廓点处，累加某一梯度方向区间的梯度模值作为该梯度方向区间的统计值，遍历所述灰度图像的所有轮廓点和梯度方向区间，所述灰度图像第l层第n块的统计梯度方向直方图为
⑤将所述灰度图像所有图像块的梯度方向直方图进行拼接合并，得到完整的梯度方向直方图
⑥将所述灰度图像完整的梯度方向直方图H(I)进行归一化，得到维数为的形状特征向量，并作为目标图像I的形状特征，存入图像的形状特征库；
3)提取目标图像I的纹理特征，并存入图像的纹理特征库
①分别计算目标图像I每个像素点的粗糙度、对比度和方向性；
②将目标图像I的一个通道进行大小为2*m的方块均值滤波，其中m＝1,2,3,4,5，从而得到5个不同均值滤波图像分别计算5个不同均值滤波图像的水平差异图像和其中
③将所述通道的每个像素(x,y)处计算得到10个ET,R(x,y)值，从中选择最大值作为像素(x,y)处的粗糙度值，即其中m＝1,2,3,4,5；
④在所述通道像素(x,y)的7*7窗口中统计像素(x,y)的均值方差在所述通道像素(x,y)的7*7窗口中统计像素(x,y)的四次差则所述通道像素(x,y)处的对比度值为
⑤将所述通道按照式的模板卷积得到所述通道的水平梯度和竖直梯度进一步计算得到所述通道像素(x,y)处的方向性值
⑥累加所述像素(x,y)处R、G、B三个通道的粗糙度值、对比度值和方向性值，得到所述像素(x,y)处的通道无关粗糙度值、对比度值和方向性值；
⑦将所述目标图像I的粗糙度、对比度和方向性都均匀量化到g个区间，则所述目标图像I粗糙度、对比度和方向性的取值区间变为[0,g-1]；
⑧联合粗糙度、对比度和方向性，确定像素(x,y)在纹理直方图中的对应区间将每个像素在对应的区间上进行累加，得到累加的纹理直方图HT(IT)，其中HT(IT)的维度为g*g*g；
⑨将所述g*g*g维的纹理直方图HT(IT)进行归一化，得到所述目标图像I的纹理特征，存入图像的纹理特征库；
(2)目标图像I与图像数据集的相似度计算
1)输入一张检索图像Q，分别提取其颜色特征XC、形状特征XS和纹理特征XT，计算XC与颜色特征库中各特征YC的线性核距离线计算XS与形状特征库中各特征YS的欧式距离计算XT与纹理特征库中各特征YT的JSD距离其中d为对应特征的维度；
2)随机抽取图像库中的两两图像对Qr1和Qr2，计算所述图像对的颜色特征距离得到抽样集合进一步得到抽样集合的样本均值和样本标准差，重复这个过程，得到样本均值的平均值，即为dC的高斯分布均值μC，dC的标准差σC；按照上述操作步骤，同理可得dS的高斯分布均值μS、标准差σS，dT的高斯分布均值μT、标准差σT；依据分别将dC、dS、dT转换到标准高斯分布；
3)将上述三种距离量dC、dS、dT采用权值的方法融合得到dmerge＝wCdC+wSdS+wTdT,wC+wS+wT＝1；
4)对计算得到的距离dmerge进行排序，取前P个数据，即取前P幅图像作为检索结果。
2.根据权利要求1所述的一种基于多特征融合的图像检索方法，其特征在于，所述步骤(1)中步骤2)中步骤②的灰度图像缩放比例不大于500。
CN201810418660.XA 2018-05-04 2018-05-04 一种基于多特征融合的图像检索方法 Active CN108829711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810418660.XA CN108829711B (zh) 2018-05-04 2018-05-04 一种基于多特征融合的图像检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810418660.XA CN108829711B (zh) 2018-05-04 2018-05-04 一种基于多特征融合的图像检索方法

Publications (2)

Publication Number Publication Date
CN108829711A true CN108829711A (zh) 2018-11-16
CN108829711B CN108829711B (zh) 2021-06-01

Family

ID=64148349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810418660.XA Active CN108829711B (zh) 2018-05-04 2018-05-04 一种基于多特征融合的图像检索方法

Country Status (1)

Country Link
CN (1) CN108829711B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109782214A (zh) * 2019-01-26 2019-05-21 段俊杰 电能表状态远程发送机构
CN110135440A (zh) * 2019-05-15 2019-08-16 北京艺泉科技有限公司 一种适用于海量文物图像检索的图像特征提取方法
CN110826446A (zh) * 2019-10-28 2020-02-21 衢州学院 无纹理场景视频的视场区域分割方法及装置
CN113095341A (zh) * 2019-12-23 2021-07-09 顺丰科技有限公司 一种图像匹配方法、装置及存储介质
CN114170418A (zh) * 2021-11-30 2022-03-11 吉林大学 一种以图搜图的汽车线束连接器多特征融合图像检索方法
CN116403419A (zh) * 2023-06-07 2023-07-07 贵州鹰驾交通科技有限公司 基于车路协同的交通灯控制方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101551823A (zh) * 2009-04-20 2009-10-07 浙江师范大学 一种综合多特征图像检索方法
CN101763429A (zh) * 2010-01-14 2010-06-30 中山大学 一种基于颜色和形状特征的图像检索方法
CN101770644A (zh) * 2010-01-19 2010-07-07 浙江林学院 森林火灾远程视频监控烟火识别方法
US20110255589A1 (en) * 2009-08-03 2011-10-20 Droplet Technology, Inc. Methods of compressing data and methods of assessing the same
CN102663391A (zh) * 2012-02-27 2012-09-12 安科智慧城市技术（中国）有限公司 一种图像的多特征提取与融合方法及系统
CN104298775A (zh) * 2014-10-31 2015-01-21 北京工商大学 多特征基于内容的图像检索方法和系统
US20150363945A1 (en) * 2011-01-24 2015-12-17 Alon Atsmon System and process for automatically finding objects of a specific color
CN105404657A (zh) * 2015-11-04 2016-03-16 北京工业大学 一种基于cedd特征和phog特征的图像检索方法
CN105518668A (zh) * 2013-09-04 2016-04-20 沙祖拉公司 基于内容的图像检索
CN106202338A (zh) * 2016-06-30 2016-12-07 合肥工业大学 基于多特征多关系的图像检索方法
CN107958073A (zh) * 2017-12-07 2018-04-24 电子科技大学 一种基于粒子集群算法优化的彩色图像检索方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101551823A (zh) * 2009-04-20 2009-10-07 浙江师范大学 一种综合多特征图像检索方法
US20110255589A1 (en) * 2009-08-03 2011-10-20 Droplet Technology, Inc. Methods of compressing data and methods of assessing the same
CN101763429A (zh) * 2010-01-14 2010-06-30 中山大学 一种基于颜色和形状特征的图像检索方法
CN101770644A (zh) * 2010-01-19 2010-07-07 浙江林学院 森林火灾远程视频监控烟火识别方法
US20150363945A1 (en) * 2011-01-24 2015-12-17 Alon Atsmon System and process for automatically finding objects of a specific color
CN102663391A (zh) * 2012-02-27 2012-09-12 安科智慧城市技术（中国）有限公司 一种图像的多特征提取与融合方法及系统
CN105518668A (zh) * 2013-09-04 2016-04-20 沙祖拉公司 基于内容的图像检索
CN104298775A (zh) * 2014-10-31 2015-01-21 北京工商大学 多特征基于内容的图像检索方法和系统
CN105404657A (zh) * 2015-11-04 2016-03-16 北京工业大学 一种基于cedd特征和phog特征的图像检索方法
CN106202338A (zh) * 2016-06-30 2016-12-07 合肥工业大学 基于多特征多关系的图像检索方法
CN107958073A (zh) * 2017-12-07 2018-04-24 电子科技大学 一种基于粒子集群算法优化的彩色图像检索方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUE GAO ET AL.: "Mean-shift algorithm fusing multi feature", 《2017 IEEE 2ND ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE》 *
晋杰: "基于多特征融合的服装图片检索关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
邵天日: "基于多特征DS融合策略的图像检索技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109782214A (zh) * 2019-01-26 2019-05-21 段俊杰 电能表状态远程发送机构
CN110135440A (zh) * 2019-05-15 2019-08-16 北京艺泉科技有限公司 一种适用于海量文物图像检索的图像特征提取方法
CN110826446A (zh) * 2019-10-28 2020-02-21 衢州学院 无纹理场景视频的视场区域分割方法及装置
CN110826446B (zh) * 2019-10-28 2020-08-21 衢州学院 无纹理场景视频的视场区域分割方法及装置
CN113095341A (zh) * 2019-12-23 2021-07-09 顺丰科技有限公司 一种图像匹配方法、装置及存储介质
CN114170418A (zh) * 2021-11-30 2022-03-11 吉林大学 一种以图搜图的汽车线束连接器多特征融合图像检索方法
CN114170418B (zh) * 2021-11-30 2024-05-24 吉林大学 一种以图搜图的汽车线束连接器多特征融合图像检索方法
CN116403419A (zh) * 2023-06-07 2023-07-07 贵州鹰驾交通科技有限公司 基于车路协同的交通灯控制方法
CN116403419B (zh) * 2023-06-07 2023-08-25 贵州鹰驾交通科技有限公司 基于车路协同的交通灯控制方法

Also Published As

Publication number Publication date
CN108829711B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN108829711A (zh) 一种基于多特征融合的图像检索方法
JP3740065B2 (ja) 領域分割された映像の領域特徴値整合に基づいた客体抽出装置およびその方法
CN102567731B (zh) 一种感兴趣区域提取方法
CN102663382B (zh) 基于子网格特征自适应加权的视频图像文字识别方法
CN101763429B (zh) 一种基于颜色和形状特征的图像检索方法
Xiao et al. Efficient shadow removal using subregion matching illumination transfer
EP1359543A2 (en) Method for detecting subject matter regions in images
CN107066916B (zh) 基于反卷积神经网络的场景语义分割方法
CN104598933A (zh) 一种基于多特征融合的图像翻拍检测方法
CN102194241B (zh) 基于互联网的艺术拼图系统设计方法
JP2003173442A (ja) 多次元画像をセグメント化する方法およびコンピュータシステム
CN105321177B (zh) 一种基于图像重要度的层次图集自动拼贴方法
CN102136064A (zh) 一种图像文字识别系统
CN103473551A (zh) 基于sift算子的台标识别方法及系统
CN105931180B (zh) 利用显著信息引导的图像不规则马赛克拼接方法
Yadav et al. Survey on content-based image retrieval and texture analysis with applications
CN107507206B (zh) 一种基于显著性检测的深度图提取方法
CN103198479A (zh) 基于语义信息分类的sar图像分割方法
CN105404657A (zh) 一种基于cedd特征和phog特征的图像检索方法
CN105868683A (zh) 台标识别方法及装置
CN105787995B (zh) 一种平面图形图像处理方法
CN106373126B (zh) 基于融合类测地线和边界对比的图像显著性检测方法
CN101853500A (zh) 一种彩色多聚焦图像融合方法
Niu et al. Image retargeting quality assessment based on registration confidence measure and noticeability-based pooling
CN108710883A (zh) 一种采用轮廓检测的完整显著性物体检测方法

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