基于深度卷积网络的特征融合图像检索方法

近些年基于内容的图像检索方法在计算机视觉领域取得了突破性的进展,这些成就均归功于深度卷积网络强大的非线性拟合能力。传统的检索方法均使用全连接层的激活值作为图像特征,而该层提取到的向量仅能描述图像整体的轮廓信息,缺乏对局部细节的刻画能力,而卷积层提取到的特征对局部空间纹理有较好的刻画能力。针对该问题,文章提出一种三维特征图的融合算法,每一个特征图都赋予对应的权重,将三维的特征图编码为一维的特征向量用于检索任务。实验分析表明,提出的特征编码方法在INRIA和Oxford数据集上平均查准率均提高了1个百分点,表明从卷积层计算得到的特征向量比全连接层更加适合于检索任务。     

基于深度学习和复杂空间关系特征的多尺度遥感图像检索

深度学习技术逐渐成为解决图像检索和图像分类问题的主流技术,然而现有算法不能有效地处理遥感图像中的复杂空间关系以及多尺度特征问题.为有效解决遥感图像检索问题,提出了一种综合考虑空间关系与尺度特征的新方法.首先,用深度学习方法检测过的遥感图像抽象为点集;其次,构造Delaunay三角网以描述全局空间关系特征;最后,在空间特征相同的部分中使用模糊性状模型匹配局部空间特征.该模型有效地规避了因尺度不同而产生的视觉差异.在UC Merced Land-Use和RS19等公开数据集上进行实验,结果表明,该算法在多尺度遥感图像检索精度方面的表现优于其他相关方法.     

联合加权聚合深度卷积特征的图像检索方法

针对图像特征提取不充分影响图像检索平均精确率的问题,提出了一种基于联合加权聚合深度卷积特征的图像检索方法。该方法将图像输入到预先训练好的卷积神经网络中,提取最后一个卷积层输出作为图像的深度卷积特征;通过计算空间权重矩阵突出图像的显著性区域并抑制背景噪声区域,然后根据通道方差最大原则选取相应的特征图计算出空间权重矩阵,将原始深度卷积特征加权聚合为列向量;通过区分性地对待不同通道的特征图,计算出通道权重向量与上述列向量点乘得到最终的全局特征向量。公开数据集上的实验结果表明,本文方法能够有效地增强图像特征的表达能力,在图像检索的平均精确率上优于其他同类方法,可以有效地应用到图像检索相关领域。     

基于多尺度特征融合的单目图像深度估计

为解决从单目图像中很难恢复出准确、有效深度信息的问题,提出一种多尺度特征融合的单目图像深度估计算法.算法采用端对端训练的卷积神经网络(CNN)结构,引入从图像编码器到解码器的跳层连接来实现在不同尺度上特征的提取和表达,设计了一种多尺度的损失函数来提升卷积神经网络的训练效果.通过在NYU Depth V2室内场景深度数据集和KITTI室外场景深度数据集上的训练、验证和测试,实验结果表明:提出的多尺度特征融合方法得到的深度图边缘清晰、层次分明,且在室内场景和室外场景中均能适用,具有较强的泛化性,可以适应多种实际场景的需求.     

面向大规模图像检索的深度多尺度注意力哈希网络

针对现有哈希方法所存在的特征提取能力有限、量化约束机制低效等问题,提出一个深度多尺度注意力哈希网络进行大规模图像检索。整个网络由主分支和对象分支两个子网络组成。其中,在主分支网络中加入多尺度注意力定位和显著性区域提取两个模块,以有效定位和提取图像中的显著性区域,并将执行结果送入对象分支网络学习更为丰富的细节特征;同时,将两个子网络学习到的多粒度特征进行融合并执行二进制哈希编码;此外,引入三元组量化约束以减少量化误差,同时保持成对样本的相似度关系。为验证方法的有效性,文中在两个基准数据集上进行了广泛实验。实验结果表明,所提方法优于大部分现有的哈希检索方法。     

基于多尺度特征融合的快速单目图像深度估计

文章针对目前采用深度学习估计单目图像深度中存在推理时间长、物体边缘细节不清晰的问题,设计一种基于多尺度特征融合的快速单目图像深度估计网络.将GhostNet运用到单目图像深度估计网络的编码网络中,提高网络的编码速度;采用反卷积和双线性插值设计解码网络,并通过跨层连接将编码网络的特征与解码网络的特征融合增强深度图中物体的...     

融合多尺度深度特征的SAR图像变化检测

针对合成孔径雷达(synthetic aperture radar, SAR)图像变化检测中单一尺度图像特征无法有效表达细节信息的问题,文章提出了一种融合多尺度深度特征的无监督SAR图像变化检测方法。首先,利用平稳小波变换(stationary wavelet transform, SWT)将差异图分解为多个高、低频分量,并将这些分量独立重构成不同尺度下的差异图;然后,利用模糊C均值(fuzzy C-means, FCM)对差异图进行预分类,依据预分类的结果从差异图中选取可靠的训练样本;最后,利用卷积神经网络(convolutional neural network, CNN)学习并融合各尺度的差异图特征,实现变化区域和未变化区域的分类。实验结果表明该方法不仅明显改善了边界等细节的保持能力,而且有效提高了检测精度和抗噪性能。     

基于深度卷积神经网络和局部敏感哈希的图像检索

网络图像资源增长迅速,如何实现快速有效的大规模图像检索,成为当前研究的热点之一。深度神经网络对图片特征有很强的表达能力,利用典型深度卷积神经网络VGG16在预训练完成的模型上使用网络全连接层的输出提取待检索图像数据集的特征以建立索引,并采用局部敏感哈希算法提升检索速度,以端到端的形式,完成基于内容的图片检索任务。这种图像检索模型提供了一种在计算资源有限情况下实现大规模图像检索的有效方法。     

基于图像外形的多尺度相关性检索算法

采用数学分析的方法比较了图像检索算法中常用的2种坐标系，发现极坐标更加有利于图像的多尺度处理．设计的边缘序列点的插值算法，既保证了2个比较序列的长度相同，叉保留了序列中所有的边缘特征点．根据极坐标下边缘序列点的插值算法和相似轮廓在空间距离上相关性最大的特点，给出了多尺度相关性的检索算法（MSRA），该算法具有对图像尺度变化不敏感，而对图像轮廓变化敏感的特性．通过对自然类图像库和人工类图像库200幅图像的检索，表明该算法的性能高于常用的图像检索算法，与笛卡儿坐标下普通边缘点傅里叶搜索算法（CBPFD）相比，MSRA的搜索识别率在自然类图像库中高于CBPFD的29％，而在人工类图像库中几乎是CBPFD的2．5倍．     

基于多尺度特征提取的单目图像深度估计

在目前基于深度学习的单目图像深度估计方法中,由于网络提取特征不够充分、边缘信息丢失从而导致深度图整体精度不足。因此提出了一种基于多尺度特征提取的单目图像深度估计方法。该方法首先使用Res2Net101作为编码器,通过在单个残差块中进行通道分组,使用阶梯型卷积方式来提取更细粒度的多尺度特征,加强特征提取能力;其次使用高通滤波器提取图像中的物体边缘来保留边缘信息;最后引入结构相似性损失函数,使得网络在训练过程中更加关注图像局部区域,提高网络的特征提取能力。在NYU Depth V2室内场景深度数据集上对本文方法进行验证,实验结果表明所提方法是有效的,提升了深度图的整体精度,其均方根误差(RMSE)达到0.508,并且在阈值为1.25时的准确率达到0.875。     

基于多特征融合的图像检索方法

提出了一种综合颜色直方图和彩色共生矩阵相结合的彩色图像检索方法.首先,对彩色图像进行量化,并利用直方图计算图像之间的欧式距离;然后,利用彩色共生矩阵提取图像的纹理特征并计算图像之间的欧式距离;最后,利用综合加权的颜色特征和纹理特征实现图像检索.实验结果表明,与直方图和灰度共生矩阵相比,该方法能较好地满足用户需求,具有较高的检索性能.     

基于多特征融合的图像检索方法

提出了一种综合颜色直方图和彩色共生矩阵相结合的彩色图像检索方法.首先,对彩色图像进行量化,并利用直方图计算图像之间的欧式距离;然后,利用彩色共生矩阵提取图像的纹理特征并计算图像之间的欧式距离;最后,利用综合加权的颜色特征和纹理特征实现图像检索.实验结果表明,与直方图和灰度共生矩阵相比,该方法能较好地满足用户需求,具有较高的检索性能.     

基于多尺度及多方向分析的纹理图像检索算法

提出一种基于多尺度及多方向分析的纹理图像检索算法.针对纹理图像的特点,从不同尺度和方向比较了实数离散小波变换和双树复小波变换的性能.充分利用双树复小波变换的旋转不变性、良好的方向选择性以及有限的冗余等优点,将其有效地应用于纹理特征提取过程中.通过提取各子带上的能量和标准差作为特征矢量.采用Camberra距离作为相似度量进行检索,减小了计算量,取得了良好的检索效果.实验结果表明,双树复小波提取纹理特征所获得的检索性能优于实数离散小波检索算法,也优于经典的灰度共生矩阵算法,且算法具有良好的旋转不变性.     

一种用于图像检索的幂归一化深度卷积特征加权聚合方法

针对图像检索中基于部位的加权聚合(PWA)方法存在的视觉突发问题,提出一种幂归一化的深度卷积特征加权聚合方法。首先简化了原PWA方法中用于确定空间权重的归一化和幂变换操作,直接将所选择的有区分性的通道特征图作为空间权重矩阵,然后引入新的幂变换函数并选取合适的参数对加权聚合后的通道响应进行归一化处理,最后通过PCA降维和白化处理形成图像的全局特征表示形式。在4个标准数据库上的图像检索实验结果表明,该方法能有效调节PWA聚合特征响应的突发度并提高图像检索的准确率。     

基于多尺度边缘链码方向的图像检索算法

提出了基于多尺度的边缘链码方向的图像检索算法。首先采用不同的尺度对图像进行轮廓描述,获得多尺度的图像轮廓图;再对不同尺度的轮廓图进行链码方向统计,计算不同链码方向所占的比值,计算均向量;最后利用向量的欧式距离度量相似性。实验结果表明,该算法具有查准率高、检索性能良好等优点。     

基于分块加权的多特征图像检索算法

颜色是识别图像差异的一个重要特性,颜色特征提取过程简单,同时兼具旋转和平移不变性。但传统颜色特征只是对图像的全局信息进行统计,并没有考虑图像的空间分布特性,因此出现部分内容不同,但却有着相似颜色特征的图像。针对传统颜色直方图算法存在的检索缺陷,提出了一种新的颜色直方图分块加权提取算法。首先对图像作分块处理并根据各分块中显著点数的占比情况为其赋予权值,然后分别提取各个分块的颜色直方图特征,从而得到图像分块加权后的颜色特征;同时对图像提取Tamura纹理特征,将颜色和纹理两种特征融合在一起,并根据图像特征向量间的距离大小反映相似程度。实验结果表明:本文算法能够在提取特征向量时有效增加空间分布特性,实现了较好的检索效果。     

基于多小波统计特征的纹理图像检索

为了研究多小波性能,对多小波系数分布的统计特性进行了研究.多小波在实数域能同时具有正交、对称、短紧支撑和高消失矩等特性,单小波却不具有上述的性质,因此在理论上多小波比单小波具有更多的优势.提出并验证了多小波系数直方图服从于指数族分布;根据多小波的特点研究了其系数分布的一阶、二阶矩(共生矩阵)和系数直方图的统计特性,并应用于纹理特征的提取.通过理论分析和在纹理图像检索的对比实验说明在冗余预滤波方式下,采用二阶统计矩方法时多小波优于单小波.     

基于多特征的旋转不变纹理图像检索

为了消除图像旋转对图像检索的影响,提出了一个基于非下采样轮廓波变换、灰度共生矩阵和新相似性度量的旋转不变纹理图像检索算法。非下采样轮廓波变换具有各向异性和平移不变性。灰度共生矩阵描述了图像的方向性、邻近空间关系和方差的变化范围。通过计算每个非下采样轮廓波变换尺度下的所有子带的平均能量和平均标准差,灰度共生矩阵的二阶矩角、惯性熵、惯性矩、反差分矩,惯性相关系数的均值、标准差,得到具有旋转不变性的纹理多特征。提出一种新的相似性度量以改进纹理图像检索性能。实验结果表明,对于1个含640幅图像的旋转纹理图像库,与基于双树复小波变换的方法相比,该文图像检索算法将旋转纹理图像检索准确率由73.28%提高至80.71%。