基于多尺度深度卷积特征的图像检索

为了检索图像中不同位置和不同大小的感兴趣目标,提出一种基于多尺度深度卷积特征的图像检索方法.首先利用卷积神经网络构造一个深度学习框架,利用随机梯度下降和后向传播算法训练深度学习模型;其次利用训练得到的模型提取图像在不同尺度下的卷积特征,对不同尺度下的卷积特征进行PCA降维,研究降维后的检索性能;最后为了提高深度特征对图像的刻画能力,对不同尺度下降维后的卷积特征进行特征融合.大量的实验表明本文所提算法对图像检索是有效的.     

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。     

基于深度卷积神经网络的遥感图像场景分类

遥感图像场景分类在地理空间对象检测、自然灾害检测、地理图像检索、环境监测等方面具有广泛的应用前景,引起了人们的广泛关注.文章改进了传统的深度卷积神经网络(DCNN),将其应用于遥感图像场景分类研究,提出了一种改进后的7层网络结构,在激活函数的选择上,针对神经元通过Relu进行激活容易激活失败的情况,采用PRelu函数替代Relu;针对传统的深度学习方法不能融合多种细粒度深度学习特征的问题,采用分层特征融合的方法,通过实验对比,将第四个卷积层、池化层和最后一个全连接层提取到的特征进行串联融合,得到一种更加有效的深度特征.与传统深度学习方法相比,文章所提方法分类准确率提高了8.81%.实验结果表明,该方法在准确率、Kappa系数上均有良好表现,取得了良好的分类效果.     

基于多级深度特征与随机游走的显著性检测

为了解决图像显著性检测中传统方法特征学习不全面、复杂场景下显著区域凸出不明显的问题,提出了一种基于多级深度特征和随机游走的显著性检测算法。首先,利用全卷积神经网络,结合深层和浅层卷积特征信息对图像进行多级卷积深度特征提取;然后,对图像进行超像素分割,将提取的深度卷积特征分配给相应的超像素,构建特征矩阵;最后,通过正则化随机游走排序模型生成最终的显著图。在ECSSD和DUT-OMRON数据库上的实验结果表明,与6种具有代表性的显著性检测算法相比,文中算法的准确性和F值具有一定的优势。     

改进型查询自适应特征融合图像检索方法

为改进图像检索性能,提出一种改进型查询自适应特征融合图像检索方法.通过定义最佳和最差特征检索分数曲线,比较归一化后的特征检索分数曲线与2条标准分数曲线的相似程度,并计算权重,再利用该权重对各特征进行融合,同时采用改进的图像-类相似度准则和引入新的卷积神经网络特征进行图像检索.该方法在Ukbench和Holidays检索数据集和VIPeR行人再识别数据集上进行了算法验证和测试,结果表明,新算法提高了检索性能,能得到更好的图像检索结果.     

基于高层先验语义的显著目标检测

为解决图像低级特征不能够均匀进行显著目标检测的问题,将高层先验语义和低级特征进行结合,提出一种新颖的基于高层先验语义的显著目标检测算法模型。利用深度卷积神经网络对输入图像以及显式显著性先验信息分别进行语义分割提取,得到显式显著性检测图;通过将图像中隐含的先验显著性特征与显著性值进行映射得到训练模型计算隐式显著性图;将显式显著性检测图和隐式显著性检测图进行自适应融合,形成均匀覆盖显著目标像素的精确显著检测图。为验证算法模型的有效性,将算法在具有挑战性的ECSSD和DUT-OMRON图像数据集进行实验仿真,实验结果表明,该算法的显著目标检测效果较其他方法有较为显著的提升。     

融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类

针对现有的SIFT特征在车辆细粒度分类中存在的分类精度低的问题,提出了一种融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类算法。首先采用SIFT算法与Fisher Vector算法相结合的方式提取车辆图像的FV-SIFT特征,然后采用VGG-16卷积神经网络提取车辆图像的深度卷积特征,最后将FV-SIFT特征与深度卷积特征进行线性融合并采用支持向量机对融合后的车辆特征进行分类。实验结果表明,该方法的分类准确率达到82.3%,较FV-SIFT算法在分类准确率上提高了15.4%。     

精细拓扑结构表示与深度特征融合在多目标图像检索中的应用

空间信息表示是增强图像特征表达性能的重要手段,通过空间关系建模与深度学习方法融合可有效提升深度特征的语义特性,从而提升图像检索性能.首先,针对复杂图像的空间关系表示提出了一种新的精细拓扑结构表示模型,该模型不仅具有完备的拓扑描述性能,还提供了两种拓扑不变量的推理算法,使得拓扑不变量可以由表示模型直接推导而不需要繁复的几何计算;其次,基于精细拓扑结构表示模型,提出了有效的拓扑结构相似性度量方法,为空间关系特征表达奠定了基础;最后,进一步结合卷积神经网络,提出融合复杂空间关系特征与深度特征的多目标图像检索方法.实验结果表明,所提出的拓扑结构表示模型在空间查询中具有良好的性能;所提出的图像检索框架取得优于现有方法的精度,并能够有效地结合手工特征与深度特征各自的优势,为提升深度学习方法的可解释性创造了有利条件.     

基于深度特征加权的图像表示方法

卷积神经网络可以在图像检索中为图像内容提供有效的表示,基于该理论提出一种基于深度特征加权的图像表示方法,此方法通过对深度特征加权,突出图像表示中对象的内容,并降低背景信息的影响。首先,通过预训练卷积神经网络提取出图像的特征映射,然后根据不同特征映射的特点,计算出深度特征的位置重要性、区域重要性和通道重要性,并根据3种重要性对深度特征进行加权,最后通过池化与深度特征聚合的方式生成图像表示。实验结果表明,与其他图像表示方法相比,提出的方法在Holiday、Oxford和Paris图像库中取得了更好的检索效果。     

基于深度卷积神经网络的模糊字迹图像识别方法

在传统的模糊字迹图像识别过程中,忽略了字迹变化尺度对图像的影响,导致识别准确度低识别能力差的问题,提出基于深度卷积神经网络的模糊字迹图像识别方法.通过图像的退化模型,对模糊字迹图像稀疏性特征进行分解,构建模糊字迹图像的多源特征参数检测模型,结合边缘轮廓特征提取方法实现对模糊字迹图像的边界信息采样分析;采用多维参数模拟和模糊度增强处理,结合匹配滤波检测器对图像的多级尺度分解和细节特征进行提取,对提取的模糊字迹图像细节特征进行融合和优化检测,采用深度卷积神经网络训练方法进行模糊字迹图像修复处理,实现模糊字迹图像的识别.仿真结果表明,采用该方法进行模糊字迹图像识别的准确性较高,检测能力较强,提高了模糊字迹图像修复和辨识能力.     

基于支持向量机和用户反馈的图像检索算法

针对当前图像检索算法存在精度低、 实时性差等不足, 为了获得更理想的图像检索结果, 提出一种基于支持向量机和用户反馈机制的图像检索算法. 首先采集大量图像, 提取图像检索的相关特征, 建立图像检索特征库; 然后采用支持向量机计算待检索图像特征与图像检索库特征之间的相似度, 确定图像类别, 实现图像的初步检索; 最后引入用户反馈机制对图像的初步检测结果进行精细比对, 并与经典图像检索算法进行对比实验. 实验结果表明, 该方法的图像检索精度超过90%, 图像检索误差远小于经典图像检索算法, 提高了图像检索效率.     

基于支持向量机和用户反馈的图像检索算法

针对当前图像检索算法存在精度低、 实时性差等不足, 为了获得更理想的图像检索结果, 提出一种基于支持向量机和用户反馈机制的图像检索算法. 首先采集大量图像, 提取图像检索的相关特征, 建立图像检索特征库； 然后采用支持向量机计算待检索图像特征与图像检索库特征之间的相似度, 确定图像类别, 实现图像的初步检索； 最后引入用户反馈机制对图像的初步检测结果进行精细比对, 并与经典图像检索算法进行对比实验. 实验结果表明, 该方法的图像检索精度超过90%, 图像检索误差远小于经典图像检索算法, 提高了图像检索效率.     

基于显著性加权颜色和纹理的图像检索

显著性体现了图像中像素区域引起视觉注意的强弱程度,在图像检索中具有重要意义。本文提出的基于显著性加权的图像检索方法不需要分割出显著性区域,而以显著性加权的方式建立了新的颜色特征和纹理特征,从而增加了显著性区域的颜色与纹理特征的权重。通过对4种主要的显著图的实验比较发现该方法能有效提高检索效果。     

New method of image retrieval based on interest image region blocks and comprehensive features

We propose an image retrieval method based on interest image region by asymmetrical blocking. An image is segmented into the interest region and background region on a certain rule. For the interest image regions, the color histogram of the uneven blocks is extracted as the color characteristic. We also collect the mean and variance value of the Gabor filtering results of background blocks as texture features of the background image. Then, the images can be retrieved by synthesizing the image color and texture features. We test our approaches by analyzing the results of recall and precision indicators for the Corel image data-base. The experiment results show that the proposed method performs effectively and accurately, which is more effective to retrieve the distant-view images, and the achieved precision increases by about 10% without loss of the retrieval call compared with some other traditional search methods.     

唐卡图像线条轮廓检索方法

各种媒体中唐卡图像越来越普遍,有效地对唐卡图像进行检索变得至关重要。提出一种唐卡图像检索方法:首先提取唐卡图像的线条画,对线条画线条提取Gabor特征并存储在特征库中;用特征二次式距离的方法对待检索图像线条画的线条特征和特征库进行相似性检测,找出相似唐卡。实验证明该方法检测精确度较高,能较好地检索到唐卡图像。     

基于空间像素强度的脑瘤图像检索方法

针对脑瘤图像提出一种基于内容的检索方法. 首先采用图像膨胀算法增强脑瘤图像的感兴趣区域(ROI); 然后基于点的空间像素强度的特征提取方法, 描述脑瘤图像增强后的ROI局部特征; 最后引入聚合特征算法提高图像特征的辨别能力和压缩能力. 实验对比3种脑瘤图象检索方法的结果表明, 该算法可得到较高的检索精确度, 可实现高效、 准确的脑瘤图像检索.     

RGB and LBP-texture deep nonlinearly fusion features for fabric retrieval

Fabric retrieval is very challenging since problems like viewpoint variations, illumination changes, blots, and poor image qualities are usually encountered in fabric images. In this work, a novel deep feature nonlinear fusion network(DFNFN) is proposed to nonlinearly fuse features learned from RGB and texture images for improving fabric retrieval. Texture images are obtained by using local binary pattern texture(LBP-Texture) features to describe RGB fabric images. The DFNFN firstly applies two feature learning branches to deal with RGB images and the corresponding LBP-Texture images simultaneously. Each branch contains the same convolutional neural network(CNN) architecture but independently learning parameters. Then, a nonlinear fusion module(NFM) is designed to concatenate the features produced by the two branches and nonlinearly fuse the concatenated features via a convolutional layer followed with a rectified linear unit(ReLU). The NFM is flexible since it can be embedded in different depths of the DFNFN to find the best fusion position. Consequently, DFNFN can optimally fuse features learned from RGB and LBP-Texture images to boost the retrieval accuracy. Extensive experiments on the Fabric 1.0 dataset show that the proposed method is superior to many state-of-the-art methods.     

基于小波明显区域及空间分布的图像检索

提出了一种基于小波变换的明显区域检测方法,并改进了环型分割算法,使对视觉有意义的区域和区域特征提取更加快捷、方便。该算法不仅考虑到区域内的图像特征,而且还考虑到明显区域的空间分布信息,并把环型区域的颜色矩和在明显区域附近的Gabor特点,作为索引图像的特征向量。使用Corel图像库测试了提出的方法。实验表明,该方法切实可行。     

基于几何不变量和规格化直方图的层次图像检索模式

提出层次图像分割方法,将检索图像在不同的层次上分割为不同大小的子块,计算这些子块与查询图像间的相似度进而实现检索,同时可以获得检索图像中查询目标对象的尺度和位置信息。根据图像的几何不变量和规格化直方图特征提出了一种层次块图像检索模式,并且用500幅各类图像进行了试验。在最理想的相似度阈值下,仅以几何不变量为特征的检索精度可达到78%。此外,该检索模式也可很好地处理大小不同的图像。