基于小波分析和Oracle8i的图像数据库系统设计

采用了小波分析以及小波零树编码技术来提取图像特征,在Oracle8i支持图像数据库查询的基础上,综合使用传统的数据库检索技术和初步走向应用的基于内容的查询技术,实验证明这种方法丰富了传统的关系型数据库的功能,并具有良好的检索性能。     

基于综合特征图像检索技术研究

图像数据库应用日益广泛，如何高效、准确地进行图像的检索成为一项重要的研究领域。传统的图像检索主要依赖颜色、纹理、形状、空间关系等单一视觉特征，检索效果往往不够理想。针对这一实际问题，提出一种新的图像检索方法，该方法以综合特征为检索基础，通过获得图像的归一化综合特征，并将其作为图像相似性的衡量依据。实验证明，利用综合特征进行图像检索具有很好的效果。     

中国古代文明与考古学Delphi处理SQL Server 2000数据库中JPEG图像数据的两种方法*

介绍了在以Delphi 70作为前台开发工具,SQL Server 2000作为后台服务器开发数据库过程中, JPEG格式图像数据存储和读取显示的两种方法,即内存流法和路径链接法。使用内存流法可以减少磁盘操作,更易于数据库的维护和管理,还可提高数据的安全性;使用路径链接法加快了数据库的检索速度和图像数据传输速度,极大地扩展了图像数据库的信息量。这两种方法对于图像数据库的应用开发有着重要意义。     

图像数据库的模糊检索方法的探讨

这篇文章证明了在图形、图像数据库中基于模糊集合的检索方法可以实现精确的检索和控制检索范围，达到控制连续语义变化检索的目的，并用模糊对象分层树的方法实现了图形、图像数据库中的模糊检索，最后给出一个例子。     

基于内容特征的图像数据库检索技术及实现

随着图像数据库容量的增大,迫切的需要提高对数据库内图像进行检索的准确率和效率,基于图像内容特征的检索技术发展是一个重要的提高检索效率的途径。本文在分析了基于内容特征的图像检索技术基础上,针对多维索引技术发展及图像数据库的特点,提出了一种新的改进NB-Tree的基于颜色特征的图像检索技术,通过引入新的信息特征矢量,实现了检索效率的提高,并给出了一个具体的实例验证了技术的正确性。     

图像数据库分类的自组织技术

本文采用 Kohoenmap自组织神经网络技术 ,提出一种依据检索特征对图像数据库进行预分类的方法 .在文中利用这种预分类实现按类别浏览图像数据库 (image browsing by category)的功能 ,提出一种层次化的类 SS- tree的二分索引结构 .实现建立在预分类基础上的示例查询 .这种查询方法与穷搜索方法相比 ,具有更高的检索效率 ,检索次数随着库规模的增加不会显著增多 .基于图像库的实验验证了分类算法和检索算法的有效性     

基于内容的视频信号与图像库检索中的图像技术

基于内容的视频信号(Video)与图像库检索是当前计算机视觉,图像数据库与知识 挖掘(Knowledge Discovery)等领域研究的热点之一.较系统地介绍了该研究方向的现状.对 于静态图像,介绍了基于颜色、纹理、形状、区域、目标特征的检索和交互式检索方法,对于视 频序列图像,介绍了镜头检测,镜头内容表示,场景建立,运动目标分割等技术.最后分析了该 领域研究存在的难点,并提出了对今后工作的展望.     

基于0、1序列模式的图像检索方法

本文介绍了一种实现图像高速检索的新方法.该方法使用0、1序列模式作为图像的特征量,通过计算0、1序列模式特征量在图像中的匹配次数区分不同的图像,从而实现图像的检索.     

利用ASP开发基于Web的图像数据库系统

介绍了如何利用ASP开发基于Web的图像数据库管理系统，通过实例讨论了图像相关的数据库操作。论述了如何运用COM、ISAPI、Java Applet等技术扩展ASP的功能，从而进一步加强图像数据库系统管理。提出了一个Web环境下基于内容检索的图像数据库系统的解决方案。     

基于DELPHI的JPEG图像存取方法研究

本文介绍了在以Delphi作为开发工具,SQL Senver2000作为数据库开发过程中,JPEG格式图像数据存储和读取显示的两种方法,即路径链接法和内存流方法。这两种方法对于图像数据库存储的应用开发有着重要意义。     

一个基于对象的图像检索系统:Basestar

图像检索是近年为适应国际互连网以及图像数据库高速发展而出现的一门新技术。该文建立了一个基于对象的图像检索系统-Basestar。该系统针对传统图像检索方法偏重图像整体特征,忽略用户对图像感知等缺点,采用用户参与方式,自动准确分割对象,并在此基础上利用对象颜色和形状特征对图像实现检索。实验结果表明该系统取得了良好的检索效果。     

通过抽取的特征进行图象检索的算法测试平台

基于内容的图象检索近年来得到了广泛的研究,人们已提出了许多基于特征的图象检索算法,但如何管理,比较、评价、组合应用这些检索算法已成为继续深入研究必须要解决的一个问题,为了解决此问题,建立了一个通过抽取的特征进行图象检索的算法实验平台,该平台既具有管理功能（包括管理各种算法、图象库和图片）,又集成各种算法,以综合实现不同的检索功能（包括递进检索和综合检索）,实验结果表明,借助平台对算法和图象进行集中管理,既可以方便地对各种基于特征的图象检索算法进行比较和评价,又有助于方便地形研究新的算法。     

基于SVM综合利用颜色和纹理特征的图像分类和检索

基于内容的图像检索和分类在多媒体数据库管理中得到了越来越多的重视。在体统的基于内容的图像检索方法中，语义间隔（semantic gap）常常会导致检索的效果不佳，利用支持向量机（SVM）可以很好的解决图像中的语义间隔。本文介绍了我们设计的基于SVM分别利用颜色特征和纹理特征的两种分类方法，在此基础上，我们提出了一种综合利用上述两个特征共同进行分类的方法。实验结果表明。综合特征要比单一特征分类效果更好。     

基于改进的排序学习的图片检索算法研究

图片检索是图片共享社会网络中的重要研究内容之一。传统的图片检索方法往往通过对用户输入的关键字和图片的文本描述加以匹配来进行图片检索。由于文本信息存在歧义性,图片的文本描述十分困难,因此检索结果的准确性低。为了提高图片检索的准确性,提出了基于排序学习的图片检索方法。将每幅图片通过多种特征描述符进行描述,当用户的输入为图片时,通过对比查询图片和图片库中图片的相似性进行图片检索。采用支持向量机和关联规则两种学习方法对特征描述符的权重组合进行学习,并提出了相应的学习算法。实验表明,提出的基于学习的图片检索方法与相关图片检索方法相比具有更高的准确性。此外,应用支持向量机和关联规则两种方法对分类函数进行学习时,由于两种算法通过相同的数据实例对图片描述符的权重进行学习,因此得到的结果是相关的。     

基于几何流形能量最小化的图像检索算法

提出了一种基于几何流形能量GEOMEN(geometric manifold energy)最小化的图像检索算法。许多基于流形的检索算法都是在图像的特征空间提取相应的语义流形空间,进而在语义空间中进行图像检索排序。将图像的检索看作一个图像数据库中搜索一个最优图像能量环的问题。图像能量环表示了图像之间的联系和相关性,通过最小化GEOMEN可以得到最优图像环。最小化的求解涉及到一个组合优化的问题,传统的禁忌搜索算法在选择最优候选集时非常耗时,提出一种智能的积极禁忌搜索算法求解最优环,实验表明提出的算法检索性能高,可以得到较高的查全率与准确率。     

一种图像检索的新方法

介绍了一种新的图像检索方法 ,它使用简单的 0 ,1序列模式 ,只需对图像的像素作一次遍历 ,就能提取出所要的特征量 ,进行图像检索。与各种传统的基于内容的图像检索方法相比 ,该方法无需对图像抽取任何统计特性的特征 ,也不必作复杂的运算处理 ,所以非常有效 ,具有实用性。     

噪声不敏感的柱状图特征描述符及其在图像检索中的应用

基于内容的图像检索方法往往将图片的内容表示成柱状图,根据图片柱状图之间的相似性进行图片的检索。数码图片中包含的噪声使得柱状图变得平滑,从而使图片之间变得更为相似,这增加了返回结果中包含的图片数量。为了进一步提高图片检索的性能,提出了一种对噪声不敏感的柱状图特征描述符,并应用该特征描述符进行图像之间的相似性匹配。首先将图片中的噪声描述为平稳附加高斯白噪声,并给出了相应的柱状图表示;然后通过随机变量的原点矩定义了柱状图的特征描述符,并分析了如何应用特征描述符恢复原始图片的柱状图。在算法的性能验证过程中,将提出的方法与4种相关算法进行比较,应用两个真实的图片数据库的图像检索实验验证了所提方法的有效性。     

一个用语义分类实现的图象检索框架

基于语义分类的图像检索是根据图像的逻辑特征和抽象属性进行检索的技术,文章提出了基于语义的图像检索概念模型,在此基础上给出了一个用语义分类实现的的图像检索框架,重点讨论了图像语义分类、图像特征提取、检索匹配等问题。     

Fast K-means algorithm based on a level histogram for image retrieval

In image retrieval, the image feature is the main factor determining accuracy; the color feature is the most important feature and is most commonly used with a K-means algorithm. To create a fast K-means algorithm for this study, first a level histogram of statistics for the image database is made. The level histogram is used with the K-means algorithm for clustering data. A fast K-means algorithm not only shortens the length of time spent on training the image database cluster centers, but it also overcomes the cluster center re-training problem since large numbers of images are continuously added into the database. For the experiment, we use gray and color image database sets for performance comparisons and analyzes, respectively. The results show that the fast K-means algorithm is more effective, faster, and more convenient than the traditional K-means algorithm. Moreover, it overcomes the problem of spending excessive amounts of time on re-training caused by the continuous addition of images to the image database. Selection of initial cluster centers also affects the performance of cluster center training.