Statistical Shape Features for Content-Based Image Retrieval

In this article the use of statistical, low-level shape features in content-based image retrieval is studied. The emphasis is on such techniques which do not demand object segmentation. PicSOM, the image retrieval system used in the experiments, requires that features are represented by constant-sized feature vectors for which the Euclidean distance can be used as a similarity measure. The shape features suggested here are edge histograms and Fourier-transform-based features computed from the image after edge detection in Cartesian or polar coordinate planes. The results show that both local and global shape features are important clues of shapes in an image.     

黎曼流形上的保局投影在图像集匹配中的应用

目的提出了黎曼流形上局部结构特征保持的图像集匹配方法。方法该方法使用协方差矩阵建模图像集合,利用对称正定的非奇异协方差矩阵构成黎曼流形上的子空间,将图像集的匹配转化为流形上的点的匹配问题。通过基于协方差矩阵度量学习的核函数将黎曼流形上的协方差矩阵映射到欧几里德空间。不同于其他方法黎曼流形上的鉴别分析方法,考虑到样本分布的局部几何结构,引入了黎曼流形上局部保持的图像集鉴别分析方法,保持样本分布的局部邻域结构的同时提升样本的可分性。结果在基于图像集合的对象识别任务上测试了本文算法,在ETH80和YouTube Celebrities数据库分别进行了对象识别和人脸识别实验,分别达到91.5%和65.31%的识别率。结论实验结果表明,该方法取得了优于其他图像集匹配算法的效果。     

基于小波和相对矩的形状特征提取与检索方法

提出了一种基于小波和相对矩的形状特征提取与检索方法。首先，对亮度图像进行小波多尺度边缘检测，得到多尺度边界图像；然后，计算每一尺度的7个不变矩，再转化为10个相对矩，所有尺度上的相对矩组成图像的特征向量；最后，对特征向量进行高斯归一化，用欧氏距离度量图像间的相似度，构建了一个基于形状特征的网像检索系统。实验结果表明，该方法具有明显的优越性和通用性。     

基于非线性距离和夹角组合的最近特征空间嵌入方法

最近特征空间嵌入NFSE方法在训练过程中选取最近特征空间时采用传统的欧氏距离度量会导致类内离散度和类间离散度变化同步;测试时,最近邻规则也使用欧氏距离度量,而高维空间样本间直线距离具有趋同性。这些都会降低识别率,为解决此问题,提出了基于非线性距离和夹角组合的最近特征空间嵌入方法。在训练阶段,该方法使用非线性距离度量选取最近特征空间,使类内离散度的变化速度远小于类间离散度的变化速度,从而使转换空间中同类样本距离更小,不同类样本距离更大。在匹配阶段,使用结合夹角度量的最近邻分类器,充分利用样本相似性与样本夹角的关系,更适合高维空间中样本分类。仿真实验表明,基于非线性距离和夹角组合的最近特征空间嵌入方法的性能总体上优于对比算法。     

Distance learning for similarity estimation

In this paper, we present a general guideline to find a better distance measure for similarity estimation based on statistical analysis of distribution models and distance functions. A new set of distance measures are derived from the harmonic distance, the geometric distance, and their generalized variants according to the Maximum Likelihood theory. These measures can provide a more accurate feature model than the classical Euclidean and Manhattan distances. We also find that the feature elements are often from heterogeneous sources that may have different influence on similarity estimation. Therefore, the assumption of single isotropic distribution model is often inappropriate. To alleviate this problem, we use a boosted distance measure framework that finds multiple distance measures which fit the distribution of selected feature elements best for accurate similarity estimation. The new distance measures for similarity estimation are tested on two applications: stereo matching and motion tracking in video sequences. The performance of boosted distance measure is further evaluated on several benchmark data sets from the UCI repository and two image retrieval applications. In all the experiments, robust results are obtained based on the proposed methods.     

Efficient Content-Based Image Retrieval through Metric Histograms

This paper presents a new and efficient method for content-based image retrieval employing the color distribution of images. This new method, called metric histogram, takes advantage of the correlation among adjacent bins of histograms, reducing the dimensionality of the feature vectors extracted from images, leading to faster and more flexible indexing and retrieval processes. The proposed technique works on each image independently from the others in the dataset, therefore there is no pre-defined number of color regions in the resulting histogram. Thus, it is not possible to use traditional comparison algorithms such as Euclidean or Manhattan distances. To allow the comparison of images through the new feature vectors given by metric histograms, a new metric distance function MHD( ) is also proposed. This paper shows the improvements in timing and retrieval discrimination obtained using metric histograms over traditional ones, even when using images with different spatial resolution or thumbnails. The experimental evaluation of the new method, for answering similarity queries over two representative image databases, shows that the metric histograms surpass the retrieval ability of traditional histograms because they are invariant on geometrical and brightness image transformations, and answer the queries up to 10 times faster than the traditional ones.     

基于聚类和马氏距离的多角度SURF图像匹配算法

对具有不同旋转角度和变化的图像进行匹配是图像识别中的技术难点,SURF算法在多角度图像的特征点检测和匹配过程中存在易受噪声点干扰、产生误匹配从而导致匹配效率低等不足。结合聚类和马氏距离,提出一种改进的多角度SURF图像匹配算法。首先利用聚类算法对原有算法提取的特征点进行噪声剔除处理,生成新的特征点数据集;然后利用马氏距离能够有效考虑整体相关性及其具有仿射不变性等特点,将SURF算法中的欧式距离用马氏距离替代。实验应用于多角度图像匹配时,改进算法较原SURF算法在匹配效率和准确率上有明显提高。     

改进的SIFT算法图像匹配研究

对SIFT(尺度不变特征变换)算法特征描述子维数过高,导致匹配速度过慢、匹配率低等问题,提出了一种分级放射状分区的方法来构建特征描述子,将特征点邻域划分为8个区域,统计各个区域内8个方向的梯度方向直方图,得到64维特征描述子,使特征描述子维数降低50%。同时因马氏距离考虑了特征描述子向量间的相关性,在匹配时用马氏距离双向匹配方法代替欧氏距离进行匹配,并用RANSAC(随机抽样一致性)方法消除误配点。实验结果表明,改进的SIFT算法保留了SIFT算法对模糊、压缩、旋转和缩放等不变性优势,并提高了匹配速度,正确匹配率平均增加10%~15%。     

基于提升小波的图像检索算法

提升小波具有高效性和多分辨率等优点,本文提出了基于提升小波的图像检索算法。该算法首先对图像进行提升小波变换,得到每层的低频子图像和高频子图像;然后分别提取低频子图像的形状特征和高频子图像的纹理特征;最后通过计算特征向量之间的欧式距离,检索出相似的图像。实验结果表明,此算法的检索效率高于其他算法,具有一定的优越性和通用性。     

改进SURF特征的维吾尔文复杂文档图像匹配检索

针对图像局部特征的词袋模型（Bag-of-Word,BOW）检索研究中聚类中心的不确定性和计算复杂性问题,提出一种由不同种类的距离进行相似程度测量的检索和由匹配点数来检索的方法。这种方法首先需要改进文档图像的SURF特征,有效降低特征提取复杂度;其次,对FAST+SURF特征实现FLANN双向匹配与KD-Tree+BBF匹配,在不同变换条件下验证特征鲁棒性;最后,基于这两种检索方法对已收集整理好的各类维吾尔文文档图像数据库进行检索。实验结果表明:基于距离的相似性度量复杂度次于基于匹配数目的检索,而且两种检索策略都能满足快速、精确查找需求。     

基于马氏距离的局部边界Fisher分析降维算法

针对人脸识别应用中的高维数据图像以及欧氏距离不能准确体现样本间的相似度的问题,提出了一种基于马氏距离的局部边界Fisher分析(MLMFA)降维算法。该算法从现有的样本中学习得到一个马氏度量,然后在近邻选择以及新样本降维过程中用马氏距离作为相似性度量。同时,通过马氏度量构造出类内“相似”图和类间“代价”图来描述数据集的类内紧凑性和类间分离性。MLMFA很好地保持了数据集的局部结构。用YALE和FERET人脸库进行实验,MLMFA的最大识别率比传统基于欧氏距离算法的最大识别率平均分别提高了1.03%和6%。实验结果表明,算法MLMFA具有很好的分类和识别性能。     

Change detection using distance-based algorithms between synthetic aperture radar polarimetric decompositions

The present study introduces distance based change detection (CD) algorithms in polarimetric synthetic aperture radar (PolSAR) data. PolSAR images, due to interactions between electromagnetic waves and target and because of the high spatial resolution, can be used to study changes in the Earth’s surface. The purpose of this paper is to use features extracted from the fully-polarimetry imaging radar that involved Yamaguchi four-component and H/A/α decomposition based on the distance between the vectors of features for CD. We first extract features from polarimetric decompositions of multi-looked covariance (or coherency) matrix data. We then use two well-known distance measures namely Canberra and Euclidean distances for measuring the similarity between the vectors of polarimetric decompositions at different times. Assessment of incorporated methods is performed using different criteria, such as overall accuracy, area under the receiver operating characteristic curve, and false alarms rate. The results of the experiments show that Canberra distance has better performance with high overall accuracy and low false alarm rate than Euclidean distance and other compared algorithms to detect changes.     

基于马氏距离度量的局部线性嵌入算法

局部线性嵌入算法(LLE)中常用欧氏距离度量样本间相似度。而对于图像等高维数据,欧氏距离不能准确体现样本间的相似程度。文中提出基于马氏距离度量的局部线性嵌入算法(MLLE)。算法首先从现有样本中学习到一个马氏度量,然后在LLE算法的近邻选择、现有样本及新样本降维过程中用马氏度量作为相似性度量。将MLLE算法及其它典型的流形学习算法在ORL和USPS数据库上进行对比实验,结果表明MLLE算法具有良好的识别性能。     

一种基于多特征融合的彩色图像检索方法

提出了一种基于特征融合的图像检索方法。利用图像的HSV直方图特征建立图像颜色直方图,并采用直方图二次式距离公式取得图像相似性度量值;利用图像的纹理特征建立256维的LBP特征向量,并利用欧式距离取得相似性度量值;通过两特征融合的方法取得图像检索中关键图和检索图之间的相似度值,使得检索取得更好的效果。实验表明,在查准率和...     

适用于倾斜影像的加速KAZE-SIFT特征提取算法

针对传统正摄影像的特征提取算法处理倾斜影像匹配效果不佳的问题，在已有特征提取算法的基础上，提出了一种适用于倾斜影像的特征提取算法--加速KAZE-尺度不变特征变换（AKAZE-SIFT）算法。首先，为保证特征检测的准确性与独特性，采用充分保留图像轮廓信息的加速KAZE（AKAZE）算子进行特征检测；其次，为提升特征描述的稳定性，采用稳健的尺度不变特征变换（SIFT）算子进行特征描述；然后，依据目标特征向量和候选特征向量间的欧氏距离确定粗匹配点对；最后，采用随机抽样一致性算法进行单应性约束，提高匹配纯度。模拟影像在倾斜摄影条件下的模糊、旋转、亮度、视角和尺度变化，对特征提取算法性能进行评估，实验结果表明，AKAZE-SIFT算法相比SIFT算法和AKAZE算法召回率分别提高了12.8%和5.3%，精准率提高了6.5%和6.1%，F1值提升了13.8%和5.6%；提取效率优于SIFT算法，略逊于AKAZE。AKAZE-SIFT算法具有良好的检测和描述能力，更适用于倾斜影像特征提取。     

基于新的空间关系特征的图像检索方法

图像与图像之间没有清晰的空间结构,这样就不能有效利用图像间空间结构上的相关性信息,针对此问题提出一种基于新的空间关系特征的图像检索方法。首先,提取待查询图像在内的全部图像的特征向量。然后,计算特征向量每两个之间的相似性,形成相似性矩阵。将相似性矩阵的列集合作为新特征向量,命名为新的空间关系特征向量,从而将原来的特征向量映射到一个欧氏空间上。最后,在新特征空间上计算相似性,特征向量之间的相似性问题就转化为新的空间关系特征向量之间的相似性问题。在新特征空间上,图像与图像之间的空间结构变得清晰了,有利于图像检索准确度的提高。在Corel数据库上进行实验,所提方法在平均检索查准率、查全率-查准率和可视化评价指标上都优于基于颜色直方图的图像检索方法。结果表明,基于新的空间关系特征的图像检索方法有效利用了图像间空间结构上的相关性信息,具有更好的检索效果。     

基于加权相似性度量的特征匹配方法

针对图像特征匹配过程中采集图像易受噪声、光照、尺度等因素影响使产生的匹配结果鲁棒性差、误匹配率高等问题,提出一种基于加权相似性度量（WSM）的特征匹配方法。该方法首先采用基于网格多密度聚类的特征匹配（FM_GMC）算法对原始图像进行特征聚类块划分;其次在每一特征聚类块中,采用Canny提取边缘特征点并使用尺度不变特征变换（SIFT） 进行描述;然后采用加权的方式对特征聚类块之间的空间上下文信息间的Hausdorff距离、图像特征点外观描述子间的欧氏距离以及图像特征点的局部几何灰度信息的归一化互相关度量（NCC）进行相似性度量;最后依据最近邻距离比值（NNDR）对相似性度量结果进一步优化,从而确定特征匹配结果。以古建筑图像为数据集的实验结果表明WSM方法的平均匹配精确率达到92%,在匹配数量和精确率上优于常用的特征匹配方法,验证了该方法的有效性和鲁棒性。     

A variational method for contour tracking via covariance matching

This paper presents a novel formulation for contour tracking.We model the second-order statistics of image regions and perform covariance matching under the variational level set framework.Specifically,covariance matrix is adopted as a visual object representation for partial differential equation(PDE) based contour tracking.Log-Euclidean calculus is used as a covariance distance metric instead of Euclidean distance which is unsuitable for measuring the similarities between covariance matrices,because the matrices typically lie on a non-Euclidean manifold.A novel image energy functional is formulated by minimizing the distance metric between the candidate object region and a given template,and maximizing the one between the background region and the template.The corresponding gradient flow is then derived according to a variational approach,enabling partial differential equations(PDEs) based contour tracking.Experiments on several challenging sequences prove the validity of the proposed method.     

基于改进SIFT特征的双目图像匹配算法

针对SIFT（尺度不变特征变换）算法无法准确定位物体形状特征的问题,提出了一种结合了Harris角点和SIFT算法的立体匹配方法。在DOG尺度空间提取Harris算子作为图像的特征点并为每个特征点定义主方向,计算出特征点的32维特征向量描述子并用BBF算法检索同名特征点之间的欧式距离进行匹配。在降低SIFT算法的时间复杂度的同时提高了算法提取特征点的形状意义,在双目图像匹配实验中取得了较好的结果。     

基于改进颜色聚合向量与贡献度聚类的图像检索算法

为了提高图像检索的速度和准确率,通过分析各种聚类算法在图像检索中的缺点,提出了一种新的划分聚类的图像检索方法。首先,在对HSV模型非均匀量化的基础上,利用改进的颜色聚合向量方法提取图像的颜色特征;然后找到符合条件的特征向量作为初始聚类中心,利用分散度与贡献度进行聚类并建立特征索引库;最后根据查询图像的相似度进行检索和排序。实验结果表明,所提算法的查准率和查全率比其它算法均有较大提高。