基于多层次视觉语义特征融合的图像检索算法

目的为了解决低层特征与中层语义属性间出现的语义鸿沟,以及在将低层特征转化为语义属性的过程中易丢失信息,从而会降低检索精度等问题,设计一种多层次视觉语义特征融合的图像检索算法。方法首先分别提取图像的3种中层特征(深度卷积神经网络(DCNN)特征、Fisher向量、稀疏编码空间金字塔匹配特征(SCSPM));其次,为了对3种特征进行有效融合,定义一种基于图的半监督学习模型,将提取的3个中层特征进行融合,形成一个多层次视觉语义特征,有效结合3种不同中层特征的互补信息,提高图像特征描述,从而降低检索算法中的语义鸿沟;最后,引入具有视觉特性与语义统一的距离函数,根据提取的多层次视觉语义特征来计算查询图像和训练图像的相似度量,完成图像检索任务。结果实验结果表明,与当前检索方法对比,文中算法具有更高的检索精度与效率。结论所提算法具有良好的检索准确度,在医疗、包装商标等领域具有一定的参考价值。     

基于双级特征提取与度量的图像检索算法

目的 针对单一低层特征在语义属性中的信息易丢失,导致其对图像描述能力不强,使其检索精度不佳的问题,结合颜色矩（CM）、角径向变换描述符（ART）和边缘直方图（EH）等3种特征,定义一种双级特征提取与度量的图像检索方案。方法 首先,将图像转换为HSV色彩空间,并将其分割为若干个非重叠子图像,通通过计算每个子图像的均值、标准差和偏斜度来表征CM;再利用Euclidean距离,对查询图像和数据库图像的CM进行提取与度量,将输出的检索结果标记为一个图像集。随后,提取查询图像与图像集中每个目标的ART和EH特征;利用Euclidean距离分别度量查询图像与图像集中目标的ART与EH的相似性;最后,对ART与EH的加权组合,输出相似性最高的检索图像。结果 实验表明,与当前常见的检索算法比较,文中算法具有更高的检索精度,表现出更优异的Precision-Recall曲线。结论 所提算法具有良好的检索准确度,在信息处理、包装商标等领域具有一定的参考价值。     

基于深度学习耦合稀疏语义度量的商标检索算法

目的针对当前商标图像检索中的语义鸿沟问题,提出一种深度学习耦合稀疏语义度量的商标图像检索方案,有效抑制噪声干扰,降低冗余特征维数。方法首先,根据由卷积与池化组成的无监督学习机制,对输入商标图像进行多层特征提取,输出一维特征向量。随后,通过L2-支持向量机(L2-SVM)进行分类,利用特征向量进行训练,获得多级联特征。然后,根据商标图像的多级联特征和用户标签信息的异构数据结构,设计一种稀疏语义度量方法进行相似检索,减少语义鸿沟。此外,引入一种混合范数作为相似度量的稀疏约束,以抑制原始输入空间中的冗余特征维数和噪声,优化检索结果。结果实验表明,与当前流行的商标检索方案相比,所提算法具有更高的检索精度,其输出的结果中仅有1幅无关图像。结论该方案具有较高的检索精度和较强的鲁棒性,在商标检测、商标保护等方面中具有良好的应用价值。     

基于字典统计耦合归一化多重距离的图像检索算法

目的针对当前彩色图像检索技术容易受到色彩的干扰,使其鲁棒性不强等不足,提出一种字典统计耦合归一化多重距离的彩色图像检索算法。方法首先将图像量化并转换成一维信号,然后引入字典统计,将一维信号进行字典编码,并计算编码后的图像多样值,在归一化字典距离的基础上嵌入字典编码图像的多样值,从而定义归一化多重距离(NMD)的相似度量准则,利用NMD对查询图像与数据库图像的多样值进行比较与识别,搜索出与查询图像具有相同特征的最相似图像,完成目标检索。结果在COREL数据库的实验结果表明,相对于当前常用的检索技术,该检索算法具有更高的查准率和查全率,可对彩色图像完成精确检索,有效减低了色彩对检索性能的干扰。结论文中算法具有较好的检索精度,能够较好地用于医疗、商标等领域的目标检索。     

傅里叶变换耦合曲率尺度空间的图形检索算法

目的解决当前基于曲率尺度空间CSS的图形检索算法仅仅使用了曲率空间图的峰值,且该峰值数量是根据图像形状不断变化的,加上其忽略了图形的重要特征,导致较低的检索精度与效率的不足。方法提出了2D傅里叶变换耦合改进的曲率尺度空间的图形检索算法。首先,考虑零交叉点过程中的曲率动态变化,并定义峰值阀值控制准则,联合抛物线拟合技术,改进了CSS机制,去除伪峰值点,且能兼顾图像形状上的非峰值点信息,获取CSS抛物线拟合图;引入2D傅里叶变换,用CSS抛物线拟合图代替图像形状,获取曲率尺度图的2D傅里叶变换;最后,对其进行归一化,建立曲率-傅里叶描述符,构建查询图形与图形库的欧式距离,完成图形检索。结果 MPEG数据库测试结果显示:与当前利用曲率尺度空间、1D傅里叶描述符的图形检索技术相比,本算法拥有更高的检索精度与效率,呈现出较好的PR曲线。结论所提算法能够进一步提高图形检索精度与效率,在包装商标检索等领域具有较好的应用价值。     

非负矩阵分解耦合视觉词典的图像检索算法

目的解决当前图像检索技术中,图像特征稀疏编码收敛速度慢,以及局部特征空间信息不足易导致检索误差较大等问题,提出一种基于l0稀疏约束非负矩阵分解耦合视觉词典优化的图像检索算法。方法首先,在非负矩阵分解(Non-negative Matrix Factorization,NMF)的基础上,对系数矩阵设置l0个约束来限制其稀疏性,从而定义一种l0稀疏约束的NMF方法。再通过一种自适应序列词典初始化方案,从训练样本获得词典的初始估计。然后,利用l0稀疏约束的NMF来增强视觉词典,对图像局部描述符进行稀疏编码,并利用最大池化操作来生成聚合特征向量,从而保留局部描述符的关键属性。最后根据得到的特征向量,引入Minkowski距离来衡量查询图像与数据库的相似性,输出检索图像。结果实验结果表明,与当前图像检索方案相比,所提算法具有更高的查准-查全率和收敛速度。结论所提算法返回的图像与查询图像相似度高,在包装商标检索等领域具有一定的参考价值。     

基于改进几何哈希法的矢量图形检索

针对图形文件以矢量方式记录几何实体的特点,提出了一种基于改进几何哈希法的图形检索算法。与图像的对应处理方式相比,该算法充分利用图形的矢量信息,以实体基准点和实体的准确几何形式描述几何实体;在检索过程中,每个图形实体仅有基准点参与排序和查询,哈希表数据组织形式简单,查询速度快;通过验证图形实体属性,保证了查询结果的准确性。最后以矢量图形文件为图例,验证了方法的有效性。     

基于颜色-空间的图像检索算法

在分析了现有的基于内容的图像检索方法的基础上,提出了一种基于颜色空间分布的图像检索方法。该方法采用HSI颜色模型提取代表色,提高了图像检索的速度;通过图像分块后统计各方块颜色的代表色直方图并赋予不同的权值,提高了图像检索的精度,改善了图像检索的质量。实验结果表明,排序上明显优于其它几种分块算法,可以得到满意的查询结果。     

基于区域生长耦合多分类器的商标检索算法

目的针对商标检索算法中易出现的语义鸿沟,底层视觉特征与高层语义相关性不强而导致商标检索精度不理想的问题,定义一种基于区域生长耦合多分类器的商标检索方案。方法首先对输入的商标进行预处理,去除图像中的噪声和杂散点,并通过3D直方图和聚类算法来提取输入图像中的主颜色;基于区域生长算法,合并具有相同颜色标签的所有连接点,以形成颜色区域;然后根据生成的颜色区域,分别定义颜色分类器、形状分类器和关系分类器,利用每个分类器计算查询图像和数据库中图像的检索优势概率;最后通过决策组合,根据检索规则和列表长度找到最相似的商标,并利用动态选择方案进一步提高检索准确率。结果实验结果表明,与当前商标检索方案相比,所提检索系统具有更为理想的Precision-Recall曲线,对缩放、扭曲和噪声具有更高的鲁棒性。结论所提方案在各类几何变换下具备较高的检索准确率,对商标注册、版权保护等行业有较好的借鉴意义。     

一种快速图像纹理分析算法

针对目前的纹理分析算法普遍存在计算复杂、运行时间过长的缺点,提出了一种新的图像纹理分析算法。该算法利用差分概念定义出图像的差分矩阵和差分直方图,并从差分直方图中提取特征进行图像纹理的相似度度量。由于本算法在考虑人类视觉特性的基础上尽量采用加减运算,因此不但具有与人类视觉特性相联系的特点,更使得算法的运行效率大大提高。使用本算法对brodatz 图像库进行的检索实验表明,该算法在查准率和检索效率上与共生矩阵算法相比分别提高13.9160%和 9.5 倍,具有与传统算法相比更好的检索效果和更高的检索效率。因此该算法可以满足实时性要求较高的场合,弥补了目前算法运行时间长的缺点。     

基于极半径曲面矩和HMM的三维模型分类与检索算法

在计算机辅助设计（computer aided design，CAD）中，对机械零件的三维模型进行分类和检索有利于设计人员重用设计信息，从而缩短产品的开发周期，以快速响应市场需求。针对三维模型的分类与检索，提出了一种基于极半径曲面矩和隐马尔科夫模型（hidden Markov model，HMM）的分类与检索算法。首先，计算三维模型的极半径曲面矩并组成特征向量，经排序编码后，将其作为HMM的观测序列；然后，取一部分人工标注过的三维模型作为训练样本，采用添加比例因子的多观测序列B-W（Baum-Welch）算法对HMM进行训练；最后，利用训练好的HMM对三维模型进行分类与检索。实验结果显示，与现有的2种分类与检索算法相比，所提出的算法具有更高的识别率和检索效率。该算法的特点是：极半径曲面矩计算快，不用将三维模型体素化；HMM训练快，分类能力强，且不需要大量训练样本就有一定的分类能力。研究表明，所提出的算法能较好地解决三维模型的分类与检索问题，具有一定的实用价值。     

基于多属性的专利知识表征与组织

针对专利知识传统获取方式中存在的技术领域局限,利用矛盾、物质-场、功能、发明原理、标准解和效应等6种创新属性构建专利知识多属性表征模型;每种创新属性均采用对应的属性层次树进行多层次描述,并由此提出了基于多属性的专利知识多层次组织策略及算法流程;在此基础上,给出了基于该模型的应用框架.通过上述方法构建得到基于多属性多层次的本地专利库,从多个属性角度对专利知识进行综合表征,并支撑不同层次专利知识的获取.从而,打破了技术领域的局限,促进跨学科、跨领域专利知识的快速、有效获取,有利于激发设计人员进行类比迁移.最后,通过微纳空心镍球制备方法的改进示例说明该模型的可行性.     

Real-Time Detection of Cracks on Concrete Bridge Decks Using Deep Learning in the Frequency Domain

This paper presents a vision-based crack detection approach for concrete bridge decks using an integrated one-dimensional convolutional neural network (1D-CNN) and long short-term memory (LSTM) method in the image frequency domain. The so-called 1D-CNN-LSTM algorithm is trained using thousands of images of cracked and non-cracked concrete bridge decks. In order to improve the training efficiency, images are first transformed into the frequency domain during a preprocessing phase. The algorithm is then calibrated using the flattened frequency data. LSTM is used to improve the performance of the developed network for long sequence data. The accuracy of the developed model is 99.05%, 98.9%, and 99.25%, respectively, for training, validation, and testing data. An implementation framework is further developed for future application of the trained model for large-scale images. The proposed 1D-CNN-LSTM method exhibits superior performance in comparison with existing deep learning methods in terms of accuracy and computation time. The fast implementation of the 1D-CNN-LSTM algorithm makes it a promising tool for real-time crack detection.     

基于颜色信息与空间特征的自适应商标检索算法

目的为了增强商标检索技术对商标特征的描述能力,改善其在外来干扰下的检索精度与鲁棒性。方法提出一种基于颜色与空间特征自适应结合的商标检索算法。首先,引入主颜色描述符(DCD),将其作为颜色特征检测器,并在颜色特征提取时嵌入k-均值聚类算子,增强颜色区域,准确提取颜色特征。随后,每个商标被量化为8个显色的最大值,以便提取每个颜色分量中的空间分布信息。然后,通过利用不同的权重来平衡颜色与空间特征的重要性,定义一种基于模糊直方图分析技术,计算每个商标自适应系数,以准确描述彩色商标的图像特征。最后,通过Euclidean距离进行相似度量,输出检索到的商标。结果实验结果表明,与当前商标检索方法相比,所提算法具有更高的检索精度与鲁棒性,呈现出更理想的P-R曲线,在召回率为0.7时,其检索准确率仍可达到90%。结论文中检索方法具有较高的检索精度,在包装商标检测、商标版权保护等领域中具有良好的应用价值。     

CANFIS based glioma brain tumor classification and retrieval system for tumor diagnosis

Brain tumor classification and retrieval system plays an important role in medical field. In this paper, an efficient Glioma Brain Tumor detection and its retrieval system is proposed. The proposed methodology consists of two modules as classification and retrieval. The classification modules are designed using preprocessing, feature extraction and tumor detection techniques using Co‐Active Adaptive Neuro Fuzzy Inference System (CANFIS) classifier. The image enhancement can be achieved using Heuristic histogram equalization technique as preprocessing and further texture features as Local Ternary Pattern (LTP) features and Grey Level Co‐occurrence Matrix (GLCM) features are extracted from the enhanced image. These features are used to classify the brain image into normal and abnormal using CANFIS classifier. The tumor region in abnormal brain image is segmented using normalized graph cut segmentation algorithm. The retrieval module is used to retrieve the similar segmented tumor regions from the dataset for diagnosing the tumor region using Euclidean algorithm. The proposed Glioma Brain tumor classification methodology achieves 97.28% sensitivity, 98.16% specificity and 99.14% accuracy. The proposed retrieval system achieves 97.29% precision and 98.16% recall rate with respect to ground truth images.     

Multi-Index Image Retrieval Hash Algorithm Based on Multi-View Feature Coding

In recent years, with the massive growth of image data, how to match the image required by users quickly and efficiently becomes a challenge. Compared with single-view feature, multi-view feature is more accurate to describe image information. The advantages of hash method in reducing data storage and improving efficiency also make us study how to effectively apply to large-scale image retrieval. In this paper, a hash algorithm of multi-index image retrieval based on multi-view feature coding is proposed. By learning the data correlation between different views, this algorithm uses multi-view data with deeper level image semantics to achieve better retrieval results. This algorithm uses a quantitative hash method to generate binary sequences, and uses the hash code generated by the association features to construct database inverted index files, so as to reduce the memory burden and promote the efficient matching. In order to reduce the matching error of hash code and ensure the retrieval accuracy, this algorithm uses inverted multi-index structure instead of single-index structure. Compared with other advanced image retrieval method, this method has better retrieval performance.     

利用Krawtchouk矩不变量实现基于形状的图像检索

图像在经过平移、旋转和尺度变化后是否仍具有很好的检索效果是基于形状的图像检索研究的一个难点.本文提出了一种利用Krawtchouk矩不变量实现基于形状的图像检索方法.该方法首先对图像进行灰度变换,然后提取图像的低阶矩,取16个低阶矩不变量作为图像的特征向量,并按照相似性度量输出相似图像从而实现基于形状的图像检索.文中给出了实验结果,并与基于几何矩不变量和基于Zernike矩不变量的图像检索方法进行了比较.结果表明本文的方法具有更好的检索性能,和上述两种方法相比,查全率分别提高了21.52%和7.6%,查准率则分别提高了16.25%和6.25%.