区域图像检索中的AdaBoost反馈学习算法

提出了一种基于AdaBoost相关反馈的区域图像检索方法.结合图分割的图像分割算法和多区域匹配方法,利用用户的反馈信息对AdaBoost弱分类器的反复训练,得到一个具有较小错误率的强分类器.将其应用到区域图像检索中从而返回更加精确的查询结果.实验表明(图像数据库大小为10000),基于AdaBoost相关反馈的区域图像检索方法有更好的检索查准率和密集度,优于单一区域的图像比较算法和多区域比较算法.

一种使用Harris特征点的区域图像检索算法

为了克服图像分割技术的限制,提出了一种基于特征点匹配技术的图像检索算法。手工提取图像中的一块区域作为查询图像,然后使用Harris算子提取彩色特征点,并用相应的颜色特征对特征点进行表示,最后利用特征点匹配技术实现区域图像的检索。实验表明,该方法对于图像的亮度变化和几何变换具有很强的鲁棒性,可以有效提高检索准确率。

一种基于前景与背景划分的区域图像检索方法及实现

区域图像检索(RBIR)是基于内容图像检索(CBIR)的一个分支,它以图像分割为基础,通过图像局部视觉特征的相似性进行图像检索。由于准确的图像分割技术尚不成熟,区域图像检索性能容易受到冗余分割和错误分割的影响。为了降低RBIR中图像分割的影响,提出了一种基于前景和背景划分的区域图像检索方法。该方法通过规则分块、图像分类和有效区域定位来得到图像分割区域,然后应用中心对象提取算法(COEA)获得图像主体对象,最后提取颜色和纹理特征进行相似度匹配。实现了一个基于上述方法的RBIR系统ObFind,实验结果表明该方法不仅具有与SIMPLIcity相当的检索性能,而且计算复杂度更低。

基于模糊区域的CT脑图像检索及关联反馈

基于模糊区域特征的图像检索算法和关联反馈算法是当前图像检索领域的研究热点,由于区域模糊相似度的复杂性,绝大多数关联反馈算法不能应用到基于模糊区域特征的图像检索方法中。为解决这个问题,论文修改了模糊相似度计算方法,并结合经典的基于权重调整的关联反馈算法,提出一种基于模糊区域特征的关联反馈算法。对脑出血CT图像的检索实验结果表明该算法效果较好。

基于兴趣区域的图像检索方法的研究

目前大多数基于内容的图像检索(CBIR)技术都依赖于图像的全局特征(例如颜色、纹理直方图等),这样图像的空间布局特征被忽略了.由此提出的图像检索方法克服了这个问题,它是基于如下原则:用户应最有资格指定查询"内容",而不是计算机.该方法使得用户能够选择多个"感兴趣区域"并且在检索过程中指定它们的空间布局相关性.

一种基于区域综合特征的图像检索算法

针对基于内容的图像检索所面临的图像低级视觉特征和高级语义之间的语义鸿沟问题，提出一种基于区域的图像检索算法。在LUV颜色空间中使用K均值聚类算法进行图像分割，提取分割后各区域的颜色、形状和区域自相关特征构成区域的综合特征，采用二次型距离相似性度量方法完成图像之间相似性的计算。实验结果表明，该算法具有较好的图像检索性能，与MIRROR中各算法相比，使用平均归一化修正检索等级得到的检索性能提高了12%~47.8%。

一种新的基于区域的图像检索方法

基于区域的图像检索大都是利用各个区域的高频部分来直接代表图像的纹理特征,这种算法可能会导致诸如纹理平移等现象,增大图像的距离度量的误差,降低了检索的精度。本文提出了一种基于高阶微分的纹理特征选取算法,有效地解决了这类问题。另外,本文对Meanshift分割算法进行了改进,减小了由于区域吞噬而带来的颜色度量的误差。实验结果表明这种方法是有效的。

基于区域的图像检索技术

传统的基于内容的图像检索方法提取图像全局特征,缺乏高层语义信息,无法很好地满足用户的检索要求。本文深入研究基于区域的检索方法,该方法能够更好地表达用户的查询要求,在语义层次上理解图像、检索图像,是基于内容的图像检索的一种行之有效的方法。

基于区域的图像检索算法

本论文主要针对现在日益增长的多媒体信息检索需求,以及目前国内外现有的基于区域的图像检索算法的局限性,深入地探讨了基于区域的图像检索的通用技术问题,提出了解决方案,着重于新的图像特征描述方法,相似度检测、特征提取与快速检索算法等方面的研究,构建了一个基于区域的图像检索通用模型,通过大量实验,验证了方案的合理性。

一种基于区域的图像检索方法的研究

针对目前基于全局特征的图像检索系统存在的局限性,提出了一种基于区域的检索方案。首先应用K均值聚类算法将图像中的像素按颜色进行聚类,每一类近似对应于图像中的一个一致性区域,在区域上提取颜色和纹理特征。这种方式将检索过程深入到图像内部的物体中去,在一定程度上体现了图像的语义特性;在相似性匹配阶段,提出了一种基于区域的相似性匹配算法,并在实验中证明了其有效性。

一种基于区域的图像相似性计算方法

在基于区域的图像检索系统中,图像之间的相似性计算是影响检索结果的关键技术之一。提出了一种基于区域的图像相似性计算方法,该方法首先按照区域的综合特征(颜色、纹理及位置)、直方图特征值及区域的形状特征分别进行相似度的计算,然后,将各自相似度加权乘积作为两区域的相似度,两幅图像的相似度为各区域最大相似度的平均值。在Corel自然图像库上对提出的方法和实现的系统进行了实验,结果表明了提出方法的有效性。