基于云平台和分布式计算的大规模图像检索

为了获得理想的大规模图像检索结果,设计基于云平台和分布式计算的大规模图像检索方法。采用云平台和分布式计算技术构建图像检索环境,使用SIFT算法提取图像检索特征,通过k-means聚类进行特征向量降维,根据视觉词典与图形向量的对应关系构建倒排索引结构,初步实现图像的大规模检索,利用多特征融合方法进一步提升图像检索的准确性。测试结果表明,该检索方法具有较好的扩展率与加速比,图像检索准确性高,图像检索效率高。

大规模图像特征检索中查询结果的自适应过滤

针对大规模图像的快速检索问题,提出了面向倒排索引结构的检索方法中查询结果的自适应过滤方法:全面过滤和不完全过滤.目的是在不影响查询精度的前提下,提高查询效率.根据查询特征所在的空间位置,全面过滤通过构造以查询特征点为球心的超球体并自适应地计算半径,只对位于超球体内部的查询结果进行排序,从而减少需要排序的查询结果数量,提高查询效率.在此基础上,为了降低过滤查询结果的时间开销,不完全过滤将倒排列表划分为若个子倒排列表并将对应的聚类中心用于过滤查询结果.为了验证所提出方法的有效性,以一种典型检索方法:基于残差量化的检索方法为应用实例,分别将全面过滤和不完全过滤与该检索方法相结合.此外,为了提高特征量化效率,将一种欧式距离下限定理与残差量化相结合并用于过滤特征量化过程中非近邻聚类中心.通过在公开数据集进行实验,实验结果表明在保证具有相同平均查全率的前提下,全面过滤和不完全过滤都能明显减少基于残差量化的检索方法的查询时间,不完全过滤比全面过滤具有更快的检索速度.此外,非近邻聚类中心过滤可以有效提高残差量化的特征量化效率.

基于PCA-二叉树的大规模图像索引技术研究

针对大数据数据库中图像索引中维度灾难问题,该文提出一种基于云的大规模图像检索技术,该方法创新性地将主成分分析法和二叉树引入到图像检索技术中,首先采用尺度不变特征变换和加速鲁棒特征描述符作为帧特征,面对大规模维度特征,将主成分分析法对帧特征进行降维,并使用二叉树表示降维后的特征,以加速研究阶段并减少存储空间,最终实现图像检索.实验表明:该文方法在降维70%的条件下,搜索精确率/召回率(Precision/Recall,PR)值能够达到传统方法20%降维条件下的PR值,并且在搜索时间上,该文方法与正常搜索相比,搜索速度得到30%~50%的提升.

一种新的大规模图像数据集分割方法

图像分割是图像识别过程中的一个重要步骤,在计算机视觉研究中占有非常重要的地位,图像分割的好坏直接影响图像识别的效果。为提高大规模图像数据集的分割效果,实现自动、快速、高质量分割,首先采用均值漂移算法对大规模图像进行预分割以降低图像规模,然后根据图像的颜色特征使用层次聚类算法对分割后的小区域进行聚类处理,以实现快速分割图像。实验结果表明,该方法能够有效减少图像分割时的运算时间和空间复杂度,提高图像分割效率,获取良好的图像分割效果,为后续图像分析、理解和识别打下基础。

基于Hadoop的大规模图像存储与检索

图像数据的指数型增长使得传统单机的图像检索在处理大规模图像时面临着检索速度慢、并发性差、检索准确率低的问题。由于图像特征文件都是小文件,本文提出将图像特征小文件进行适当的合并后存储于Hadoop的分布式文件系统HDFS中,实现大规模图像的快速存储和读取;为了适应大规模的图像检索,对图像Fisher向量进行二值化处理,并利用Map Reduce并行编程模型实现基于二值Fisher向量和SIFT(Scale Invariant Feature Transform)特征的并行检索。在INRIA Holidays数据集、Kentucky数据集和Flicker1M数据集上的实验结果表明该方法扩展性强,能够取得较好的检索准确率,有效减少检索时间,提高检索速度,是一种高效的大规模图像存储和检索的方法。

一种基于加速坐标下降的大规模图像分类算法研究

随着大规模图像分类数据集的出现,设计一种可扩展的、高效的多类分类算法成为目前一个重要的挑战。基于迹范数正则惩罚函数,提出一种新的大规模多类图像分类的可扩展学习算法。把具有挑战性的非光滑优化问题重构为一个带l1正则惩罚的无穷维优化问题,进而设计一个简单而有效的加速坐标下降算法。此外,展示了如何在量化的密集视觉特征的压缩域中进行高效的矩阵计算,该压缩域有100 000个例子,1 000多维特征和100多类图片。最后在图像网的子集"Fungeus"、"Ungulate"和"Vehicles"上的实验结果表明,所提出方法的性能明显优于目前最先进的16高斯Fisher向量方法。

编码选择哈希算法解决大规模图像检索问题（英文）

哈希算法已被广泛应用于解决大规模图像检索的问题.在已有的哈希算法中,无监督哈希算法因为不需要数据库中图片的语义信息而被广泛应用.平移不变核局部敏感哈希(SKLSH)算法就是一种较为代表性的无监督哈希算法.该算法随机的产生哈希函数,并没有考虑所产生的哈希函数的具体检索效果.因此,SKLSH算法可能产生一些检索效果表现较差的哈希函数.在本文中,提出了编码选择哈希算法(BSH).BSH算法根据SKLSH算法产生的哈希函数的具体检索效果来进行挑选.挑选的标准主要根据哈希函数在3个方面的表现:相似性符合度,信息包含量,和编码独立性.然后,BSH算法还使用了一种基于贪心的选择方法来找到哈希函数的最优组合.BSH算法和其他代表性的哈希算法在两个真实图像库上进行了检索效果的对比实验.实验结果表明,相比于最初的SKLSH算法和其他哈希算法,BSH算法在检索准确度上有着明显的提高.

基于卷积通道筛选的大规模图像识别

一直以来,由于大规模图像种类繁多且形态各异,导致大规模图像识别领域研究发展非常缓慢。在深度模型中,卷积神经网络(convolutional neural network,CNN)可以提取颜色、轮廓等浅层特征。随着层次的加深,其特征表述也由颜色、轮廓等特征逐渐抽象为整体特征。然而通过实验发现,网络的这种特征提取方式在提取整体特征时会出现一些不利于有效分类的“坏通道”。这种现象在大规模的图像分类任务中表现的更加明显。这些通道参与了网络的后续计算并且一定程度上降低了网络的性能。为了筛选出这些不利于分类的通道,提出了结合L1和L2范数进行特征选择的方法。通过对比多个网络模型的实验结果,该特征选择算法在大规模图像识别中具有更好的性能,并且可以提高网络的识别准确率。

一种用于大规模图像分类的可扩展学习算法

随着大规模图像分类数据集的出现，设计一种可扩展的、高效的多类分类算法成为目前一个重要的挑战。基于迹范数正则惩罚函数，提出了一种新的大规模多类图像分类的可扩展学习算法。把具有挑战性的非光滑优化问题重构为一个带l1正则惩罚的无穷维优化问题，进而设计了一个简单而有效的加速坐标下降算法。展示了如何在量化的密集视觉特征的压缩域中进行高效的矩阵计算，该压缩域有100000个例子，1000多维特征和100多类图片。在图像网的子集“Fungeus”，“Ungulate”和“Vehicles”上的实验结果表明，提出方法的性能明显优于目前最先进的16高斯Fisher向量方法。

大规模景观图像斑块特征增强算法仿真

不同景观斑块特征存在一定的差异,整体增强会导致斑块重叠和模糊等问题。为此,提出一种大规模景观图像斑块特征增强算法。计算大规模景观图像斑块形状指数、多样性指数、破碎性指数、最大斑块指数以及优势度指数,以此反映景观图像内斑块组成和结构特征,并度量景观斑块特征;再将所有指数计算结果组成斑块特征集,输入多分支注意力机制卷积神经网络中,依据网络通道注意力机制增强图像斑块特征分辨率;最后,将增强结果作为局部特征融合网络的输入,通过该网络的卷积操作生成各个通道的局部斑块图,获取局部特征、斑块特征的位置和细节信息,完成斑块特征二次增强。仿真实验结果表明:所提出的增强算法的梯度损失和结构相似性损失函数值均在0.10以下,说明其能够有效处理斑块边缘之间的模糊效应,并且可靠区分不同的景观斑块分布空间。

一种新的大规模复杂图像分割的谱聚类方法

提出了一种新的应用于大规模复杂图像分割的谱聚类方法,该方法通过均匀采样获取图像的较小模式,通过快速卡通—纹理分解模型分解图像,分别获取图像的光谱和纹理特征,然后通过Nystrm谱聚类算法确定采样图像的划分,最后利用其结果,依据一种综合了K近邻以及随机选择思想的估计规则确定原图像的最终划分。大规模合成纹理图像及自然图像的分割实验验证了该方法的可行性及有效性。

软件DSM机群上并行大规模地理图像处理系统ParGIP

基于共享虚拟存储 (sharedvirtualmemory ,SVM )PC机群的大规模并行地理图像处理原型系统ParGIP(parallelgeographicalimageprocessing)采用Client Server计算模型 ,通过软件分布式共享存储 ①(softwaredistributedsharedmemo ry ,softwareDSM )中间层将PC机群组织成一个逻辑上共享内存的并行计算平台 ,地理图像处理可以充分利用ParGIP提供的大共享内存和并行处理能力来提高性能 ,缩短处理周期 ,从而解决传统单机串行方式下地理图像处理中内存匮乏和计算能力不足的问题 ParGIP还进一步将机群中各个结点上分布的磁盘组织起来 ,提供地理影像库所需的海量存储空间和并行I/O能力 测试结果表明 :ParGIP的 8机并行I/O带宽达到 10 2 6MB/s 。

基于机器学习的大规模船舶图像检索机制

船舶图像具有大规模、多样性等变化特点,传统船舶图像检索机制难以获得高精度检索结果。为了获得理想的船舶图像检索结果,设计了基于机器学习的大规模船舶图像检索机制。首先分析当前船舶图像检索研究进展,阐述船舶图像检索基本流程,然后采集不同类型的船舶图像检索特征,选择最优的船舶图像检索特征作为机器学习算法的输入、船舶图像类别作为输出,最后通过机器学习算法的训练建立船舶图像检索的分类器,并与其它船舶图像检索机制进行了对照测试。测试结果表明,本文机制可以满足大规模船舶图像检索要求,船舶图像检索正确率要高于对比船舶图像检索机制,可以更快找到用户需要的船舶图像,获得了令人满意的船舶图像检索结果。

医学图像检索二进制码学习方法

近年来,乳腺癌的发病率逐年增长,严重影响了人们的生活.许多计算机辅助诊断技术被提出用于乳腺摄影图像的自动分析来辅助医生做出诊断.然而因图像差异较微妙、数据库小等原因,许多传统的方法在诊断准确率方面受到限制且缺乏可扩展性.针对以上问题,本文提出了一种基于哈希的大规模图像检索方法来实现乳腺癌的早期辅助诊断.该方法提取待判定图像与已确诊图像的局部特征,并用迭代量化(ITQ)的哈希学习方法将原始特征空间中的特征向量转化为保存了原始特征之间相似性的二进制码,然后比较汉明距离找出与待判定图像最相似的一系列图像,并根据返回图像做出诊断.实验表明该方法可用于大型数据库且具有可扩展性,有效地提高了诊断准确率,可以帮助医生做出正确的诊断.

基于参考纹理与自身色彩的图像修复

传统的图像修复工作仅仅利用破损图像本身的信息完成,破损面积较大并且结构比较复杂时,破损图像不能提供足够的信息导致修复效果不理想。针对这个问题提出了基于参考图像纹理与破损图像自身颜色的修复算法。该算法在图像库中通过图像检索智能筛选相似参考图像,并选择最优区域填充破损图像区域,利用参考图像样块与自身未破损区域的纹理信息保证修复边界的平滑性,再结合颜色迁移与扩展算法使破损图像修复区域与完好区域的色彩协调一致。实验结果表明新提出的修复算法使得图像修复区域过渡更加自然,能在视觉上有较好的效果。

基于Faster RCNNH的多任务分层图像检索技术

针对已有的以图搜图技术中自动化和智能化水平低、缺乏深度学习、难以获取精确的检索结果、检索技术存储空间消耗大、检索速度慢且难以满足大数据时代的图像检索需求等问题,提出了一种基于Faster RCNNH(Faster RCNN Hash)的多任务分层图像检索方法。首先利用选择性检索网络在特征图上进行逻辑回归,得到图像中各感兴趣区域的概率向量,在此基础上结合紧凑量化网络对其进行编码,得到图像紧凑量化哈希码;其次利用再次筛选网络获取各感兴趣区域中响应最大的区域感知语义特征;接着针对每个感兴趣区域,基于量化哈希h矩阵的精检索策略来对图像进行快速比对;最后选出与查询图像中的对应感兴趣区域最相似的图像。提出的多任务学习方法不仅能同时得到图像紧凑量化哈希码和区域感知语义特征,还能有效去除图像背景和其他对象信息的干扰。实验结果表明:所提方法能实现端到端的训练,自动选出更高质量的感兴趣区域特征,提高了大规模图像检索的自动化和智能化水平,其检索精度(0.9478)与检索速度(0.306s)均明显优于现有的大规模图像检索技术。

基于兴趣点局部分布特征的图像检索研究

针对当前图像检索方法存在检测正确率低、检测时间长等难题,为了提高图像检索效果,结合图像检索特点,设计了基于兴趣点局部分布特征的图像检索方法。首先分析了当前国内外图像检索的研究进展,指出当前图像检索方法的局限性,然后对待检索图像进行预处理,并提取其兴趣点局部分布特征,最后根据兴趣点局部分布特征建立图像检索相似度度量模型,并在Matlab平台上对图像检索方法的有效性和优越性进行了测试。其方法可以很好度量图像之间的相似度,图像检索正确率超过95%,图像检索时间完全可以满足当前大规模图像检索要求,获得比较当前其它图像检索方法更好的图像检索结果,获得了用户的满意。

各向同性的迭代量化哈希算法

准确有效的哈希算法是实现海量高维数据近邻检索的关键.迭代量化哈希(Iterative Quantization,ITQ)和各向同性哈希(Isotropic Hash,Iso Hash)是两种知名的编码方法.但是ITQ算法对旋转矩阵施加的约束过于单薄,容易导致过拟合;而Iso Hash算法缺乏对哈希编码的更新策略,降低了编码质量.针对上述问题,提出了一种各向同性的迭代量化哈希算法.该方法采用迭代的策略,对编码矩阵和旋转矩阵交替更新,并在正交约束的基础上增加各向同性约束来学习最优旋转矩阵,最小化量化误差.在CIFAR-10、22K Label Me和ANN-GIST-1M基准库上与多种方法进行对比,实验结果表明本文算法在查准率、查全率以及平均准确率均值等指标上均明显优于对比算法.

基于量子遗传算法的高效匹配搜索策略

在大规模源图像上进行图像匹配时,最佳匹配点的搜索策略是匹配算法时间性能的决定因素,设计高效匹配搜索策略是提高算法性能的关键。为了减少搜索时间和提高匹配实时性,本文基于匹配源图像划分和量子遗传算法基本原理,提出了面向大规模源图像匹配的目标淘汰搜索策略TESS。TESS将基于整幅源图像的全空间随机搜索的过程变成基于各个子图像的子空间并行搜索和逐步淘汰的过程,实现了匹配区域粗定位与匹配点精搜索的有效结合,从而大大缩短了最佳匹配点的搜索时间。实验结果表明,TESS搜索策略带来了匹配速度的极大提高,且时间加速比随匹配源图像规模的增大而增大。

字典重建和空间分布关系约束下的特征选择与图像拼接

目的 针对大型图像检索领域中,复杂图像中SIFT特征描述子的冗余和高维问题,提出了一种基于字典重建和空间分布关系约束的特征选择的方法,来消除冗余特征并保留最具表现力的、保留原始空间结构性的SIFT特征描述子。方法 首先,实验发现了特征选择和字典学习方法在稀疏表示方面的内在联系,将特征选择问题转化为字典重构任务;其次,在SIFT特征选择问题中,为了保证特征空间中特征的鲁棒性,设计了新型的字典学习模型,并采用模拟退火算法进行迭代求解;最后,在字典学习的过程中,加入熵理论来约束特征的空间分布,使学习到的特征描述子能最大限度保持原始SIFT特征空间的空间拓扑关系。结果 在公开数据集Holiday大型场景图片检索数据库上,通过与国际公认的特征选择方法进行实验对比,本文提出的特征选择方法在节省内存空间和提高时间效率(30%~50%)的同时,还能保证所筛选的特征描述子的检索准确率比同类特征提高8%~14.1%;在国际通用的大型场景图片拼接数据库IPM上,验证本文方法在图像拼接应用中特征提取和特征匹配上的有效性,实验表明本文方法能节省(50%~70%)图像拼接时间。结论 与已有的方法比较,本文的特征选择方法既不依赖训练数据集,也不丢失重要的空间结构和纹理信息,在大型图像检索、图像拼接领域和3D检索领域中,能够精简特征,提高特征匹配效率和准确率。