一种基于GMM-聚类树的面向大规模服装图像检索的索引结构

目前服装图像检索研究主要偏重于考察服装图像底层特征的表示方法,对服装图像数据集整体的特性关注较少.服装图像种类、款式、细节多种多样,传统方法在检索速度和准确率上已经不能满足用户的需求.为在日益庞大的服装图像集中快速准确地搜索需要的款式,提出一种GMM-聚类树索引方式.GMM-聚类树将不同细节的服装图像按照相似性逐步聚类,分别对应于不同的聚类树分支,避免人为指定聚类个数造成服装分类的错误.分别在小数据集和大数据集上测试其对服装图像检索的准确率和效率,试验结果表明通过自动确定聚类个数和GMM-聚类树的逐层分类,能够带来检索准确率和效率的双重提升.

云环境下大规模图像索引技术

为满足海量高维数据快速计算和检索的需求,基于一个高层次的分布式树形索引结构抽象框架MRC-Tree,以及不同的KD-Tree建树方式,提出两种基于Map-Reduce机制的分布式KD-Tree索引结构构建方法,分别为MKDTM方法和OKDTM方法。通过并行对数据进行切分和建树,多个节点并发检索,可以有效地提高检索性能。理论分析和实验结果表明,基于MRC-Tree框架的分布式KD-Tree索引结构具有良好的可扩展性和较高的检索效率,且OKDTM索引结构比MKDTM具有更优良的性能。

云环境下基于MKd-Tree的大规模图数据索引技术

由于高维属性和海量数据所带来的影响,数据管理需要相当高的计算负载,传统的集中索引技术已经变得不切实际。为满足数据的快速增长、海量和高维特性的要求,实现了一个高层次的分布式树形索引结构框架MRC-Tree。基于MRC-Tree框架基础上,提出了两种MKd-Tree索引结构构建方法,即OMKd-Tree和MMKd-Tree。理论分析和实验结果表明,基于MRC-Tree框架的MKd-Tree索引结构构建方法具有良好的可扩展性和较高的检索效率。

基于GCP的大规模无人机影像检索方法

鉴于利用无人机影像数据进行高精度测绘及地表三维信息提取时,从具有定位定向信息、数据规模大、影像分布密集等特点的数据集中检索包含地面控制点(ground control point,GCP)的目标影像存在检索速度较慢的问题,提出了基于GCP的影像检索方法。首先,对无人机影像点集构建最小外包矩形与基准坐标系;其次,利用GCP数据构建合适大小的索引矩形(ground control point rectangle,GCP-Rec);最后,依据GCP-Rec对影像数据批量建立索引,最终生成树形索引。效率对比实验表明,该方法能快速完成大规模无人机影像的空间索引构建,提升影像检索效率,且其检索性能优于传统的R树与四叉树等空间索引。影响因素对照实验表明,影像检索效率与GCP数量成反比关系,设定GCP-Rec边长为2.0~2.4倍航带间距时检索精度最优。