基于视觉词袋与颜色矩的图像检索方法

针对视觉词袋(Bag of words,BoW)图像检索模型中SIFT特征只提供局部梯度描述,其编码在图像中的其他鉴别信息仍然没有被利用,以及局部特征之间缺乏几何约束等问题,提出一种基于视觉词袋与颜色矩的图像检索方法。该方法在BoW模型基础上,通过后期融合图像颜色矩特征增加图像的颜色信息,以及对得到的检索列表使用RANSAC算法来对查询图像与检索列表靠前的图像特征位置间拟合单应性增加位置信息。

一种改进的视觉词包模型的船舶识别方法

船舶识别在船舶贸易和军事活动中具有重要意义。目前的研究主要依赖于深度学习的方法,但这类方法对数据集规模和硬件要求较高,通常需要GPU等高性能硬件,限制了其在实际应用中的推广。针对这一挑战,提出了一种改进的视觉词包模型,用于快速识别船舶目标。首先利用SIFT和SURF方法提取船舶图像的局部特征,并将两种特征进行快速匹配和融合。随后,采用基于图论的方法确定图像的感兴趣区域(ROI),以减少背景的影响。接着,通过聚类算法将ROI区域内的特征转换为视觉单词,并构建视觉词典,从而用视觉单词直方图描述每幅图像。该方法还采用空间金字塔核式模型描述图像特征之间的空间关系,并通过支持向量机进行有监督的学习分类。在模型中,视觉词典的大小和分辨率水平是关键参数,通过实验对其进行了深入研究。当视觉词典大小设置为300,分辨率水平设置为2时,模型的准确率、精确率超过了96%,实验结果验证了该模型的有效性。

一种用于拷贝图像检索的视觉词汇消歧方法

为提高视觉词汇的区分能力,提出一种对视觉词汇过滤的方法.该方法能够对视觉词汇进行消岐,过滤大部分错误匹配的特征点.经实验验证本方法能够有效提高拷贝图像的检索效果.同时,该方法可以和其他后验证方法结合使用,当与其他后验证方法一起使用时,不仅能够提高其他方法的检索效果而且能够提高其检索效率.

基于局部特征和视觉词袋模型的大豆叶片病害识别

病害检测对提高大豆作物产量至关重要。针对传统视觉法诊断大豆作物病害而导致病害识别效率和分类准确率不高的问题,提出一种基于局部描述符和视觉词袋技术以数据表征大豆叶片图像的分类算法,同时保留有关潜在疾病的视觉信息。采用SIFT、DSIFT、PHOW和SURF 4种算法对大豆叶片的霜霉病、锈病TAN和锈病RB进行分类识别。结果表明,局部描述符PHOW表现出最佳的分类识别结果,其正确分类率为96.25%。进一步研究PHOW在不同颜色空间下的大豆病害识别效果。结果表明,与灰度图像相比,使用HSV、Opponent颜色空间可有效提升对大豆叶片病害检测的正确分类率,其正确分类率分别可达99.83%和99.58%,验证采用局部描述符和视觉词袋技术识别大豆叶片病害方法的可行性和高效性,并为其他作物的病害识别提供一种通用的分类识别方法。

基于优化视觉词袋模型的图像分类方法

针对视觉词袋(BOV)模型中过大的视觉词典会导致图像分类时间代价过大的问题,提出一种加权最大相关最小相似(W-MR-MS)视觉词典优化准则。首先,提取图像的尺度不变特征转换(SIFT)特征,并用K-Means算法对特征聚类生成原始视觉词典;然后,分别计算视觉单词与图像类别间的相关性,以及各视觉单词间的语义相似性,引入一个加权系数权衡两者对图像分类的重要程度;最后,基于权衡结果,删除视觉词典中与图像类别相关性弱、与视觉单词间语义相似性大的视觉单词,从而达到优化视觉词典的目的。实验结果表明,在视觉词典规模相同的情况下,所提方法的图像分类精度比传统基于K-Means算法的图像分类精度提高了5.30%;当图像分类精度相同的情况下,所提方法的时间代价比传统K-Means算法下的时间代价降低了32.18%,因此,所提方法具有较高的分类效率,适用于图像分类。

基于改进视觉词袋模型的图像标注方法

针对传统视觉词袋模型对图像尺度变化较为敏感的缺点，提出一种基于改进视觉词袋模型的图像标注方法。该方法引入图像的多尺度空间信息，对图像进行多尺度变换并构建多尺度视觉词汇表，将图像表示为不同尺度特征，结合多核学习的方法优化各尺度特征的相应权重，获取特征表示。实验结果验证了该方法的有效性，其标注准确率比传统BoVW模型提高17．8％-25．7％。

基于视觉词汇形状描述的图像表示方法

针对目前图像表示中引入空间位置信息的空间金字塔匹配方法缺乏对图像中视觉物体平移、缩放和旋转的考虑,提出一种基于视觉词汇形状描述模型的图像表示方法。该方法相对于每个视觉单词的几何中心建立空间几何模型,保证平移不变性;给出对数极坐标空间金字塔匹配,对对数极半径做归一化,保证缩放不变性;在空间金字塔划分过程中确定极角的主方向,从而保证旋转不变性。分别在Caltech-101数据集和自建图像数据集上对该方法进行了验证和比较。实验结果表明,该方法提高了分类识别准确率,特别是对于包含明显平移、缩放和旋转变化的图像数据集;该方法的方差较小,说明其鲁棒性更强。

基于加权特征空间信息视觉词典的图像检索模型

针对传统的视觉词袋模型中视觉词典对底层特征量化时容易引入量化误差,以及视觉单词的适用性不足等问题,提出了基于加权特征空间信息视觉词典的图像检索模型。从产生视觉词典的常用聚类算法入手,分析和探讨了聚类算法的特点,考虑聚类过程中特征空间的特征分布统计信息,通过实验对不同的加权方式进行对比,得出效果较好的均值加权方案,据此对视觉单词的重要程度加权,提高视觉词典的描述能力。对比实验表明,在ImageNet图像数据集上,相对于同源视觉词典,非同源视觉词典对视觉空间的划分影响较小,且基于加权特征空间信息视觉词典在大数据集上更加有效。

基于聚类分析的无监督视觉词典构造方法研究

视觉词典是运用视觉词袋模型有效表示图像的基础和关键.研究了基于聚类分析的无监督视觉词典构造方法,针对K-Means和层次K-Means(HKM)聚类算法在构造视觉词典时对初始值敏感和容易陷入局部最优的问题进行改进,提出了一种基于谱聚类的视觉词典构造方法,采用对观测数据的相似性矩阵进行特征值分解的方法来实现聚类,可在任意分布的特征空间收敛到全局最优.通过图像检索实验评估了随机采样、K-Means、HKM和改进的谱聚类视觉词典的性能,验证了聚类分析尤其是改进的谱聚类方法构造视觉词典的有效性.

基于概念格层次分析的视觉词典生成方法

视觉词典容量是影响图像场景分类精度的重要因素之一,大容量的视觉词典因计算量较大影响了分类的效率,而小容量的视觉词典由于多义词问题的严重致使场景分类精度降低.针对该问题,提出一种基于概念格层次分析的视觉词典生成方法.首先生成关于训练图像视觉词包模型的初始视觉词典;然后在构造的概念格上利用概念格的概念层次性,通过动态地调整外延数阈值,获取粒度大小不同容量的描述图像各场景语义的约简视觉词典;最后对各类约简视觉单词构成向量进行异或,删除多义词,进而生成有效描述图像场景语义的视觉词典.实验结果表明,文中方法是有效的.

基于视觉词典和位置敏感哈希的图像检索方法

当前视觉词袋(Bag of Visual Word,Bo VW)模型中的视觉词典均由k-means及其改进算法在原始局部特征描述子上聚类生成,但随着图像数据的迅速增长,在原始局部特征空间中进行聚类存在着运行时间较长和占用内存较大的问题.针对着这些问题,提出了一种基于视觉词典和位置敏感哈希的图像检索方法.首先,选择合适的生成二进制哈希码的哈希算法,将局部特征点保持相似性地映射为二进制哈希码.然后,在二进制哈希码上进行k-means,生成视觉词为二进制码的视觉词典.最后,用视觉单词的词频向量表示图像内容,根据词频向量对图像进行检索.在SIFT-1M和Caltech-256数据集上的实验结果表明,本方法可以缩短视觉词典生成的时间,占用更少的存储空间,与传统的基于k-means的视觉词典算法相比,图像检索性能基本不变.

视觉词袋和Gabor纹理融合的遥感图像检索

针对高分辨率的遥感图像,提出了一种视觉词袋和Gabor纹理融合的图像检索方法。遥感图像纹理信息丰富,局部关键点多,当图像存在较多相似纹理时,视觉词袋检索准确率下降。将视觉词袋和Gabor纹理融合在一起结合了局部特征和全局特征以及中层词袋和底层纹理的优点,可以改进遥感图像的描述方式。实验结果表明,通过合理地分配视觉词袋和Gabor纹理的权重,特征融合的检索性能与单一特征方法相比有较大提高,并优于传统的Gabor纹理和颜色矩融合方法。因此,视觉词袋和Gabor纹理融合在遥感图像检索领域是一种有效的方法。

基于视觉词袋模型的羊绒与羊毛快速鉴别方法

为快速准确地鉴别羊绒和羊毛,提出一种基于视觉词袋模型的鉴别方法。该方法使用羊绒和羊毛的光学显微镜图像作为实验样本,将纤维鉴别问题转化为图像的分类问题。首先对光学显微镜图像进行预处理以增强特征,然后从纤维形态中提取局部特征并生成视觉单词,再依据视觉单词对纤维图像进行分类,从而达到鉴别纤维的目的。使用了4 400幅纤维图像作为数据集,从中选择不同的羊绒和羊毛的混合比作为训练集和测试集,得到的识别率最高为86%,最低为81.5%,鉴别1 000根纤维需要的时间小于100 s,训练好的分类器可保存并用于后期的检测工作。

基于Hadoop的视觉词袋模型图像分类算法

随着互联网的发展和数字图像获取技术的进步,传统图像分类算法在处理海量数字图像时,面临耗时过多、文件系统及处理架构落后的问题.针对这一问题,利用主流的Hadoop开源分布式计算平台,引入视觉词袋模型实现对图像的表示,并对模型的图像直方图化过程做出改进,提出一种自适应的特征分配方法,最后采用易于并行的随机森林算法作为分类器,以充分利用Hadoop平台强大的分布式计算能力.实验显示,基于Hadoop平台的图像分类方法在处理大规模数据集时较单机环境能有效减少时间消耗,同时具有良好的分类效果.

利用模型选择确定视觉词袋模型中词汇数目

视觉词袋(Visual Bag-of-Words)模型在图像分类、检索和识别等计算机视觉领域有了广泛的应用,但是视觉词袋模型中词汇数目往往是根据经验确定或者采用有监督的交叉学习选取。提出一种确定视觉词袋模型中词汇数目的无监督方法,利用模型选择的思想来解决问题。使用高斯混合模型描述具有不同词汇数目的视觉词袋,计算各模型贝叶斯信息准则的值,选取贝叶斯信息准则最小值对应的词汇数目。与交叉验证的监督学习在图像分类实验的对比结果说明该方法准确有效。

基于空间金字塔视觉词袋模型的交通视频车型分类方法研究

为了提高交通视频中车型分类的实时性和准确率,提出了一种基于空间金字塔视觉词袋模型的车型分类方法.该方法利用SIFT进行车辆特征的提取,采用空间金字塔优化车辆特征,在SVM分类器中引入车辆特征因子的视觉词袋模型进行交通视频车型分类.实验结果表明:基于空间金字塔视觉词袋模型的车辆分类方法不仅提高了车辆分类的准确率,也加速了车型分类过程.

视觉词袋模型理论方法在历史街区特色评价中的应用--以中东铁路沿线历史街区为例

文章以中东铁路沿线典型历史街区为例,采用计算机学科中的视觉词袋模型分析方法,对历史街区空间要素的分类、条件和特色进行分析与描述,并对空间要素参量进行语言表达和统计,从而总结出历史街区的特色,形成历史街区特色空间要素组成、设施配置特征的简单量化指标,为进一步评价历史街区的特色提供量化的辅助工具。

基于高层语义视觉词袋的色情图像过滤模型

针对目前色情图像过滤算法对比基尼图像和类肤色图像误检率过高,且不能有效过滤带有淫秽动作的多人色情图像的缺点,提出一种基于高层语义视觉词袋的色情图像过滤模型。该模型首先通过改进的SURF算法提取色情场景局部特征点,然后融合视觉单词的上下文和空间相关高层语义特征,从而构建色情图像的高层语义词典。实验结果表明,该模型检测带有淫秽动作的多人色情图像准确率可达87.6%,明显高于现有的视觉词袋色情图像过滤算法。

一种基于视觉词袋模型的图像检索方法

为了提高图像检索的效率,提出一种基于视觉词袋模型的图像检索方法。一方面在图像局部特征提取算法中,使用添加渐变信息的盒子滤波器构造尺度空间,以保留图像更多的细节信息,另一方面在特征表达时仅计算一次特征点圆形邻域内的Haar小波响应,避免了Haar小波响应的重复计算,并在保证描述子旋转不变性的同时做降维处理。同时,以改进k-means对特征库聚类构建加权的视觉词典,基于概率计算的方式选取k-means初始聚类中心,降低了传统k-means聚类效果对初始聚类中心选择的敏感性。实验结果表明该方法比传统方法具有更高的效率,特征提取速度提高48%左右,查准率提高2%以上。

基于视觉词袋模型的茶机智能化控制方法

因3类名优茶在颜色上并无太大区分,纹理特征也不明显,所以在茶机智能化控制方法中主要依靠人为的主观判断进行名优茶分类,准确度较低。针对这个问题,提出一种基于视觉词袋模型的分类方法,首先对采集的茶叶图片通过数字图像处理的方法调整对比度,然后利用视觉词袋模型提取每一张图像的SIFT特征并生成视觉单词,最后将每一张图像表示成一个包含视觉单词的向量,输入到BP神经网络中进行训练并分类。实验结果表明:该方法合理有效,可以被广泛应用到茶叶分类问题中。