近似最近邻大数据检索哈希散列方法综述

近似最近邻检索已成为人工智能时代海量数据快速检索主要技术之一。作为高效的近似最近邻检索方法,哈希散列方法受到广泛关注并且层出不穷。到目前为止还没有文献对主流哈希散列方法进行全面地分析和总结。鉴于此,本文首先系统地介绍哈希散列的基本知识,包括距离计算、损失函数、离散约束和外样本计算等。然后,深入对比分析主流哈希散列算法优缺点,并在主流数据库上进行性能评估。最后,总结哈希散列技术目前存在的问题,并提出若干潜在的哈希散列研究方向。本文对设计高效的哈希散列方法具有重要借鉴意义。

自动图像拼接中的一种特征提取和匹配方法

在比较目前特征提取和匹配的几种方法的基础上,提出了一种基于改进特征提取和匹配的拼接方法,使得图像拼接的质量和速度得到提高.该算法首先利用改进的尺度不变特征变换(scale invariant feature transform,SIFT)特征提取方法获得图像特征点,其次利用近似最近邻匹配进行特征匹配并引入随机抽样一致性(random sampleconsensus,RANSAC)算法去除误匹配对,最后根据匹配的特征点对得到的图像间的变换参数进行拼接和融合.该算法具有很强的鲁棒性,允许图像有缩放变换、旋转变换,不受图像噪声、色差的影响.实验证明,该方法可实现高质量快速的图像拼接.

一种基于SURF特征的零件识别算法

针对传统零件识别系统时间效率低等问题,提出基于SURF(Speeded-Up Robust Features)特征的零件识别算法。该算法首先对零件图像进行相关预处理,然后通过SURF算法得到零件图像的特征点和相应的特征向量,最后根据零件识别任务的特点,运用近似最近邻算法ANN(Approximate Nearest Neighbor)进行特征向量的匹配搜索,得到与模板图像最相似的图像序列。通过SURF算法和ANN算法的联合使用,解决了零件在旋转、尺度、模糊和光照变化后的识别难题,实现了算法的实时性和工业化要求。实验表明,相比于传统零件识别算法,该算法在算法效率及稳定性等方面都有显著性提高。

尺度与颜色不变性图像特征描述

尺度不变特征变换是目前公认的鲁棒性最强的图像特征描述方法之一,在尺度不变性和几何不变性方面具有较好的特性,但该方法主要适用于灰度图像,对图像颜色的区分能力不强,因此,一些对象可能会因为颜色的不同而被错误的区分.另外,尺度不变特征变换对关键点局部范围内描述子主方向的依赖性非常强,直接决定了匹配的正确率,但是研究表明,主方向分配产生的误差仅有三分之二左右能控制在[-20。,+20。]范围内,因此部分特征会有三分之一的概率因为主方向分配的误差较大而不能正确匹配.针对以上两个问题,本文提出了一种具有颜色和尺度不变性的局部特征描述方法,颜色不变性通过将RGB图像转换到高斯颜色模型下实现,特征描述过程中不再分配主方向,而用局部相对方向,尺度不变性通过构建高斯金子塔实现.实验选取阿姆斯特丹数据集图像进行了测试,结果表明本文方法比传统尺度不变特征变换方法,在特征点的数目、分布均匀性以及匹配精度方面均有所提高.

基于特征聚类的轻量级图像搜索系统

在图像搜索的场景中,由于搜索请求的随机性,为了提高搜索速度,搜索算法运行时需要把整个数据集预先载入到运行内存。由于运行内存价格远高于同容量的硬盘价格,降低运行内存自然可以大大降低图像搜索服务的成本,但如果直接对数据进行压缩,往往会极大地损失搜索精度。在这种情况下,文中提出了一种基于图像内容特征的分块式图像搜索框架。先利用神经网络的方法来预先提取图片特征,在不对特征进行量化压缩的前提下,采用一种启发式的聚类方法对数据进行分块,同时保证每个数据块的数据之间有一定的相似性。对于每个数据块,采用基于图结构的HNSW算法来构建索引子图以加速图片查询。在该框架下,通过控制查询时访问的数据块的个数,可以在保证精度的前提下大大减少算法所需要的运行内存容量。

基于改进曲率尺度空间算法的电力设备红外与可见光图像配准

针对现有电力设备红外与可见光图像配准难度大、配准时间长等问题,提出一种改进曲率尺度空间(CSS)算法的电力设备红外与可见光图像配准方法。首先引入Freeman链码差提高CSS算法的特征点提取精度,其次为每个特征点分配点到弦的垂直距离特征主方向,采用加速稳健特征变换(SURF)算法获得特征描述算子,最后利用双边快速近似最近邻(FLANN)搜索匹配方法和随机抽样一致(RANSAC)方法得到正确的匹配点对,获得仿射变换模型参数。实验结果表明:改进CSS图像配准方法与SURF、尺度不变特征变换(SIFT)、CSS配准方法相比性能指标均有显著提升,平均均方根误差(RMSE)较其他3种算法分别降低了77.73%、80.32%、7.63%;平均匹配时间分别降低了30.82%、40.12%、10.57%,提高了电力设备红外与可见光图像配准的效率。