基于Bag-of-words和Hash编码的近似重复图像检测算法

针对近似重复图像检测的传统算法存在检测效率和准确率不够高的缺点,提出了基于Bag-of-words和哈希编码的近似重复图像检测算法。该算法首先利用Bag-of-words把一幅图像表示成一个500维的特征向量;然后,利用主成分分析(PCA)和尺度不变特征转换(SIFT)进行特征降维,并利用Hash编码技术对特征进行编码;最后,利用动态距离度量技术实现近似重复图像的检测。实验结果表明,利用该算法进行近似重复图像检测是完全可行的,在准确度和查全率之间做到了较好的平衡,查准率可达90%～95%,查全率可达70%～80%。

基于多特征绑定的近似重复图像检索

基于绑定特征的近似重复图像检索方法由于采用尺度不变特征变换(SIFT)特征及坐标信息,存在一定的局限性.因此,文中在SIFT特征基础上增加颜色特征形成多特征绑定,并利用兴趣点尺度方向信息,提出2种鲁棒的绑定特征兴趣点顺序计算方法:中心顺序和主方向顺序.首先,抽取绑定特征兴趣点的颜色分布特征并加入索引,检索时利用该特征的Kullback-Leibler距离排除潜在的SIFT错误匹配.然后,根据兴趣点同绑定区域中心位置的距离顺序或同主方向的夹角顺序的不一致性计算几何损失得分.在Copydays数据集上的实验表明,颜色特征的增加提升检索准确度,相比坐标顺序,绑定特征的中心顺序及主方向顺序在检索中的几何约束更好.

基于混合特征的近似重复图像检索方法

仅基于SIFT特征的近似重复图像检索有较高的错误率,无法满足大规模数据的检索精度要求。此文提出了一种基于混合特征的近似重复图像检索方法,该方法将SIFT特征点附近的边缘特征检测结果与SIFT描述子一起,用汉明嵌入的方式生成比特串。对于比特串的匹配结果,使用了一种评分加权方法,提高了结果精度。在Oxford5K数据集上的实验结果表明,该方法有效地提高了SIFT描述子的抗干扰能力,降低了近似重复图像检索的错误率,减少了在线查询所需时间,具有较高的工程应用价值。