基于改进颜色聚合向量与贡献度聚类的图像检索算法

为了提高图像检索的速度和准确率,通过分析各种聚类算法在图像检索中的缺点,提出了一种新的划分聚类的图像检索方法。首先,在对HSV模型非均匀量化的基础上,利用改进的颜色聚合向量方法提取图像的颜色特征;然后找到符合条件的特征向量作为初始聚类中心,利用分散度与贡献度进行聚类并建立特征索引库;最后根据查询图像的相似度进行检索和排序。实验结果表明,所提算法的查准率和查全率比其它算法均有较大提高。

一种基于加权颜色聚合向量的图像检索方法

以图像颜色聚合向量为基础,并结合图像显著特征,提出了一种基于加权颜色聚合向量的图像检索方法.首先,提取图像的显著性图,并进行归一化处理,得到加权矩阵;然后,对图像进行颜色聚合向量提取,并根据加权矩阵进行加权处理;最后通过计算两幅图像之间的加权颜色聚合向量相似度,进行图像检索.该方法既系统兼顾了图像的颜色分布特征和高层视觉特征,又具有较高的计算速度;实验结果证明,该算法的检索精度明显高于传统的基于颜色统计特征的检索精度.

基于颜色聚合向量的线序检测方法

颜色聚合向量方法被采用于检测各种连接线的线序;首先对采集到的线束图像进行中值滤波,消除部分噪声;然后截取检测线束的检测区域图像并将其二值化;接下来分割各根导线,得到每根导线的轮廓,再根据各轮廓位置获取原图像中对应各导线的图像块,并计算各根导线图像块的颜色聚合向量(color coherence vector,CCV)特征;最后利用欧氏距离将各导线的归一化的CCV颜色特征和模板各导线的颜色特征进行比较。实验结果表明,该方法在线序检测中能获得较高的准确率(97.8%)和速度(15 fps),满足实时检测要求。

综合颜色和形状特征聚类的图像检索

为了提高图像检索的速度和准确率,通过分析各种聚类算法在图像检索中的缺点,提出了一种新的划分聚类的图像检索方法。首先对HSV模型非均匀量化,利用改进的颜色聚合向量方法提取图像的颜色特征;然后基于改进的Hu不变矩提取图像的全局形状特征;最后,综合颜色和形状特征对图像基于贡献度聚类并建立特征索引库。利用上述方法在Corel图像库中进行图像检索。实验结果表明,与改进的K-means算法的图像检索算法相比,提出算法的查准率和查全率均有较大提高。

基于颜色特征的图像检索技术综述

颜色特征是图像检索中应用较广泛的底层特征之一，文章主要从全局颜色特征和空间颜色特征两方面，详细介绍了常用的图像颜色特征的提取方法，并结合已有文献分析了如何改进现有方法存在的不足，以提高图像的表达准确率和检索效率.

基于多特征高效索引的图像检索

为了提高图像检索的准确率和速度,提出了一种多特征组合的图像检索算法。在颜色空间非均匀量化的基础上,利用改进的颜色聚合向量方法提取图像的颜色特征;基于改进的灰度共生矩阵提取纹理特征参数;利用Krawtchouk矩不变量提取图像的形状特征;基于贡献度聚类并建立特征索引库。融合上述特征计算图像间的相似度,使用特征索引对图像进行快速检索。实验结果表明,提出算法的检索精度有较大提高,能快速检索出用户所需的图像。

自适应CCV及等价关系聚类的视频摘要的生成

在静态视频摘要生成过程中,提取代表帧是关键。通过分析视频帧底层的颜色特征,根据其内容自动设置连通阈值,提取颜色聚合向量,并以此进行基于等价关系的自适应聚类。在确定整体划分后,根据时序特征进行局部修正。整个过程无需设定任何阈值和人为干预,对变化程度不同的各种视频进行实验,结果比较满意。

一种基于非监督聚类的视频镜头边界检测算法

在分析归纳现有的镜头边界检测技术的基础上,提出了一种分层结构的基于非监督聚类的视频镜头边界检测算法.实验结果表明所提出的新算法不仅对切变的检测取得了较高的查全率和准确率,而且对目前技术仍不成熟的渐变检测也取得了较满意的结果.另外针对不同类型的视频,该算法的检测质量具有较强的鲁棒性.

基于深度学习与狮群SVM算法的遥感场景分类

针对高分辨遥感图像样本量小,以及传统优化支持向量机(SVM)算法易陷入局部最优解、寻优速度慢等问题,提出一种基于深度迁移学习与狮群优化SVM(LSO-SVM)算法对遥感图像场景进行分类.首先,通过自适应对比度增强图像后利用颜色聚合向量提取图像颜色特征;其次,利用3种预训练网络分别提取图像的迁移学习深度特征;最后,将手工提取的图像特征与用3种预训练网络获取的特征使用系列特征融合方法进行融合,并将其输入LSO-SVM进行图像场景分类.结果表明,该算法解决了小样本情况下深度学习较难训练及传统优化SVM算法易陷入局部最优解、寻优速度慢的问题.在80%的训练条件下,数据集UCM Land-Use和RSSCN7的分类精度分别达到99.52%和98.57%.