融合颜色词袋特征的视觉词汇树图像检索

针对由图像灰度空间产生的传统词袋模型SIFT特征无法体现图像的颜色信息的问题,提出了一种融合颜色特征的视觉词汇树来对图像进行描述。提取SIFT特征并建立词汇树,获取图像的SIFT表示向量。利用K-means方法对图像库中的所有图像的HSV值进行聚类,获得基于HSV空间的颜色词袋表示向量,避免了传统颜色直方图方法所带来的量化误差。将SIFT特征与颜色词袋特征进行融合,完成了图像的全局特征和局部特征的融合。然后,计算融合特征的相似度,将相似度从高到低排序,完成图像检索。为了验证本方法的有效性,选择Corel图像库对算法性能进行实验分析,从主观评价和客观评价标准分别进行评价,并与传统方法进行了对比。结果表明,特征融合的检索性能与单一特征方法相比有较大提高。特征融合方法的平均检索查准率和查全率-查准率等评价指标,对比传统方法均有不同程度提高。

基于BoC-BoF特征的图像检索方法研究

为了优化基于内容的图像检索方法,提出了一种融合特征来表征图像内容。首先,提取基于RootSift描述子的特征词袋(Bag-of-Features,BoF)表示向量,获得图像的边缘和形状信息;其次,采用基于HSV的颜色词袋(Bag-ofColors,BoC)表示向量来代替传统颜色直方图方法,获取图像的颜色信息;最后,将BoF表示向量和BoC表示向量相融合,形成BoC-BoF特征向量。BoC-BoF特征有效地实现了全局特征和局部特征的融合。两个数据集检索的实验结果表明,该方法比其它方法更加有效。