CN101118544A - 一种图像形状轮廓描述符的构造方法 - Google Patents
一种图像形状轮廓描述符的构造方法 Download PDFInfo
- Publication number
- CN101118544A CN101118544A CNA2006100995797A CN200610099579A CN101118544A CN 101118544 A CN101118544 A CN 101118544A CN A2006100995797 A CNA2006100995797 A CN A2006100995797A CN 200610099579 A CN200610099579 A CN 200610099579A CN 101118544 A CN101118544 A CN 101118544A
- Authority
- CN
- China
- Prior art keywords
- contour
- vector
- distance vector
- point
- outline
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种图形轮廓描述符的构造方法,该方法包括如下步骤:A.逐点检测图形轮廓,得到轮廓矢量;B.根据轮廓矢量抽取定向距离矢量;C.根据定向距离矢量构造轮廓描述符。本发明方法具有如下优越性:(1)对图形轮廓的描述非常直观,与人的感觉很相似;(2)对旋转、平移、缩放保持不变,并对形变也有着很好的抗干扰能力;(3)数据结构很清晰,可以在不同分辨率下进行检索;(4)对于非凸形状也有很好描述能力。本发明方法构造出的轮廓描述符有效且鲁棒性较好。
Description
技术领域
本发明涉及视觉信息检索领域,特别涉及一种图像形状轮廓描述符的构造方法。
背景技术
随着计算机和宽带网络的普及,数字获取设备和数字存储设备的推广,包括文字、图像、视频、音频等在内的各种多媒体信息数据的数量正以惊人的速度增长。如何从中尽快地从海量的数据中发现有用的信息是已经成为一个严峻的问题。因此,对于数据高效访问,特别是对视觉信息数据的高效访问已经变的越来越重要。
为了有效解决这一问题,人们提出了基于视觉信息内容的检索方法。该方法可以通过对视觉信息特征的分析,自动获取其内容,从而为高效的视觉信息访问开辟了途径。基于内容的视觉信息检索的关键问题是找到一种既稳定又高效的图像特征描述方法。目前,颜色、形状、纹理等是进行视觉信息检索的最主要的低层次特征,而其中,形状又是非常重要的一种。但事实上基于形状的检索还远没有得到很好的解决,人对形状的感觉不仅是一个视觉神经的反映结果,还与人关于现实世界的知识密切相关,这导致对图像形状的描述是一个非常复杂的问题。至今仍没有找到形状的确切数学定义,包括几何的、统计的、或形态学的,使之能与人的感觉相似。所以我们目前只能在实验基础上用数学的语言对这种人的感觉进行一定程度的逼近。
对形状进行分析和分类的方法很多,目前已出现的几种比较典型的形状分析分类方法包括几何参数法(Scassellati B,et al.1994.Retrieving imagesby-2D shape:a comparison of computation methods with human perceptualjudgments.SPIE,2185:2-14),不变矩法(Mehtre B M,Kankanhalli M S,LeeW F.1997.Shape measures for content based image retrieval:a comparison.Information Processing & Management,33(3):319-337),小波多分辨率检索法(Jacobs C E,et al.1995.Fast multiresolution image querying.Proc.SIGGAPH’95,277-286),边缘距离直方图法(Jain A K,Vilaya A.1996.Imageretrieval using color and shape.PR,29(8):1233-1244),切线空间法(Latecki LJ,Lakamper R.2001.Shape description and search for similar objects in imagedatabases.In:State-of-the.Aret in content-Based Image and Vided Retrieval.Veltkamp R C,BurkhardtH,Kriegedl H P,eds.Kluwer Academic Publishers.Ch.4,69-96),隐马尔可夫法(Trazegnies C,Urdiales C,Bandera A,et al.2002.Planar shape indexing and retrieval based on Hidden Markov Models.PRL,23(10):1143-1151)和基于质点半径模型(Dalong Li.2002.Shape RetrievalBased on Distance Ratio Distribution.Intelligent Enterprise TechnologiesLaboratory,HP Laboratories Palo Alto;Shuang Fan.2001.Shape Representationand Retrieval Using Distance Histograms.Department of computing scienceUniversity of Alberta.Edmonton,Alberta,Canada;Kian-Lee Tan.2000.Indexing shapes in image databases using the centroid-radii model.Data &Knowledge Engineering 32 271-289)构造图形轮廓描述符的方法。以下对上面提到的最后一种方法作简要介绍。
基于质点半径模型构造图形轮廓描述符的方法主要包括三个部分:
(1)轮廓的距离矢量的计算。
首先使用边缘检测方法得到图形的轮廓,然后计算该轮廓的质心,并由轮廓质心出发对图形进行360度扫描,每1度取一个距离矢量分量,从而得到从质心到轮廓距离的一个360维距离矢量。接着将该距离矢量归一化,使其对图像的平移、缩放皆不变。之后,从归一化的距离矢量中找到间隔最大的最小值-最大值对,并以最小值为第一个元素,同时使最大值在前180个元素内,按照最小值-最大值方向对距离矢量重新排序,得到有方向的距离矢量。将该矢量量化为一个12个元素的特征数据B。特征数据B对于图像的旋转、平移、缩放保持不变。
(2)从轮廓的距离矢量中抽取轮廓的转折点,即尖峰检测。
检测出的尖峰代表了轮廓上的转折点,而尖峰的个数被保存为特征数据A,由于特征数据A从方向距离矢量中抽取得到,所以它同样对图像的旋转、平移、缩放不变。
(3)轮廓描述符的构造。
根据特征数据A和特征数据B就可以构造对图像旋转、平移、缩放皆不变的轮廓描述符D={A|B}。使用该描述符既可以很好的对图形轮廓进行描述,又可以方便的对图形的相似性进行表达。
使用基于质点半径模型的方法得到的特征数据虽然是平移、缩放和旋转不变的,但是由于该特征数据是按固定角度计算轮廓到质心的距离,所以对非凸的图形轮廓的描述会产生很大的误差。特别是对类似星形等放射状图形的效果会很差,因为在这种情况下轮廓上的一条边,无论其长度大小如何,都可能只被映射成特征数据中的一个点,从而使得该方法不能有效的描述形状的轮廓。
发明内容
有鉴于此,本发明的目的在于,提出一种图像形状轮廓描述符的构造方法,在保证对形状的平移、缩放和旋转不变的前提下,能够很好地对图像形状轮廓进行描述。该方法包括如下步骤:
A、逐点检测图形轮廓,得到轮廓矢量;
B、根据轮廓矢量抽取定向距离矢量;
C、根据定向距离矢量构造轮廓描述符。
其中,步骤A包括:
A1、对图形轮廓进行搜索,找到第一个轮廓点,对该轮廓点设置已找到的标记,以该轮廓点作为搜索区域中心点;
A2、在与所确定的搜索区域中心点相邻的像点中,按照逆时针或顺时针的顺序判断是否搜索到未标记的轮廓点,若是,则执行步骤A3;否则,将所有被找到的轮廓点按照逆时针或顺时针顺序组成轮廓矢量,并结束步骤A;
A3、对新搜索到的轮廓点设置已找到的标记,并将新搜索到的轮廓点作为搜索区域中心点并转至步骤A2。
步骤A1所述对图形轮廓进行搜索为:从图像左上角开始,按照从左至右、从上到下的顺序进行搜索;
或者从图像右下角开始,按照从右至左、从下到上的顺序进行搜索。
步骤B包括:
B1、根据所述轮廓矢量构造距离矢量R;
B2、将所述距离矢量R中每一个分量分别除以距离矢量中最大的分量,得到归一化的距离矢量U;
B3、从归一化的距离矢量U的各个分量中,确定唯一的一种排序方式重新对距离矢量排序,得到定向距离矢量Q。
步骤B1包括:确定所述轮廓矢量的质心坐标,计算轮廓矢量中每一个轮廓点到质心的距离,由所得各个轮廓点到质心的距离构造距离矢量。
步骤B3所述确定唯一的一种排序方式为:找出所述归一化的距离矢量U的各个分量中,下标差值最大的最小值和最大值,然后按照从最小值到最大值或从最大值到最小值的方向对归一化的距离矢量U的各个分量进行排序。
步骤C为:对所述定向距离矢量进行矢量维数标准化,并将所得确定维数的定向距离矢量作为图形轮廓描述符。
步骤C所述矢量维数标准化后进一步包括:对所得确定维数的定向距离矢量进行小波变换,根据需要的分辨率选择对应的小波变换系数作为图形轮廓描述符。
从以上技术方案可以看出,本发明方法逐点检测图形轮廓;计算轮廓上每个点到质心的距离矢量,并对该矢量进行归一化;所述矢量归一化包括矢量的归一化,方向归一化和矢量分量个数归一化;归一化后的矢量构造不同分辨率下的小波描述符作为图像的轮廓描述符可作为各种不同精度的图像检索的基本算子。因此,本发明方法具有如下优越性:(1)对图形轮廓的描述非常直观,与人的感觉很相似;(2)对旋转、平移、缩放保持不变,并对形变也有着很好的抗干扰能力;(3)数据结构很清晰,可以在不同分辨率下进行检索;(4)对于非凸形状也有很好描述能力。总之,可以说本发明方法构造出的轮廓描述符有效且鲁棒性较好。
附图说明
图1为本发明方法的处理流程;
图2为本发明实施例检测图像轮廓的示意图;
图3为本发明实施例计算距离矢量的示意图;
图4为本发明实施例所得到的距离矢量;
图5为本发明实施例归一化的距离矢量;
图6为本发明实施例所得定向距离矢量;
图7为本发明实施例所得矢量维数标准化所得定向距离矢量;
图8为本发明实施例对矢量维数标准化所得定向距离矢量进行Haar小波变换的结果图;
图9为本发明实施例对图8所示结果进行小波逆变换后得到的256分辨率的图形轮廓描述符;
图10为本发明实施例对图8所示结果进行小波逆变换后得到的64分辨率的图形轮廓描述符;
图11为本发明实施例对图8所示结果进行小波逆变换后得到的16分辨率的图形轮廓描述符;
图12为不变矩法、质点半径模型法和本发明方法进行检测效率测试的结果比较图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细阐述。
如图1所示,本发明方法包括三个主要步骤:(1)逐点检测图形轮廓,得到轮廓矢量;(2)根据轮廓矢量抽取定向距离矢量;(3)根据定向距离矢量构造轮廓描述符。下面对这三个步骤分别进行详细说明。
步骤1:逐点检测图形轮廓,得到轮廓矢量。
对一幅包含图形的图像,要将图形的形状轮廓检测出来,我们首先对其进行细化处理以获得单像素的图形轮廓。然后从边缘上的一个点开始,按照一定的顺序对图形轮廓进行检测。如图2所示,采用本发明方法对鱼的形状轮廓进行检测,包括如下步骤:
步骤101:从图像的左上角开始,按照从左至右、从上到下的顺序进行搜索,得到图形轮廓的第一个轮廓点p0,并对该点设置一个标记,该标记的含义是标记所对应这一点为已找到的轮廓点;实际上也可以采用其他的搜索顺序对图像进行搜索,例如从右下角开始按照从右至左、从下到上的顺序进行搜索;
步骤102:按照图2所示从1到8的顺序,以点p0为搜索区域的中心点,在点p0的邻域内,即与点p0相邻的像点中判断是否搜索到未标记的轮廓点,若是,则执行步骤103;否则结束步骤1;本步骤中采取的是逆时针顺序进行搜索,实际也可采用顺时针的顺序进行搜索;
步骤103:将新搜索到轮廓点P1标记为已找到,令p0=p1,即将新搜索到的点p1作为搜索区域中心点并转至步骤102。
所有被找到的轮廓点按照逆时针或顺时针顺序组成一个轮廓矢量P={p1,p2,…,pn},对于该矢量中任意一个分量pi(i=1,2...n),都有x方向坐标pi x和y方向坐标pi y。
步骤2:根据轮廓矢量抽取定向距离矢量。
步骤2包括如下子步骤:
步骤201:按照公式(1)计算轮廓矢量P={p1,p2,…,pn}的质心C=(cx,cy)坐标,确定形状轮廓质心所在位置:
步骤202:如图3所示,根据公式(2)计算轮廓矢量中的每一个轮廓点pi到质心C=(cx,cy)的距离ri:
由所得各个轮廓点到质心的距离构造距离矢量R={r1,r2,…,rn}。由于该矢量是根据轮廓与质心的相对位置获得的,所以其对于图像的平移保持不变。图2所示鱼的形状轮廓计算得到的距离矢量如图4所示,其中横坐标为下标i,纵坐标为ri。
步骤203:根据公式(3)对矢量R={r1,r2,…,rn}进行归一化,得到归一化的距离矢量U={u1,u2,…,un}。
其中rmax是矢量R中的最大分量值。经归一化后,可使其对图像的尺度缩放保持不变。图4所示的距离矢量归一化后如图5所示。
步骤204:从归一化的距离矢量U的各个分量中,找出下标差值最大的最小值和最大值,然后按照从最小值到最大值的方向重新对距离矢量排序,得到定向距离矢量Q={q1,q2,…,qn}。
假设找到M个最大值和N个最小值,则它们可组成M×N个最大值-最小值对。计算所有最大值-最小值对的下标i的差值s;其中,如果计算得到差值s>n/2,则根据距离矢量U的第一项和最后一项在图形轮廓上是相邻的,可以通过循环使矢量中任意两项的下标差值保持在n/2内,即令s1=n-s,用s1作为差值;然后找到差值最大的那一对。
如果只有一个下标差值最大的最大值-最小值对,则我们以最小值为新的矢量第一项,同时保证最大值在前n/2个元素内,按照从最小值到最大值的方向对距离矢量U重新排序,得到一个新的距离矢量,即定向距离矢量Q={q1,q2,…,qn}。如果有下标差值最大的最大值-最小值对不唯一,则通过比较最大值-最小值的相邻数据来确定选取哪一对,也就是说可以在最大值-最小值对的内侧,从最大值到最小值逐个比较两个最大值-最小值对相对应的数据的大小,选取其中数据较大的那一对;如果内侧所有数据完全相等的,那么我们可以用同样方法在对的外侧进行比较,找到的数据较大的那一对;如果还是完全相等的,那么这两个最大值-最小值对就是完全一致的,用任何一个最大值-最小值对都可以。
由定向距离矢量Q的构造过程,可以看出其顺序排列是根据所有轮廓点到质心的距离中的间隔最大的最大值-最小值对确定的,与图形的位置没有关系,因此该直方图对图形的旋转保持不变。这样,就得到了一个对图行的平移、旋转、缩放皆保持不变的图形特征,即定向距离矢量Q={q1,q2,…,qn}。根据图5所示的归一化矢量得到的定向矢量如图6所示。
以上所述步骤201至步骤204只描述了构造定向距离矢量的一种可能的规则,实际上也可以采用其他规则,例如,按照从最大值到最小值的方向重新对距离矢量排序得到定向距离矢量或采用其他等效的替代方式,只要满足在该规则下,对确定的距离矢量只有唯一的一种重新排序方式即可。
步骤3:根据定向距离矢量构造轮廓描述符。
虽然定向距离矢量Q可以很好地对图形的轮廓进行描述,但由于每一个图形轮廓的点数是不一样的,因此定向距离直方图的维数也是不一样的,不能直接进行匹配运算,因此需要进行矢量维数标准化,以使所有的定向距离直方图的维数相同。维数标准化的算法如下:
设归一化长度为m,归一化后的定向距离矢量L={l1,l2,…,lm}中任意一个元素值由公式(4)确定:
li=(1-c)·qa+c·qb (4)
其中 b=a+1, 图6所示的定向矢量进行维数标准化的结果如图7所示,其中m=1024。这样就构造好了可以用来进行匹配运算的定向距离矢量作为轮廓描述符。
但一般来说,此时m的值还是比较大的,因为只有足够大的m值,才能保证图形轮廓不失真。但较大的m值又会给匹配运算带来不变,导致匹配运算变慢。为此可以采用小波对定向距离矢量进行压缩,再选择合适分辨率小波变换系数作为图形轮廓描述符,这样不但可以减小计算量,而且可以让用户选择不同的分辨率,即不同的匹配精度来进行检索。本发明并未对小波变换的具体类型进行限定。图8显示了对图7的定向距离矢量进行Haar小波压缩后的结果,图9~11分别显示了在256、64和16分辨率下的小波逆变换结果。
为了进一步说明本发明方法的优点,在同等条件下对不变矩法,现有的质点半径模型法和本发明的轮廓描述符法(分辨率16)进行检索效率的测试。测试采用SQUID数据库,该数据库包含1100个鱼类形状,是MPEG7标准的测试库。从SQUID图像库中选择出30幅图像,分别采用上述三种方法进行检索,然后对每一幅图像观察其前36(设为R)个检索结果,估计并统计其中相似图像的个数(设为C),那么可以得到每一种算法对每一幅图像检索精度:Precision=C/R。以图像编号为横坐标,以检索精度为纵坐标,计算对应的检索结果的就得到实验结果图如图12所示,本发明方法得到的检测精度总体上明显高于其他两种方法。
由上述结果可以看出,本发明方法构造出的轮廓描述符具有如下优越性:(1)对轮廓的描述非常直观,与人的感觉很相似;(2)对旋转、平移、缩放保持不变,并对形变也有着很好的抗干扰能力;(3)数据结构很清晰,可以在不同分辨率下进行检索;(4)对于非凸形状也有很好描述能力。因此可以说本发明方法构造出的轮廓描述符有效且鲁棒性较好。本发明方法所提供的多分辨率的轮廓描述符,能够根据实际需要选择相应精度的轮廓描述符进行形状检索,在不需要很高精确度的情况下可以大大节省计算量,又可以满足高分辨率的检索需要。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种图形轮廓描述符的构造方法,其特征在于,该方法包括如下步骤:
A、逐点检测图形轮廓,得到轮廓矢量;
B、根据轮廓矢量抽取定向距离矢量;
C、根据定向距离矢量构造轮廓描述符。
2.根据权利要求1所述的方法,其特征在于,步骤A包括:
A1、对图形轮廓进行搜索,找到第一个轮廓点,对该轮廓点标记设置已找到的标记,以该轮廓点作为搜索区域中心点;
A2、在与所确定的搜索区域中心点相邻的像点中,按照逆时针或顺时针的顺序判断是否搜索到未标记的轮廓点,若是,则执行步骤A3;否则,将所有被找到的轮廓点按照逆时针或顺时针顺序组成轮廓矢量,并结束步骤A;
A3、对新搜索到的轮廓点设置已找到的标记,并将新搜索到的轮廓点作为搜索区域中心点并转至步骤A2。
3.根据权利要求2所述的方法,其特征在于,步骤A1所述对图形轮廓进行搜索为:从图像左上角开始,按照从左至右、从上到下的顺序进行搜索;
或者从图像右下角开始,按照从右至左、从下到上的顺序进行搜索。
4.根据权利要求1所述的方法,其特征在于,步骤B包括:
B1、根据所述轮廓矢量构造距离矢量R;
B2、将所述距离矢量R中每一个分量分别除以距离矢量中最大的分量,得到归一化的距离矢量U;
B3、从归一化的距离矢量U的各个分量中,确定唯一的一种排序方式重新对距离矢量排序,得到定向距离矢量Q。
5.根据权利要求4所述的方法,其特征在于,步骤B1包括:确定所述轮廓矢量的质心坐标,计算轮廓矢量中每一个轮廓点到质心的距离,由所得各个轮廓点到质心的距离构造距离矢量。
6.根据权利要求4所述的方法,其特征在于,步骤B3所述确定唯一的一种排序方式为:找出所述归一化的距离矢量U的各个分量中,下标差值最大的最小值和最大值,然后按照从最小值到最大值或从最大值到最小值的方向对归一化的距离矢量U的各个分量进行排序。
7.根据权利要求1至6任一项所述的方法,其特征在于,步骤C为:对所述定向距离矢量进行矢量维数标准化,并将所得确定维数的定向距离矢量作为图形轮廓描述符。
8.根据权利要求7所述的方法,其特征在于,步骤C所述矢量维数标准化后进一步包括:对所得确定维数的定向距离矢量进行小波变换,根据需要的分辨率选择对应的小波变换系数作为图形轮廓描述符。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006100995797A CN101118544A (zh) | 2006-08-01 | 2006-08-01 | 一种图像形状轮廓描述符的构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006100995797A CN101118544A (zh) | 2006-08-01 | 2006-08-01 | 一种图像形状轮廓描述符的构造方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101118544A true CN101118544A (zh) | 2008-02-06 |
Family
ID=39054661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2006100995797A Pending CN101118544A (zh) | 2006-08-01 | 2006-08-01 | 一种图像形状轮廓描述符的构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101118544A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629245A (zh) * | 2011-02-07 | 2012-08-08 | 三菱电机株式会社 | 逻辑设计图检索装置 |
CN105354866A (zh) * | 2015-10-21 | 2016-02-24 | 郑州航空工业管理学院 | 一种多边形轮廓相似度检测方法 |
CN106355744A (zh) * | 2016-08-24 | 2017-01-25 | 深圳怡化电脑股份有限公司 | 一种图像识别方法及装置 |
CN107818539A (zh) * | 2017-10-23 | 2018-03-20 | 湖南轻创科技有限公司 | 图像轮廓数据结构的转换模版、指纹识别或计算机视觉或人工智能或产品质量检测*** |
CN109582812A (zh) * | 2018-11-21 | 2019-04-05 | 安徽云融信息技术有限公司 | 一种用于计算机图像的检索方法 |
CN116248126A (zh) * | 2022-11-21 | 2023-06-09 | 华北理工大学 | 基于长度损失最小的矢量数据压缩方法 |
-
2006
- 2006-08-01 CN CNA2006100995797A patent/CN101118544A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629245A (zh) * | 2011-02-07 | 2012-08-08 | 三菱电机株式会社 | 逻辑设计图检索装置 |
CN102629245B (zh) * | 2011-02-07 | 2014-08-27 | 三菱电机株式会社 | 逻辑设计图检索装置 |
CN105354866A (zh) * | 2015-10-21 | 2016-02-24 | 郑州航空工业管理学院 | 一种多边形轮廓相似度检测方法 |
CN105354866B (zh) * | 2015-10-21 | 2018-11-06 | 郑州航空工业管理学院 | 一种多边形轮廓相似度检测方法 |
CN106355744A (zh) * | 2016-08-24 | 2017-01-25 | 深圳怡化电脑股份有限公司 | 一种图像识别方法及装置 |
CN106355744B (zh) * | 2016-08-24 | 2019-07-26 | 深圳怡化电脑股份有限公司 | 一种印尼盾币值的识别方法及装置 |
CN107818539A (zh) * | 2017-10-23 | 2018-03-20 | 湖南轻创科技有限公司 | 图像轮廓数据结构的转换模版、指纹识别或计算机视觉或人工智能或产品质量检测*** |
CN109582812A (zh) * | 2018-11-21 | 2019-04-05 | 安徽云融信息技术有限公司 | 一种用于计算机图像的检索方法 |
CN116248126A (zh) * | 2022-11-21 | 2023-06-09 | 华北理工大学 | 基于长度损失最小的矢量数据压缩方法 |
CN116248126B (zh) * | 2022-11-21 | 2024-04-16 | 华北理工大学 | 基于长度损失最小的矢量数据压缩方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679250B (zh) | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 | |
Bagri et al. | A comparative study on feature extraction using texture and shape for content based image retrieval | |
Wang et al. | MARCH: Multiscale-arch-height description for mobile retrieval of leaf images | |
CN105740378B (zh) | 一种数字病理全切片图像检索方法 | |
Fränti et al. | Content-based matching of line-drawing images using the Hough transform | |
US8027978B2 (en) | Image search method, apparatus, and program | |
CN111275010A (zh) | 一种基于计算机视觉的行人重识别方法 | |
CN101118544A (zh) | 一种图像形状轮廓描述符的构造方法 | |
Seetharaman et al. | Statistical distributional approach for scale and rotation invariant color image retrieval using multivariate parametric tests and orthogonality condition | |
CN110659374A (zh) | 一种基于神经网络提取车辆特征值及属性的以图搜图方法 | |
Tan et al. | Common pattern discovery using earth mover's distance and local flow maximization | |
Song et al. | Analyzing scenery images by monotonic tree | |
CN112445926B (zh) | 一种图像检索方法以及装置 | |
CN100397400C (zh) | 图形检索的方法 | |
Shanmugavadivu et al. | FOSIR: fuzzy-object-shape for image retrieval applications | |
Han et al. | A shape-based image retrieval method using salient edges | |
Singh et al. | Ensemble visual content based search and retrieval for natural scene images | |
Li et al. | Exploring the Bag-of-Words method for 3D shape retrieval | |
Li et al. | Investigating the bag-of-words method for 3D shape retrieval | |
CN111768436B (zh) | 一种基于Faster-RCNN改进的图像特征块配准方法 | |
Amuthavalli et al. | Notice of Violation of IEEE Publication Principles: Sketch Based Image Retrieval System Using ExHoG | |
Cheng et al. | Visual object retrieval via block-based visual-pattern matching | |
Srivastava et al. | Content-Based Image Retrieval Using Multiresolution Feature Descriptors | |
Dimai | Unsupervised extraction of salient region-descriptors for content based image retrieval | |
Huang et al. | Reversed sketch: A scalable and comparable shape representation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |