CN104217006A - 一种图像检索的方法及装置 - Google Patents
一种图像检索的方法及装置 Download PDFInfo
- Publication number
- CN104217006A CN104217006A CN201410470435.2A CN201410470435A CN104217006A CN 104217006 A CN104217006 A CN 104217006A CN 201410470435 A CN201410470435 A CN 201410470435A CN 104217006 A CN104217006 A CN 104217006A
- Authority
- CN
- China
- Prior art keywords
- image
- stored image
- obtains
- feature vector
- matching result
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像检索的方法及装置,用以实现更准确、更高效地检索图像。所述方法包括:提取指定图像的尺度不变特征转换特征点;对所述指定图像的尺度不变特征转换特征点进行描述,得到所述指定图像的第一特征向量;对所述指定图像的第一特征向量进行二值化,得到所述指定图像的第二特征向量;根据所述指定图像的第二特征向量从预存图像的第二特征向量中筛选出与所述指定图像匹配的预存图像,得到第一匹配结果。利用尺度不变特征转换特征点所具有的光照不敏感、尺度、放射不变性的特点,通过提取图像的尺度不变特征转换特征点从预存图像中筛选匹配图像,从而得到最佳的匹配结果。
Description
技术领域
本发明涉及互联网技术领域,特别涉及一种图像检索的方法及装置。
背景技术
基于图像特征提取以实现图像检索的过程,已经被广泛用于各种研究领域。基于图像特征提取以实现图像检索的过程即针对图像提取特征点,并将特征点与特征库中的特征点进行匹配,确定最相似的匹配结果,从而实现图像检索的目的。现有技术中,通常采用提取图像的LBP(Local Binary Patterns,局部二值模式)特征点或ORB(oriented FAST and rotated BRIEF)特征点的方法来与特征库进行匹配,但是,这种方法仅对特征点进行匹配,检索出的图像准确度较低。
发明内容
本发明提供一种图像检索的方法及装置,用以实现更准确、更高效地检索图像。
本发明提供一种图像检索的方法,包括:
提取指定图像的尺度不变特征转换特征点;
对所述指定图像的尺度不变特征转换特征点进行描述,得到所述指定图像的第一特征向量;
对所述指定图像的第一特征向量进行二值化,得到所述指定图像的第二特征向量;
根据所述指定图像的第二特征向量从预存图像的第二特征向量中筛选出与所述指定图像匹配的预存图像,得到第一匹配结果。
本发明实施例的一些有益效果可以包括:利用尺度不变特征转换特征点所具有的光照不敏感、尺度、放射不变性的特点,通过提取图像的尺度不变特征转换特征点从预存图像中筛选匹配图像,从而得到最佳的匹配结果。
可选的,所述方法还包括:
提取所述预存图像的尺度不变特征转换特征点;
对所述预存图像的尺度不变特征转换特征点进行描述,得到所述预存图像的第一特征向量;
对所述预存图像的第一特征向量进行二值化,得到所述预存图像的第二特征向量;
存储所述预存图像的第二特征向量。
在可选方案中,预先提取预存图像的尺度不变特征转换特征点,并对预存图像的尺度不变特征转换特征点进行描述、二值化、存储,使得图像能够通过尺度不变特征转换特征点与预存图像进行匹配,从而得到最佳匹配结果。
可选的,所述根据所述指定图像的第二特征向量从预存图像的第二特征向量中筛选出与所述指定图像匹配的预存图像,得到第一匹配结果,包括:
计算所述指定图像的第二特征向量和预存图像的第二特征向量的第一匹配度;
从所述预存图像的第二特征向量中筛选出所述第一匹配度高于第一预设阈值的预存图像,得到第一匹配结果。
在可选方案中,根据指定图像和预存图像的第二特征向量的匹配度来进行图像筛选,使得图像检索更加准确,以得到最佳的匹配结果。
可选的,所述根据所述指定图像的第二特征向量从预存图像的第二特征向量中筛选出与所述指定图像匹配的预存图像,得到第一匹配结果之后,所述方法还包括:
提取所述指定图像的尺度不变特征转换特征点的几何信息;
根据所述指定图像的尺度不变特征转换特征点的几何信息从所述第一匹配结果中的几何信息中筛选出与所述指定图像匹配的预存图像,得到第二匹配结果。
在可选方案中,根据尺度不变特征转换特征点进行图像匹配之后,再进一步根据尺度不变特征转换特征点的几何信息进行图像匹配,从而筛选出最为匹配的图像,使得图像检索更加准确。
可选的,所述几何信息包括所述尺度不变特征转换特征点的主方向和尺度信息。
可选的,所述根据所述指定图像的尺度不变特征转换特征点的几何信息从所述第一匹配结果中的几何信息中筛选出与所述指定图像匹配的预存图像,得到第二匹配结果,包括:
计算所述指定图像的尺度不变特征转换特征点的几何信息与所述第一匹配结果中的几何信息的第二匹配度;
从所述第一匹配结果中的几何信息中筛选出所述第二匹配度高于第二预设阈值的预存图像,得到第二匹配结果。
在可选方案中,根据指定图像和预存图像的尺度不变特征转换特征点的几何信息的匹配度来进行图像筛选,使得图像检索更加准确,以得到最佳的匹配结果。
可选的,所述方法还包括:
将所述第二匹配结果中的预存图像按照所述第二匹配度由高到低排序;
获取所述排序中前预设数量个预存图像,得到第三匹配结果。
在可选方案中,根据匹配度将筛选出的预存图像进行排序,并将排序在前的图像作为检索结果,以获得匹配度最高的预存图像,得到最佳匹配结果。
可选的,所述第一特征向量的维数为128维;
所述对所述指定图像的第一特征向量进行二值化,得到所述指定图像的第二特征向量,包括:
将所述128维的第一特征向量投影到64维特征空间中进行降维处理,得到64维的第一特征向量;
对所述64维的第一特征向量进行二值化,得到64维的第二特征向量。
在可选方案中,将128维的特征向量进行降维处理,减少匹配图像时的数据量,提高图像检索的效率。
可选的,所述预存图像的第二特征向量为,提取所述预存图像的尺度不变特征转换特征点,将所述预存图像的尺度不变特征转换特征点按照第一预设权值进行加权,描述加权后的尺度不变特征转换特征点,得到所述预存图像的第一特征向量,将所述预存图像的第一特征向量进行二值化,得到所述预存图像的第二特征向量;
所述对所述指定图像的尺度不变特征转换特征点进行描述,得到所述指定图像的第一特征向量之后,所述方法还包括:
将所述指定图像的第一特征向量按照所述第一预设权值进行加权,得到所述指定图像的第三特征向量;
对所述指定图像的第三特征向量进行二值化,得到所述指定图像的第四特征向量;
根据所述指定图像的第四特征向量从预存图像的第二特征向量中筛选出与所述指定图像匹配的预存图像。
在可选方案中,对指定图像与预存图像的第一特征向量进行加权处理,再匹配加权后的第一特征向量,以突出第一特征向量中较为重要的特征点,从而筛选出针对重要特征点的预存图像。
可选的,所述第一匹配结果中的几何信息为,获取所述预存图像的尺度不变特征转换特征点的几何信息,将所述预存图像的尺度不变特征转换特征点的几何信息按照第二预设权值进行加权;
所述根据所述指定图像的尺度不变特征转换特征点的几何信息从所述第一匹配结果中的几何信息中筛选出与所述指定图像匹配的预存图像,得到第二匹配结果,包括:
将所述指定图像的尺度不变特征转换特征点的几何信息按照所述第二预设权值进行加权;
根据所述指定图像的尺度不变特征转换特征点的加权后的几何信息从所述第一匹配结果中的几何信息中筛选出与所述指定图像匹配的预存图像,得到第二匹配结果。
在可选方案中,对指定图像与预存图像的尺度不变特征转换特征点的几何信息进行加权处理,再匹配加权后的几何信息,以突出几何信息中较为重要的信息,从而筛选出针对重要信息的预存图像。
本发明实施例还提供一种图像检索的装置,包括:
第一提取模块,用于提取指定图像的尺度不变特征转换特征点;
第一描述模块,用于对所述指定图像的尺度不变特征转换特征点进行描述,得到所述指定图像的第一特征向量;
第一二值化模块,用于对所述指定图像的第一特征向量进行二值化,得到所述指定图像的第二特征向量;
第一筛选模块,用于根据所述指定图像的第二特征向量从预存图像的第二特征向量中筛选出与所述指定图像匹配的预存图像,得到第一匹配结果。
可选的,所述装置还包括:
第二提取模块,用于提取所述预存图像的尺度不变特征转换特征点;
第二描述模块,用于对所述预存图像的尺度不变特征转换特征点进行描述,得到所述预存图像的第一特征向量;
第二二值化模块,用于对所述预存图像的第一特征向量进行二值化,得到所述预存图像的第二特征向量;
存储模块,用于存储所述预存图像的第二特征向量。
可选的,所述第一筛选模块包括:
第一计算单元,用于计算所述指定图像的第二特征向量和预存图像的第二特征向量的第一匹配度;
第一筛选单元,用于从所述预存图像的第二特征向量中筛选出所述第一匹配度高于第一预设阈值的预存图像,得到第一匹配结果。
可选的,所述装置还包括:
第三提取模块,用于提取所述指定图像的尺度不变特征转换特征点的几何信息;
第二筛选模块,用于根据所述指定图像的尺度不变特征转换特征点的几何信息从所述第一匹配结果中的几何信息中筛选出与所述指定图像匹配的预存图像,得到第二匹配结果。
可选的,所述第二筛选模块包括:
第二计算单元,用于计算所述指定图像的尺度不变特征转换特征点的几何信息与所述第一匹配结果中的几何信息的第二匹配度;
第二筛选单元,用于从所述第一匹配结果中的几何信息中筛选出所述第二匹配度高于第二预设阈值的预存图像,得到第二匹配结果。
可选的,所述装置还包括:
排序模块,用于将所述第二匹配结果中的预存图像按照所述第二匹配度由高到低排序;
获取模块,用于获取所述排序中前预设数量个预存图像,得到第三匹配结果。
可选的,所述第一二值化模块包括:
降维单元,用于将所述128维的第一特征向量投影到64维特征空间中进行降维处理,得到64维的第一特征向量;
二值化单元,用于对所述64维的第一特征向量进行二值化,得到64维的第二特征向量。
可选的,所述装置还包括:
加权模块,用于将所述指定图像的第一特征向量按照所述第一预设权值进行加权,得到所述指定图像的第三特征向量;
第三二值化模块,用于对所述指定图像的第三特征向量进行二值化,得到所述指定图像的第四特征向量;
第三筛选模块,用于根据所述指定图像的第四特征向量从预存图像的第二特征向量中筛选出与所述指定图像匹配的预存图像。
可选的,所述第二筛选模块包括:
加权单元,用于将所述指定图像的尺度不变特征转换特征点的几何信息按照所述第二预设权值进行加权;
第三筛选单元,用于根据所述指定图像的尺度不变特征转换特征点的加权后的几何信息从所述第一匹配结果中的几何信息中筛选出与所述指定图像匹配的预存图像,得到第二匹配结果。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种图像检索的方法的流程图;
图2为本发明实施例中一种图像检索的方法的流程图;
图3为本发明实施例中一种图像检索的装置的框图;
图4为本发明实施例中一种图像检索的装置的框图;
图5为本发明实施例中一种图像检索的装置中第一筛选模块的框图;
图6为本发明实施例中一种图像检索的装置中第二筛选模块的框图;
图7为本发明实施例中一种图像检索的装置中第一二值化模块的框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1为本发明实施例中一种图像检索的方法的流程图。如图1所示,包括以下步骤S11-S14:
步骤S11,提取指定图像的尺度不变特征转换特征点;
步骤S12,对指定图像的尺度不变特征转换特征点进行描述,得到指定图像的第一特征向量;
步骤S13,对指定图像的第一特征向量进行二值化,得到指定图像的第二特征向量;
步骤S14,根据指定图像的第二特征向量从预存图像的第二特征向量中筛选出与指定图像匹配的预存图像,得到第一匹配结果。
本实施例的一些有益效果可以包括:利用尺度不变特征转换特征点所具有的光照不敏感、尺度、放射不变性的特点,通过提取图像的尺度不变特征转换特征点从预存图像中筛选匹配图像,从而得到最佳的匹配结果。
在步骤S12中,对尺度不变特征转换特征点(即Scale-invariant featuretransform特征点,以下简称SIFT特征点)进行描述,即对SIFT特征点进行特征描述,包括各种变换和统计计算,最终得到特征向量。
在步骤S12中,描述SIFT特征点获得的第一特征向量的维数为128维,维度较高,因此可对第一特征向量进行降维处理。步骤S13可实施为以下步骤S131-S132:
步骤S131,将128维的第一特征向量投影到64维特征空间中进行降维处理,得到64维的第一特征向量;
步骤S132,对64维的第一特征向量进行二值化,得到64维的第二特征向量。
在检索图像之前,需要对预存图像做相同的处理,如图2所示,具体可实施为以下步骤S21-S24:
步骤S21,提取预存图像的SIFT特征点;
步骤S22,对预存图像的SIFT特征点进行描述,得到预存图像的第一特征向量;
步骤S23,对预存图像的第一特征向量进行二值化,得到预存图像的第二特征向量;
步骤S24,存储预存图像的第二特征向量。
上述方法,步骤S14可实施为以下步骤S141-S142:
步骤S141,计算指定图像的第二特征向量和预存图像的第二特征向量的第一匹配度;
步骤S142,从预存图像的第二特征向量中筛选出第一匹配度高于第一预设阈值的预存图像,得到第一匹配结果。
在实施步骤S142之后,上述方法还包括以下步骤S143-S144:
步骤S143,提取指定图像的SIFT特征点的几何信息;
步骤S144,根据指定图像的SIFT特征点的几何信息从第一匹配结果中的几何信息中筛选出与指定图像匹配的预存图像,得到第二匹配结果。
其中,几何信息包括SIFT特征点的主方向和尺度信息。
上述方法中,步骤S144可实施为以下步骤S1441-S1442:
步骤S1441,计算指定图像的SIFT特征点的几何信息与第一匹配结果中的几何信息的第二匹配度;
步骤S1442,从第一匹配结果中的几何信息中筛选出第二匹配度高于第二预设阈值的预存图像,得到第二匹配结果。
采用上述方法进行图像检索,根据SIFT特征点进行图像匹配之后,再进一步根据SIFT特征点的几何信息进行图像匹配,从而筛选出最为匹配的图像,使得图像检索更加准确。
在检索出的第二匹配结果中,预存图像可能有多个,因此还可通过实施以下步骤S145-S146进一步获得匹配度高的图像:
步骤S145,将第二匹配结果中的预存图像按照第二匹配度由高到低排序;
步骤S146,获取排序中前预设数量个预存图像,得到第三匹配结果。
此外,可对指定图像和预存图像的SIFT特征点或SIFT特征点的几何信息进行加权,以突出重要特征。包括以下两种方式:
方式一
当预存图像的第二特征向量按照如下方式获得:提取预存图像的SIFT特征点;将预存图像的SIFT特征点按照第一预设权值进行加权;描述加权后的SIFT特征点,得到预存图像的第一特征向量;将预存图像的第一特征向量进行二值化,得到预存图像的第二特征向量。步骤S12之后,上述方法还包括以下步骤A11-A13:
步骤A11,将指定图像的第一特征向量按照第一预设权值进行加权,得到指定图像的第三特征向量;
步骤A12,对指定图像的第三特征向量进行二值化,得到指定图像的第四特征向量;
步骤A13,根据指定图像的第四特征向量从预存图像的第二特征向量中筛选出与指定图像匹配的预存图像。
方式二
当根据SIFT特征点检索出的第一匹配结果中的几何信息按如下方式获得:获取预存图像的SIFT特征点的几何信息;将预存图像的SIFT特征点的几何信息按照第二预设权值进行加权。步骤S144之后,上述方法还包括以下步骤B11-B12:
步骤B11,将指定图像的SIFT特征点的几何信息按照第二预设权值进行加权;
步骤B12,根据指定图像的SIFT特征点的加权后的几何信息从第一匹配结果中的几何信息中筛选出与指定图像匹配的预存图像,得到第二匹配结果。
图3为本发明实施例中一种图像检索的装置的框图。如图3所示,图像检索的装置包括:
第一提取模块301,用于提取指定图像的尺度不变特征转换特征点;
第一描述模块302,用于对指定图像的尺度不变特征转换特征点进行描述,得到指定图像的第一特征向量;
第一二值化模块303,用于对指定图像的第一特征向量进行二值化,得到指定图像的第二特征向量;
第一筛选模块304,用于根据指定图像的第二特征向量从预存图像的第二特征向量中筛选出与指定图像匹配的预存图像,得到第一匹配结果。
可选的,如图4所示,上述装置还包括:
第二提取模块305,用于提取预存图像的尺度不变特征转换特征点;
第二描述模块306,用于对预存图像的尺度不变特征转换特征点进行描述,得到所述预存图像的第一特征向量;
第二二值化模块307,用于对预存图像的第一特征向量进行二值化,得到预存图像的第二特征向量;
存储模块308,用于存储预存图像的第二特征向量;
第三提取模块309,用于提取指定图像的尺度不变特征转换特征点的几何信息;
第二筛选模块310,用于根据指定图像的尺度不变特征转换特征点的几何信息从第一匹配结果中的几何信息中筛选出与指定图像匹配的预存图像,得到第二匹配结果;
排序模块311,用于将第二匹配结果中的预存图像按照第二匹配度由高到低排序;
获取模块312,用于获取排序中前预设数量个预存图像,得到第三匹配结果;
加权模块313,用于将所述指定图像的第一特征向量按照所述第一预设权值进行加权,得到所述指定图像的第三特征向量;
第三二值化模块314,用于对指定图像的第三特征向量进行二值化,得到指定图像的第四特征向量;
第三筛选模块315,用于根据指定图像的第四特征向量从预存图像的第二特征向量中筛选出与指定图像匹配的预存图像。
可选的,第一筛选模块304包括以下单元,如图5所示:
第一计算单元3041,用于计算指定图像的第二特征向量和预存图像的第二特征向量的第一匹配度;
第一筛选单元3042,用于从预存图像的第二特征向量中筛选出第一匹配度高于第一预设阈值的预存图像,得到第一匹配结果。
可选的,第二筛选模块310包括以下单元,如图6所示:
第二计算单元3101,用于计算指定图像的尺度不变特征转换特征点的几何信息与第一匹配结果中的几何信息的第二匹配度;
第二筛选单元3102,用于从第一匹配结果中的几何信息中筛选出第二匹配度高于第二预设阈值的预存图像,得到第二匹配结果;
加权单元3103,用于将指定图像的尺度不变特征转换特征点的几何信息按照第二预设权值进行加权;
第三筛选单元3104,用于根据指定图像的尺度不变特征转换特征点的加权后的几何信息从第一匹配结果中的几何信息中筛选出与指定图像匹配的预存图像,得到第二匹配结果。
可选的,第一二值化模块303包括以下单元,如图7所示:
降维单元3031,用于将128维的第一特征向量投影到64维特征空间中进行降维处理,得到64维的第一特征向量;
二值化单元3032,用于对64维的第一特征向量进行二值化,得到64维的第二特征向量。
本实施例的一些有益效果可以包括:利用尺度不变特征转换特征点所具有的光照不敏感、尺度、放射不变性的特点,通过提取图像的尺度不变特征转换特征点从预存图像中筛选匹配图像,从而得到最佳的匹配结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (19)
1.一种图像检索的方法,其特征在于,包括:
提取指定图像的尺度不变特征转换特征点;
对所述指定图像的尺度不变特征转换特征点进行描述,得到所述指定图像的第一特征向量;
对所述指定图像的第一特征向量进行二值化,得到所述指定图像的第二特征向量;
根据所述指定图像的第二特征向量从预存图像的第二特征向量中筛选出与所述指定图像匹配的预存图像,得到第一匹配结果。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
提取所述预存图像的尺度不变特征转换特征点;
对所述预存图像的尺度不变特征转换特征点进行描述,得到所述预存图像的第一特征向量;
对所述预存图像的第一特征向量进行二值化,得到所述预存图像的第二特征向量;
存储所述预存图像的第二特征向量。
3.如权利要求1所述的方法,其特征在于,所述根据所述指定图像的第二特征向量从预存图像的第二特征向量中筛选出与所述指定图像匹配的预存图像,得到第一匹配结果,包括:
计算所述指定图像的第二特征向量和预存图像的第二特征向量的第一匹配度;
从所述预存图像的第二特征向量中筛选出所述第一匹配度高于第一预设阈值的预存图像,得到第一匹配结果。
4.如权利要求3所述的方法,其特征在于,所述根据所述指定图像的第二特征向量从预存图像的第二特征向量中筛选出与所述指定图像匹配的预存图像,得到第一匹配结果之后,所述方法还包括:
提取所述指定图像的尺度不变特征转换特征点的几何信息;
根据所述指定图像的尺度不变特征转换特征点的几何信息从所述第一匹配结果中的几何信息中筛选出与所述指定图像匹配的预存图像,得到第二匹配结果。
5.如权利要求4所述的方法,其特征在于,所述几何信息包括所述尺度不变特征转换特征点的主方向和尺度信息。
6.如权利要求4所述的方法,其特征在于,所述根据所述指定图像的尺度不变特征转换特征点的几何信息从所述第一匹配结果中的几何信息中筛选出与所述指定图像匹配的预存图像,得到第二匹配结果,包括:
计算所述指定图像的尺度不变特征转换特征点的几何信息与所述第一匹配结果中的几何信息的第二匹配度;
从所述第一匹配结果中的几何信息中筛选出所述第二匹配度高于第二预设阈值的预存图像,得到第二匹配结果。
7.如权利要求4所述的方法,其特征在于,所述方法还包括:
将所述第二匹配结果中的预存图像按照所述第二匹配度由高到低排序;
获取所述排序中前预设数量个预存图像,得到第三匹配结果。
8.如权利要求1所述的方法,其特征在于,所述第一特征向量的维数为128维;
所述对所述指定图像的第一特征向量进行二值化,得到所述指定图像的第二特征向量,包括:
将所述128维的第一特征向量投影到64维特征空间中进行降维处理,得到64维的第一特征向量;
对所述64维的第一特征向量进行二值化,得到64维的第二特征向量。
9.如权利要求1所述的方法,其特征在于,
所述预存图像的第二特征向量为,提取所述预存图像的尺度不变特征转换特征点,将所述预存图像的尺度不变特征转换特征点按照第一预设权值进行加权,描述加权后的尺度不变特征转换特征点,得到所述预存图像的第一特征向量,将所述预存图像的第一特征向量进行二值化,得到所述预存图像的第二特征向量;
所述对所述指定图像的尺度不变特征转换特征点进行描述,得到所述指定图像的第一特征向量之后,所述方法还包括:
将所述指定图像的第一特征向量按照所述第一预设权值进行加权,得到所述指定图像的第三特征向量;
对所述指定图像的第三特征向量进行二值化,得到所述指定图像的第四特征向量;
根据所述指定图像的第四特征向量从预存图像的第二特征向量中筛选出与所述指定图像匹配的预存图像。
10.如权利要求4所述的方法,其特征在于,
所述第一匹配结果中的几何信息为,获取所述预存图像的尺度不变特征转换特征点的几何信息,将所述预存图像的尺度不变特征转换特征点的几何信息按照第二预设权值进行加权;
所述根据所述指定图像的尺度不变特征转换特征点的几何信息从所述第一匹配结果中的几何信息中筛选出与所述指定图像匹配的预存图像,得到第二匹配结果,包括:
将所述指定图像的尺度不变特征转换特征点的几何信息按照所述第二预设权值进行加权;
根据所述指定图像的尺度不变特征转换特征点的加权后的几何信息从所述第一匹配结果中的几何信息中筛选出与所述指定图像匹配的预存图像,得到第二匹配结果。
11.一种图像检索的装置,其特征在于,包括:
第一提取模块,用于提取指定图像的尺度不变特征转换特征点;
第一描述模块,用于对所述指定图像的尺度不变特征转换特征点进行描述,得到所述指定图像的第一特征向量;
第一二值化模块,用于对所述指定图像的第一特征向量进行二值化,得到所述指定图像的第二特征向量;
第一筛选模块,用于根据所述指定图像的第二特征向量从预存图像的第二特征向量中筛选出与所述指定图像匹配的预存图像,得到第一匹配结果。
12.如权利要求11所述的装置,其特征在于,所述装置还包括:
第二提取模块,用于提取所述预存图像的尺度不变特征转换特征点;
第二描述模块,用于对所述预存图像的尺度不变特征转换特征点进行描述,得到所述预存图像的第一特征向量;
第二二值化模块,用于对所述预存图像的第一特征向量进行二值化,得到所述预存图像的第二特征向量;
存储模块,用于存储所述预存图像的第二特征向量。
13.如权利要求11所述的装置,其特征在于,所述第一筛选模块包括:
第一计算单元,用于计算所述指定图像的第二特征向量和预存图像的第二特征向量的第一匹配度;
第一筛选单元,用于从所述预存图像的第二特征向量中筛选出所述第一匹配度高于第一预设阈值的预存图像,得到第一匹配结果。
14.如权利要求13所述的装置,其特征在于,所述装置还包括:
第三提取模块,用于提取所述指定图像的尺度不变特征转换特征点的几何信息;
第二筛选模块,用于根据所述指定图像的尺度不变特征转换特征点的几何信息从所述第一匹配结果中的几何信息中筛选出与所述指定图像匹配的预存图像,得到第二匹配结果。
15.如权利要求14所述的装置,其特征在于,所述第二筛选模块包括:
第二计算单元,用于计算所述指定图像的尺度不变特征转换特征点的几何信息与所述第一匹配结果中的几何信息的第二匹配度;
第二筛选单元,用于从所述第一匹配结果中的几何信息中筛选出所述第二匹配度高于第二预设阈值的预存图像,得到第二匹配结果。
16.如权利要求14所述的装置,其特征在于,所述装置还包括:
排序模块,用于将所述第二匹配结果中的预存图像按照所述第二匹配度由高到低排序;
获取模块,用于获取所述排序中前预设数量个预存图像,得到第三匹配结果。
17.如权利要求11所述的装置,其特征在于,所述第一二值化模块包括:
降维单元,用于将所述128维的第一特征向量投影到64维特征空间中进行降维处理,得到64维的第一特征向量;
二值化单元,用于对所述64维的第一特征向量进行二值化,得到64维的第二特征向量。
18.如权利要求11所述的装置,其特征在于,所述装置还包括:
加权模块,用于将所述指定图像的第一特征向量按照所述第一预设权值进行加权,得到所述指定图像的第三特征向量;
第三二值化模块,用于对所述指定图像的第三特征向量进行二值化,得到所述指定图像的第四特征向量;
第三筛选模块,用于根据所述指定图像的第四特征向量从预存图像的第二特征向量中筛选出与所述指定图像匹配的预存图像。
19.如权利要求14所述的装置,其特征在于,所述第二筛选模块包括:
加权单元,用于将所述指定图像的尺度不变特征转换特征点的几何信息按照所述第二预设权值进行加权;
第三筛选单元,用于根据所述指定图像的尺度不变特征转换特征点的加权后的几何信息从所述第一匹配结果中的几何信息中筛选出与所述指定图像匹配的预存图像,得到第二匹配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410470435.2A CN104217006A (zh) | 2014-09-15 | 2014-09-15 | 一种图像检索的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410470435.2A CN104217006A (zh) | 2014-09-15 | 2014-09-15 | 一种图像检索的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104217006A true CN104217006A (zh) | 2014-12-17 |
Family
ID=52098496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410470435.2A Pending CN104217006A (zh) | 2014-09-15 | 2014-09-15 | 一种图像检索的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104217006A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980834A (zh) * | 2017-03-24 | 2017-07-25 | 中山大学 | 一种人脸图像的自动分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004786A (zh) * | 2010-12-02 | 2011-04-06 | 上海交通大学 | 图像检索***中的加速方法 |
CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
US8352494B1 (en) * | 2009-12-07 | 2013-01-08 | Google Inc. | Distributed image search |
CN103236068A (zh) * | 2013-05-14 | 2013-08-07 | 中国科学院自动化研究所 | 一种局部图像匹配方法 |
CN103617431A (zh) * | 2013-11-05 | 2014-03-05 | 北京工业大学 | 基于最大位平均熵的sift描述子二值化及相似度匹配方法 |
-
2014
- 2014-09-15 CN CN201410470435.2A patent/CN104217006A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8352494B1 (en) * | 2009-12-07 | 2013-01-08 | Google Inc. | Distributed image search |
CN102004786A (zh) * | 2010-12-02 | 2011-04-06 | 上海交通大学 | 图像检索***中的加速方法 |
CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
CN103236068A (zh) * | 2013-05-14 | 2013-08-07 | 中国科学院自动化研究所 | 一种局部图像匹配方法 |
CN103617431A (zh) * | 2013-11-05 | 2014-03-05 | 北京工业大学 | 基于最大位平均熵的sift描述子二值化及相似度匹配方法 |
Non-Patent Citations (4)
Title |
---|
国务院学位委员会办公室 等: "《第六届博士生学术年会论文集 下》", 28 February 2009 * |
杨化超: "《图像局部不变性特征及其匹配问题研究与应用》", 31 December 2013 * |
陈宗海: "《***仿真技术及其应用 第11卷》", 31 July 2009 * |
颜色和SIFT特征融合的图像检索算法: "《第十六届全国图象图形学学术会议暨第六届立体图象技术学术研讨会论文集》", 31 July 2012 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980834A (zh) * | 2017-03-24 | 2017-07-25 | 中山大学 | 一种人脸图像的自动分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | An end-to-end dense-inceptionnet for image copy-move forgery detection | |
Mohedano et al. | Bags of local convolutional features for scalable instance search | |
Strecha et al. | LDAHash: Improved matching with smaller descriptors | |
Aly et al. | Indexing in large scale image collections: Scaling properties and benchmark | |
CN102368237B (zh) | 图像检索方法、装置及*** | |
US20140254936A1 (en) | Local feature based image compression | |
KR101650994B1 (ko) | 객체 인식에서 피처 생성을 개선시키기 위한 시스템들 및 방법들 | |
CN108875487B (zh) | 行人重识别网络的训练及基于其的行人重识别 | |
Iakovidou et al. | Localizing global descriptors for content-based image retrieval | |
CN104462199A (zh) | 一种网络环境下的近似重复图像搜索方法 | |
Syam et al. | An effective similarity measure via genetic algorithm for content based image retrieval with extensive features. | |
CN112784009B (zh) | 一种主题词挖掘方法、装置、电子设备及存储介质 | |
Bi et al. | Multiple instance dense connected convolution neural network for aerial image scene classification | |
CN105095468A (zh) | 一种新型的图像检索方法及*** | |
KR20120051952A (ko) | 특징점을 이용한 영상 검색 방법 및 상기 방법을 수행하는 장치 | |
Fraundorfer et al. | Visual word based location recognition in 3d models using distance augmented weighting | |
Wu et al. | Optimum pipeline for visual terrain classification using improved bag of visual words and fusion methods | |
Amato et al. | Aggregating binary local descriptors for image retrieval | |
CN110765291A (zh) | 检索方法、装置及电子设备 | |
CN113688261A (zh) | 图像数据清理方法、装置、电子设备及可读存储介质 | |
WO2016037848A1 (en) | Image recognition using descriptor pruning | |
CN104217006A (zh) | 一种图像检索的方法及装置 | |
Pratikakis et al. | Predictive digitisation of cultural heritage objects | |
Law et al. | Hybrid pooling fusion in the bow pipeline | |
CN113191401A (zh) | 基于视觉显著性共享的用于三维模型识别的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141217 |