現(xiàn)有的基于內(nèi)容的近重復(fù)圖像檢索算法主要依賴于詞袋（Bag-of-visual-words,BOW）模型。該模型將局部特征量化為視覺單詞,通過比較局部特征是否量化為相同的視覺單詞來判斷局部特征是否匹配。雖然BOW模型在一定程度上提高了局部特征匹配的效率,但BOW模型的量化誤差降低了局部特征的辨識(shí)性,導(dǎo)致BOW匹配結(jié)果中經(jīng)常混有許多錯(cuò)誤匹配,這些錯(cuò)誤的匹配極大地降低了圖像檢索的準(zhǔn)確度。鑒于上述不足,本文提出了兩種基于上下文線索的近重復(fù)圖像檢索的方案。1)提出了一種基于多上下文線索圖像描述的近重復(fù)圖像檢索算法為了增強(qiáng)局部特征的辨識(shí)性,本文提出了一種新的近重復(fù)圖像檢索算法,該算法利用空間和視覺上下文線索來豐富局部特征的信息。首先,此方案將圖像中的每個(gè)尺度不變特征變換（Scale invariant feature transformation,SIFT）特征作為參考特征,并為每個(gè)參考特征選擇魯棒的上下文特征。然后,將參考特征和周圍上下文特征的空間關(guān)系編碼為空間描述符�？紤]到顏色對(duì)常見的攻擊具有魯棒性,此方案還通過構(gòu)建區(qū)域來創(chuàng)建參考特征與其上下文特征之間的顏色直方圖。為了加速特征匹配的過程,本文... 

【文章來源】：南京信息工程大學(xué)江蘇省

【文章頁數(shù)】：58 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

近重復(fù)圖像實(shí)例

現(xiàn)有的基于內(nèi)容的近重復(fù)圖像檢索算法的基本框架如圖 2-2 所示。它主要是由特征提取、特征量化、索引構(gòu)建和相似度量這四個(gè)部分組成。特征提取，是近重復(fù)圖像檢索技術(shù)中的基礎(chǔ)環(huán)節(jié)。選擇的特征是否能夠準(zhǔn)確地描述圖像的內(nèi)容，是否能夠在特征提取和特征匹配階段耗費(fèi)較少的時(shí)間成本是衡量特征好壞的標(biāo)準(zhǔn)。根據(jù)特征提取的方式可以將圖像檢索算法分為兩類：基于全局特征的匹配和基于局部特征的匹配�；谌痔卣鞯钠ヅ浞椒ǎ瑥恼鶊D像中提取全局描述符，然后通過匹配全局特征描述符來判斷是否為近重復(fù)圖像，不需要構(gòu)建索引結(jié)構(gòu)來索引特征。而基于區(qū)域的特征匹配方法，先是從區(qū)域塊中提取特征，為了避免局部特征維度過高，通過量化和構(gòu)建索引結(jié)構(gòu)來提高特征匹配的效率。相似度量準(zhǔn)則，也是近重復(fù)圖像檢索技術(shù)中必不可少的一部分，相似度量準(zhǔn)則的選擇在一定程度上影響圖像檢索的準(zhǔn)確度。因此，需要選擇最恰當(dāng)?shù)南嗨贫攘繙?zhǔn)則來判別兩幅圖像是否為正確的近重復(fù)圖像。

第二章 基于內(nèi)容的近重復(fù)圖像檢索技術(shù)簡(jiǎn)介 圖 2-3 圖像視覺詞袋模型示意圖能夠提高圖像檢索的效率，通過構(gòu)建倒排索引結(jié)構(gòu)來存儲(chǔ)為每個(gè)視覺單詞構(gòu)建索引，其中包含所有量化為該視覺單些屬性，如其所屬圖像的 ID、特征點(diǎn)的坐標(biāo)以及其他相關(guān)到索引結(jié)構(gòu)，可以增強(qiáng)局部特征的辨識(shí)能力。


本文編號(hào)：3375423