- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI科技时讯
图像检索：基于内容的图像检索技术（一）
针对这些包含丰富视觉信息的海量图片，如何在这些浩瀚的图像库中方便、快速、准确地查询并检索到用户所需的或感兴趣的图像，成为多媒体信息检索领域研究的热点。 图像检索按描述图像内容方式的不同可以分为两类，一类是基于文本的图像检索(TBIR, Text Based Image Retrieval)，另一类是基于内容的图像检索(CBIR, Content Based 随着图像数据快速增长，针对基于文本的图像检索方法日益凸现的问题，在1992年美国国家科学基金会就图像数据库管理系统新发展方向达成一致共识，即表示索引图像信息的最有效方式应该是基于图像内容自身的。 自此，基于内容的图像检索技术便逐步建立起来，并在近十多年里得到了迅速的发展。 基于内容的图像检索技术将图像内容的表达和相似性度量交给计算机进行自动的处理，克服了采用文本进行图像检索所面临的缺陷，并且充分发挥了计算机长于计算的优势，大大提高了检索的效率，从而为海量图像库的检索开启了新的大门
4.1K21发布于 2020-03-04 - 来自专栏AI科技时讯
图像检索：基于内容的图像检索技术（三）
大规模图像检索特点 无论是对于相同物体图像检索还是相同类别图像检索，在大规模图像数据集上，它们具有三个典型的主要特征：图像数据量大、特征维度高以及要求相应时间短。 ，研究者们在验证图像检索算法性能的时候，用得比较多是corel1k，该图像库共1000张图片，与今天同样可以用于图像检索的最流行的图像分类库imageNet数据集相比，其量级已经有了成千上万倍的增长，因而图像检索应满足大数据时代的要求 (2) 特征维度高。图像特征作为直接描述图像视觉内容的基石，其特征表达的好坏直接决定了在检索过程中可能达到的最高检索精度。 对图像数据库中的图像逐一进行特征提取，并将其以图像文件名和图像特征一一对应的方式添加到特征库中； (2) 哈希编码。 — 近似最近邻(ANN, Approximate Nearest Neighbor)搜索方法，并提出了很多高效的检索技术，其中最成功的方法包括基于树结构的图像检索方法、基于哈希的图像检索方法和基于向量量化的图像检索方法
2.9K21发布于 2020-03-04 - 来自专栏AI科技时讯
图像检索：基于内容的图像检索技术（二）
基于内容的图像检索技术 ? 相同物体图像检索 相同物体图像检索是指对查询图像中的某一物体，从图像库中找出包含有该物体的图像。 由于受环境干扰比较大，因而对于相同物体图像检索，在选取特征的时候，往往会选择那些抗干扰性比较好的不变性局部特征，比如SIFT1、SURF2、ORB3等，并以此为基础通过不同的编码方式构建图像的全局描述， 相同类别图像检索 对给定的查询图片，相似图像检索的目标是从图像库中查找出那些与给定查询图像属于同一类别的图像。 相同类别图像检索目前已广泛应用于图像搜索引擎，医学影像检索等领域。 对于相同类别图像检索，面临的主要问题是属于同一类别的图像类内变化巨大，而不同类的图像类间差异小。 ，能够降低的维度还是有限的，因而对于这一类图像检索，同样有必要为它构建够高效合理的快速检索机制，使其适应大规模或海量图像的检索。
1.9K31发布于 2020-03-04 - 来自专栏AI科技时讯
图像检索：基于内容的图像检索技术（四）
基于树的图像检索方法将图像对应的特征以树结构的方法组织起来，使得在检索的时候其计算复杂度降到关于图像库样本数目n的对数的复杂度。基于树结构的搜索方法有KD-树8、M-树9等。 此外，基于树结构的检索方法在构建树结构的时候其占用的存储空间往往要比原来的数据大得多，并且对数据分布敏感，从而使得基于树结构的检索方法在大规模图像数据库上也会面临内存受限的问题。 相比基于树结构的图像检索方法，基于哈希的图像检索方法由于能够将原特征编码成紧致的二值哈希码，使得基于哈希的图像检索方法能够大幅的降低内存的消耗，并且由于在计算汉明距离的时候可以使用计算机内部运算器具有的 在面向大规模图像检索时，除了采用图像哈希方法外，还有另一类方法，即向量量化的方法，向量量化的方法中比较典型的代表是乘积量化(PQ, Product Quantization)方法，它将特征空间分解为多个低维子空间的笛卡尔乘积 Vis., 2004,1:1–2. JEGOU H, DOUZE M, SCHMID C, et al.
1.9K11发布于 2020-03-18 - 来自专栏用户6291251的专栏
OpenCV：图像检索。
OpenCV可以检测图像的主要特征，然后提取图像的特征，使其成为图像描述符。 这些图像特征，也就是图像描述符，可以作为图像搜索的数据库。 个人感觉就是，和「以图搜图」有点像。 ? 提了好几次特征了，那么什么是图像的特征呢？ 图像特征就是指有意义的图像区域，具有独特性或易于识别性，比如角点、斑点以及高密度区。 角点可以通过OpenCV的cornerHarris来识别。 剩下的太难了，以后慢慢了解~ / 02 / 图像检索 采用FLANN匹配，近似最近邻的快速库。 原始图片如下，为微博的Logo。 ? 目标图片如下，包含新浪微博的名称。 ? 代码如下。 'wb2.jpg', 0) # 创建SIFT对象(特征检测器),并计算灰度图像(描述符) sift = cv2.xfeatures2d.SIFT_create() kp1, des1 = sift.detectAndCompute 也就意味着，我们能够利用原始图片(微博logo)从一个包含目标图片的图片库里检索到目标图片(包含微博logo)。 以图搜图，这还是很相似的。 当然，我并不知道以图搜图到底是通过何种办法实现的。
1.6K20发布于 2020-10-09 - 来自专栏AIUAI
图像检索 - 评价指标
图像检索评价指标 1. Precision & Recall & F-Score ---- image.png 2.
2.4K20发布于 2019-02-18 - 来自专栏加密图像检索技术
图像比较加密检索技术
关于比较加密技术，看了一篇论文，《移动云环境下密文图像检索技术研究》，里面提到的比较加密技术不是很了解，很多困惑，想针对此方案作出点修改，不知如何下手？
77120发布于 2021-03-11 - 来自专栏NLP小白的学习历程
VLAD算法简介 图像检索
基础概念 VLAD是vector of locally aggregated descriptors的简称，是由Jegou et al.在2010年提出，其核心思想是aggregated(积聚)，主要应用于图像检索领域 1.2 相关方法优缺点 在深度学习时代之前，图像检索领域以及分类主要使用的常规算法有BoW、Fisher Vector及VLAD等。 矩阵，其中k是聚类中心个数，d是特征维数(如sift是128维),随后将该矩阵扩展为一个(k*d)维的向量，并对其L2归一化，所得到的向量即为VLAD。 2 VLAD算法流程 (1) 读取图片文件路径及特征提取 (2) 使用聚类方法训练码本 (3) 将每张图片的特征与最近的聚类中心进行累加 *(4) 对累加后的VLAD进行PCA降维并对其归一化 *(5) 得到VLAD后，使用ADC方法继续降低储存空间和提高搜索速度 其中步骤4、5可选，在步骤3得到残差累加向量后进行L2归一化即可用欧氏距离等计算两张图片的相似性从而实现图片检索 一个简单的实现(基于sift
3.5K30发布于 2020-11-13 - 来自专栏数据指象
动态规划“遇见”图像检索
但是同一张图像经过裁剪、旋转、光线的调节、滤镜是图像的像素值发生巨大的变化，所以如何简单粗暴的匹配两张图像的像素的精准确率就会大打折扣。 利用时间序列+动态规划的弹性匹配是一个稳定匹配相似图像的方法。 1，构造图像的时间序列。 2，两个图像时序距离计算方法 统计中我们了解到了很多距离计算的方法，比如：欧式距离、曼哈顿距离、欧几里得距离等，距离方法的选择要适合场景需要，选择最优的就行；可以尝试多种距离计算对比效果。 ObjectCategories/001.ak47/001_0002.jpg', #第1张图 'data/256_ObjectCategories/003.backpack/003_0001.jpg',#第2张图 list.append(n[0][0]) #R for n in arr: list.append(n[0][1]) #G for n in arr: list.append(n[0][2]
60710编辑于 2022-04-27 - 来自专栏视觉求索无尽也
【图像检索】CBIR资料汇总
Retrieval 简要介绍CBIR系统流程 Deep Image Retrieval: Learning global representations for image search（很有意思，包括了目标检测和检索 ） 基于多层 CNN 特征的图像检索技术 Paper: awesome-cbir-papers Paper: Three things everyone should know to improve object
1.5K30发布于 2018-09-10 - 来自专栏软件研发
图像检索(Image Retrieval)入门
SIFT在图像检索中具有较好的性能，但由于其计算复杂度较高，不适合大规模图像数据库。2. 基于颜色直方图颜色直方图是一种简单有效的图像表征方法，它将图像的颜色分布转换为直方图。通过比较直方图之间的差异，可以实现基于颜色的图像检索。2. hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 定义直方图的参数 hist_size = [8, 8, 8] # 每个通道的直方图 , hist2, cv2.HISTCMP_BHATTACHARYYA) return similarity# 读取图像数据库中的图像database_images = []database_images.append (cv2.imread('image1.jpg'))database_images.append(cv2.imread('image2.jpg'))database_images.append(cv2.
2.7K20编辑于 2023-10-25 - 来自专栏机器学习与生成对抗网络
基于内容的图像检索技术：从特征到检索
二、基于内容的图像检索流程 图像内容检索流程与文本检索流程类似，但二者信息表征方法不同。文本通过词频计算BoW来表征一段文本内容，而图像则使用视觉特征来表示。 常用的Embedding方法有VLAD[2]、Fisher Vector[3]，Triangular embedding[4]等，已有实验表明这些方法应用于传统局部特征后得到的embedding特征能有效提高图像检索准确率 2) 大多数图像包含的核心信息在图像的中间部分，因此对上面得到的特征向量 ? 引入位置系数 ? ，即 ? , ? 可以通过高斯函数计算加权值。 3) 对 ? ebay基于深度哈希特征的相似图像检索方法，包括特征提取和检索策略以及检索基础架构的技术方案。 检索时，1.查询图像仅在相同或相近的叶子类别中进行检索，大幅度减少了目标检索数据量；2,.然后对新的目标检索空间S下的数据进行hamming距离计算，采用穷尽法遍历，返回距离的最相近的Top list
2.6K10发布于 2020-12-08 - 来自专栏01二进制
图像检索系列——利用 Python 检测图像相似度
前言 最近在做一个海量图片检索的项目，可以简单的理解为“以图搜图”，这个功能一开始是搜索引擎带火的，但是后来在电商领域变得非常实用。 在制作这个图片检索的项目前，笔者搜索了一些资料，如今项目临近结尾，便在这里做一些简单的分享。本文先介绍图像检索最基础的一部分知识——利用 Python 检测图像相似度。 图像指纹 图像指纹和人的指纹一样，是身份的象征，而图像指纹简单点来讲，就是将图像按照一定的哈希算法，经过运算后得出的一组二进制数字。如下图所示： ? 现在诸如谷歌识图、百度识图几乎都是采用深度学习的方式进行相似性检索，这个下篇文章介绍。 为什么余弦相似度不适合用来检测图片相似度 最后我们来讨论下为什么不使用余弦相似度来检测图片的相似度。 想要制作一个图像检索系统虽然第一步都是比较图像的相似度，但现如今大多数都是通过深度学习的方法提取出图像特征，然后再进行比较，准确率大大提升。
5.9K30发布于 2019-08-26 - 来自专栏大猪的笔记
信息检索：布尔检索-建立倒排索引(2)
假定我们有3个文档： doc1 = ["1", "hello", "word", "i", "love", "dazhu"] doc2 = ["2", "hi", "i", "can", "speak" 合并单词表并排序(代码 give_index) 同理，处理doc2和doc3,合并所有结果并排序，可得一个如下的列表： ['can', '2'] ['can', '3'] ['dazhu', '1'] 最终得到结果如下： ['can', ['2', '3']] ['dazhu', ['1', '3']] ['hello', ['1', '3']] ['hi', ['2', '3']] ['i', [' 1', '2', '3']] ...... 取出 i 的倒排记录表：['1', '2', '3'] 2. 取出 can 的倒排记录表：['2', '3'] 3. 对这两个集合求交集 4.
1.6K20发布于 2019-11-21 - 来自专栏AIRX三次方
机器学习 ｜ 图像检索开源项目合集
https://github.com/soruly/trace.moe 2、Awesome Cbir Papers 经典图像检索的论文 https://github.com/willard-yuan/ 目前我主要致力于大规模图像检索研究，在图像检索中除了专注与duplicate search外我也花很大力气在哈希大规模图像检索上。在研究的过程中，我发觉几乎很少有研究者提供不同对比方法的代码。 从用于分类的深度神经网络的最后一个卷积层提取和聚合的特征已被证明是用于各种任务的有用的图像描述符，如迁移学习和图像检索。在基于内容的图像检索中，通常会将视觉上相似的图像聚类在该特征空间中。 本项目通过视觉级别搜索，细粒度类别（实例检索）和图像-文本互搜的方式来测试通用多媒体检索。 Mirror是用于3D重建和相关应用程序的可匹配图像检索管道。与典型的对象检索不同，可匹配的图像检索旨在查找重叠度大的相似图像。
2.4K51发布于 2020-12-15 - 来自专栏desperate633
第2-3课 检索数据检索列检索排序数据
这两课主要介绍sql中利用select语句对数据的简单检索。 下面分别讨论不同类型的检索 检索列 单个列 select prod_id from Products; 多个列 select prod_id, prod_name, prod_price from Products ; 所有列 select * from Products; 检索不同值 的列 select distinct vend_id from products; 检索前几列或者后几列 select prod_name from products limit 5; select prod_name from products limit 5 offset 5; 检索排序数据 单个列排序 select prod_name
1.1K20发布于 2018-08-22 层级表征提升图像检索准确率
层级表征改善图像检索图像匹配有许多实际应用。例如，某中心的StyleSnap或某中心购物应用的相机搜索等图像检索系统，允许客户上传照片以搜索相似的图像。 在一篇于WACV 2022会议上发表的论文中，我们阐述了在训练神经网络计算图像表征时，通过显式建模对象层次结构，如何提高图像检索的准确性。 在我们的论文中，展示了在构建图像检索系统时如何利用此类层次结构，或者在没有层次结构的情况下如何构建它们。 特别是，代理锚损失已被证明能够达到最先进的图像检索准确率，同时比成对损失收敛得快得多。我们的工作提出了一种新的代理损失，它显式地利用类别层次结构信息来提高图像检索准确率。 重复步骤2-3直至收敛。实验结果我们在最新的代理损失基础上实现了HPL，并进行了评估。在五个标准度量学习数据集上评估图像检索准确率，发现HPL始终优于两种基线方法，达到了新的最先进水平。
14210编辑于 2025-12-29- 来自专栏小鹏的专栏
基于SIFT特征的图像检索 vs CNN
sift检索结果： ? ? ? ? cnn检索结果： 原图： ? 检索图： ? 原图： ? 检索图： ? 原图： ? 检索图： ? 原图： ? 检索图： ? 下面是基于SIFT检索的代码，CNN的还是自己撸吧： # coding: utf-8 import cv2 import numpy as np import os from sklearn.cluster # #### 1、SIFT提取每幅图像的特征点 # #### 2、聚类获取视觉单词中心（聚类中心），构造视觉单词词典 # #### 3、将图像特征点映射到视觉单词上，得到图像特征 # #### 4、计算待检索图像的最近邻图像 ，找出最像的几个 img:待检索的图像 img_dataset:图像数据库 matrix num_close:显示最近邻的图像数目 centures:聚类中心 img_paths :图像数据库所有图像路径 ''' num_close=9 img=cv2.imread(img_path) img=cv2.cvtColor(img,cv2.COLOR_RGB2GRAY
1.2K20发布于 2019-05-26 - 来自专栏Data Analysis & Viz
图像检索（一）：因缘际会与前瞻
之前因为学习Keras的缘故，看到一个图像检索的Demo，代码实现了输入一张查询照片，检索出最相似的n张照片的效果。 ? 图像检索示例 进而用t-SNE将所有照片降至2维，以便可视化并观察相似照片是否聚集到了一起。 你可能又会好奇，标题不是说好了介绍图像检索的嘛，怎么又扯到深度学习上了，到底是如何实现检索出相似图像，如何用t-SNE对海量图像进行可视化的呢？这其中的缘故，且听我慢慢道来。 那么原本用于图像识别，比如识别一张图像里到底是猫还是狗的卷积神经网络，又是结合到图像检索上的呢？ CNN.jpg 而如果把分类器去掉，用剩下的特征提取器对海量图像分别提取特征，并借助余弦相似度等衡量指标，我们就能实现上述的图像检索效果了。
99320发布于 2018-08-21 - 来自专栏企鹅号快讯
深度离散哈希算法，可用于图像检索！
「2」为了减少量化误差，我们在优化过程中保留了哈希编码的离散化这一特性。此外，我们还提出了一种交替优化方法，即使用坐标下降法优化目标函数。 「3」大量的实验结果表明，我们的方法在图像检索问题上，取得了比现最好方法更好的结果，从而验证了我们方法的有效性。 图 1：DSDH-A、DSDH-B、DSDH-C 和 DSDH 在 CIFAR-10 上得到的结果：「a」Hamming 半径为 2 的精度曲线;「b」不同数目最佳返回图像的精度曲线（不确定）;「c」具有 论文：Deep supervised discrete hashing 论文地址：https://arxiv.org/abs/1705.10999 摘要：随着网络上图像和视频数据的快速发展，近几年图像及视频检索也被广泛的研究 得益于深度学习的发展，深度哈希方法在图像检索方面也取得了一定的成果。然而，之前的深度哈希方法还是存在一些限制「例如，没有充分利用语义信息」。
2.6K60发布于 2018-02-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号