- 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。 得益于多媒体信息捕获、传输、存储的发展以及计算机运算速度的提升，基于内容的图像检索技术经过十几年的发展，其需要适用的图像规模范围也从原来的小型图像库扩大到大规模图像库甚至是海量图像数据集，比如在上世纪九十年代图像检索技术发展的早期阶段 ，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 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。 — 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。 具有代表性的工作有词袋模型4(BoW, Bag of Words)、 局部特征聚合描述符5(VLAD, Vector of Locally Aggregated Descriptors)以及Fisher 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 基于哈希的图像检索方法其关键之处在于设计一个有效的哈希函数集，使得原空间中的数据经过该哈希函数集映射后，在汉明空间其数据间的相似性能够得到较好的保持或增强。 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
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。 None) # 设置FLANN匹配器参数 FLANN_INDEX_KDTREE = 0 indexParams = dict(algorithm=FLANN_INDEX_KDTREE, trees=5) 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。 1.3 VLAD算法 VLAD算法可以看做是一种简化的FV，其主要方法是通过聚类方法训练一个小的码本，对于每幅图像中的特征找到最近的码本聚类中心，随后所有特征与聚类中心的差值做累加，得到一个k*d的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
同样图像也是对象的一种； 它是有RGB三基色的像素点组合合成；RGB本身就是一张图像的属性；[0~255]是属性值域值。 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。 将图像的RGB值，首尾拼接成一个一维数组；以索引下标作为横轴，RGB值作为纵轴，我们可以绘制出一个时间序列的折线图。 ObjectCategories/009.bear/009_0009.jpg',#第4张图 'data/256_ObjectCategories/009.bear/009_0010.jpg',#第5张图
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
图像检索(Image Retrieval)入门概述图像检索是一项重要的计算机视觉任务，它旨在根据用户的输入（如图像或关键词），从图像数据库中检索出最相关的图像。 图像检索技术在许多领域中有着广泛的应用，如图像搜索引擎、图像版权认证、医学影像分析等。 这篇博客将带您入门图像检索的基本概念、方法和常用的技术。特征提取在图像检索中，特征提取是关键的一步。 常见的图像检索方法除了上述特征提取和相似度度量方法外，还有许多图像检索方法在研究和应用中得到广泛的使用。以下是一些常见的图像检索方法：1. 示例代码：基于颜色直方图的图像检索下面是一个基于颜色直方图的图像检索的示例代码，该代码演示了如何计算图像的颜色直方图并使用直方图差异度量方法进行图像检索。 图像检索的缺点虽然图像检索在许多实际应用中被广泛使用，但仍然存在一些缺点：语义鸿沟：图像检索难以解决语义鸿沟问题，即图像和用户查询之间的语义差异。
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。 深度特征 Neural Codes for Image Retrieval[5]这篇文章评估了基于CNN的深度特征应用于图像检时的效果。 [5]在选择用于学习投影矩阵的训练数据时采用如下方式：对目标数据中构建匹配关系图，所有相似的图像对被通过边连接，图构建完成后，采用以下方式选择训练数据图像对：若图像A和图像B不相连，且他们都与图像C相连 5) 对深度网络全连接层输出的特征fc应用VLAD Embedding对检索效果有提升，但对模型使用目标数据进行finetune后得到的fc检索效果优于fc+VLAD [5]。 模型训练的输入是深度特征向量，文中提到使用了ResNet-50的pool5层输出向量。工程架构方面细节可参见论文。此不赘述。
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AIRX三次方
机器学习 ｜ 图像检索开源项目合集
https://github.com/dermotte/LIRE 5、Cnn For Image Retrieval "Image retrieval using MatconvNet and pre-trained 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。 我们在两个公共可用数据集(例如检索)上进行的实验，Oxford5k和Paris6k，证明了我们的方法在使用ImageNet上训练的现成模型时优于当前最先进的技术。 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。 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IT云清
5.Elasticsearch检索文档
我们会发现，我们存储的文档，在_source中，其他的类似_index,_type等都是元数据，元数据在后面会做详细解释。
60420发布于 2019-01-22 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。 深度度量学习用于图像检索的图像匹配通常依赖于深度度量学习，其中深度神经网络不仅学习如何将输入映射到嵌入空间，还学习用于测量该空间中邻近度的距离函数。 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。
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： ? from matplotlib import pyplot as plt # get_ipython().magic('matplotlib inline') # ### 基于SIFT,BOW的图像检索 # #### 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 ])) plt.show() # 暴力搜索 def retrieval_img(img_path,img_dataset,centures,img_paths): ''' 检索图像 ，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
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。 为此我专门爬取了豆瓣电影“Top250”和“分类排行榜”的数据（后者通过md5值删除重复海报后从3853张降到2281张）分别进行了研究，这部分从爬虫代码、爬取的数据、海报检索以及可视化的内容均为在后续文章中涉及 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？
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！
「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。 NUS-WIDE 数据集的 MAP 是根据返回的前 5，000 位邻近值计算的。DPSH * 表示重新运行 DPSH 作者提供的代码。 表 2：第二组实验设置下不同方法的 MAP。 NUS-WIDE 数据集的 MAP 是根据返回的前 5，000 位邻近值计算的。 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 - 来自专栏绿盟科技研究通讯
图像可搜索加密（三）：逼近明文检索
明文图像检索技术 在介绍高精度的密文图像检索方案前，我们有必要回顾一下明文图像检索（CBIR）的发展历程： 图1：CBIR特征发展过程 全局特征阶段：在CBIR的早期（上世纪），研究主要集中在全局特征的提取上 这个时期的研究主要集中在利用深度卷积神经网络提取更为复杂和抽象的图像特征，从而在更广泛的应用场景中实现高效的图像检索。 这里特别介绍下深度特征进行检索时的一些实现细节。 图像检索通常是一个无监督的过程，同时对效率要求较高，因此通常会使用在大数据集上预训练完成的模型进行检索。 此时云服务器拥有了图像库及图像特征的一个份额。 云服务器提供密文检索：当有密态查询图像传入时，云服务器将基于相同的流程提取查询图像的密态特征，并进行密态的距离度量，最后返回密态的检索结果。 一些研究文献指出，即使是使用相对基础的卷积模型，如VGG13或VGG16，也可以在常见的小型测试集上实现超过95%的检索精度。而与此同时，所需的时间消耗仅为特定加密方案的3至5倍。
87110编辑于 2024-04-24
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