基于多上下文线索的近重复图像检索算法研究

发布时间：2021-08-31 18:47

　　现有的基于内容的近重复图像检索算法主要依赖于词袋（Bag-of-visual-words,BOW）模型。该模型将局部特征量化为视觉单词,通过比较局部特征是否量化为相同的视觉单词来判断局部特征是否匹配。虽然BOW模型在一定程度上提高了局部特征匹配的效率,但BOW模型的量化误差降低了局部特征的辨识性,导致BOW匹配结果中经常混有许多错误匹配,这些错误的匹配极大地降低了图像检索的准确度。鉴于上述不足,本文提出了两种基于上下文线索的近重复图像检索的方案。1)提出了一种基于多上下文线索图像描述的近重复图像检索算法为了增强局部特征的辨识性,本文提出了一种新的近重复图像检索算法,该算法利用空间和视觉上下文线索来丰富局部特征的信息。首先,此方案将图像中的每个尺度不变特征变换（Scale invariant feature transformation,SIFT）特征作为参考特征,并为每个参考特征选择鲁棒的上下文特征。然后,将参考特征和周围上下文特征的空间关系编码为空间描述符。考虑到颜色对常见的攻击具有鲁棒性,此方案还通过构建区域来创建参考特征与其上下文特征之间的颜色直方图。为了加速特征匹配的过程,本文... 

【文章来源】：南京信息工程大学江苏省

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

近重复图像实例

现有的基于内容的近重复图像检索算法的基本框架如图 2-2 所示。它主要是由特征提取、特征量化、索引构建和相似度量这四个部分组成。特征提取，是近重复图像检索技术中的基础环节。选择的特征是否能够准确地描述图像的内容，是否能够在特征提取和特征匹配阶段耗费较少的时间成本是衡量特征好坏的标准。根据特征提取的方式可以将图像检索算法分为两类：基于全局特征的匹配和基于局部特征的匹配。基于全局特征的匹配方法，从整幅图像中提取全局描述符，然后通过匹配全局特征描述符来判断是否为近重复图像，不需要构建索引结构来索引特征。而基于区域的特征匹配方法，先是从区域块中提取特征，为了避免局部特征维度过高，通过量化和构建索引结构来提高特征匹配的效率。相似度量准则，也是近重复图像检索技术中必不可少的一部分，相似度量准则的选择在一定程度上影响图像检索的准确度。因此，需要选择最恰当的相似度量准则来判别两幅图像是否为正确的近重复图像。

第二章 基于内容的近重复图像检索技术简介 图 2-3 图像视觉词袋模型示意图能够提高图像检索的效率，通过构建倒排索引结构来存储为每个视觉单词构建索引，其中包含所有量化为该视觉单些属性，如其所属图像的 ID、特征点的坐标以及其他相关到索引结构，可以增强局部特征的辨识能力。


本文编号：3375423