图像工作回顾之四：图像检索

最新推荐文章于 2021-03-22 23:57:17 发布
最新推荐文章于 2021-03-22 23:57:17 发布
阅读量1.3k 收藏 1
点赞数
分类专栏： 工作
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qiansen/article/details/8531839
版权

2007年在创业公司做基于内容的图像检索，用于互联网的电子商务，可惜那时的电商和移动互联网还没火起来。换做这两年，也许就被google或baidu收购了。

花点时间复原出原来程序的样子，实现了基于颜色（Histogram/Color Structure/Dominant Color）、形状（Haar Wavelet/Contour Based Shape Descriptor）、纹理（Homo Texture/LBP）的特征的检索。

james wang的1000幅图像数据库在这里下载：

http://wang.ist.psu.edu/~jwang/test1.zip

复原版截图：

另做了一个界面，实验相关反馈：

qiansen
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习笔记 - 结合深度学习的基于内容的图像实例检索 综述
学以致用 知行合一
06-27 786
在AlexNet的图像分类实现非常成功之后，对DCNN进行了重大探索，例如检索任务，代表性方法如下图所示。在这些方法的基础上，可以从现成模型和微调模型的角度实现IIR的最新进展，这些模型构成了本次调查的基础。IIR中的代表性方法。现成模型具有在提取检索特征时不进一步更新或调整的模型参数。对于单程方案，关键步骤是特征嵌入和聚合，以提高提取的图像级激活的鉴别性，而对于多次方案，目标是在区域尺度上提取实例特征，并尽可能消除图像杂波。相反，对于微调的模型，模型参数针对检索任务进行调整，并解决域偏移的问题。
【图像超分】论文精读：Cross-Scale Internal Graph Neural Network for Image Super-Resolution（IGNN）
最新发布
畅游计算机视觉的海洋
04-18 1598
自然图像中的非局部自相似性已被很好地研究，作为图像恢复的有效先验。然而，对于单图像超分辨率 (SISR)，大多数现有的深度非局部方法（例如非局部神经网络）仅在低分辨率 (LR) 输入图像的相同尺度内利用相似的补丁。因此，恢复仅限于使用相同的尺度信息，而忽略了来自其他尺度的潜在高分辨率 (HR) 线索。在本文中，我们探索了自然图像的跨尺度补丁递归特性，即相似的补丁往往在不同的尺度上重复多次。这是通过一种新颖的跨尺度内部图神经网络 (IGNN) 实现的。具体来说，我们通过在 LR 图像中为每个查询补丁搜索下采样
LSH 图像检索
08-10
the code from net,share with you: 获取图像库里所有图片文件的名称 Blue hills.jpg Lena.jpg myhand1.jpg myhand2.jpg Sunset.jpg Test2.jpg Test3.JPG Water lilies.jpg Winter.jpg 获取图像特征 0 36 82 115 132 164 200 142 129 119 54 1 198 141 101 64 43 65 124 200 197 186 2 104 40 25 34 81 88 56 108 131 199 3 142 56 43 61 117 121 107 160 120 200 4 46 67 80 104 200 193 90 66 59 43 5 121 110 141 149 200 195 171 144 123 116 6 99 125 116 88 68 82 99 141 200 104 7 200 178 175 151 154 183 156 159 164 177 8 131 161 192 199 181 182 186 174 147 129 获取随机点位 将整数转换为01 特征值MD5压缩处理 1 733c7ccfc61b08a62633fc2356b90478 2 bdc6c147ad15bcf1bd91e343ec15d4f8 3 70a0d1a5d191e0bd3ceb65003ce4e386 4 1d8d003fe0d417eb1d3413773e58f4de 5 b04a5fd1301bf66c192a23e155236dd5 6 0d7afe69ff25e61710e7f63d5a7779ca 7 0b534a69d1eb5edfd7fef486b9270fc7 8 373b04655e21dee1372e374916a7774f 9 68b400bf74bc815844f58e19ead1ceb7 1 733c7ccfc61b08a62633fc2356b90478 2 bdc6c147ad15bcf1bd91e343ec15d4f8 3 70a0d1a5d191e0bd3ceb65003ce4e386 4 1d8d003fe0d417eb1d3413773e58f4de 5 b04a5fd1301bf66c192a23e155236dd5 6 0d7afe69ff25e61710e7f63d5a7779ca 7 0b534a69d1eb5edfd7fef486b9270fc7 8 373b04655e21dee1372e374916a7774f 9 68b400bf74bc815844f58e19ead1ceb7 1 733c7ccfc61b08a62633fc2356b90478 2 bdc6c147ad15bcf1bd91e343ec15d4f8 3 70a0d1a5d191e0bd3ceb65003ce4e386 4 1d8d003fe0d417eb1d3413773e58f4de 5 b04a5fd1301bf66c192a23e155236dd5 6 0d7afe69ff25e61710e7f63d5a7779ca 7 0b534a69d1eb5edfd7fef486b9270fc7 8 373b04655e21dee1372e374916a7774f 9 68b400bf74bc815844f58e19ead1ceb7 1 733c7ccfc61b08a62633fc2356b90478 2 bdc6c147ad15bcf1bd91e343ec15d4f8 3 70a0d1a5d191e0bd3ceb65003ce4e386 4 1d8d003fe0d417eb1d3413773e58f4de 5 b04a5fd1301bf66c192a23e155236dd5 6 0d7afe69ff25e61710e7f63d5a7779ca 7 0b534a69d1eb5edfd7fef486b9270fc7 8 373b04655e21dee1372e374916a7774f 9 68b400bf74bc815844f58e19ead1ceb7 1 733c7ccfc61b08a62633fc2356b90478 2 bdc6c147ad15bcf1bd91e343ec15d4f8 3 70a0d1a5d191e0bd3ceb65003ce4e386 4 1d8d003fe0d417eb1d3413773e58f4de 5 b04a5fd1301bf66c192a23e155236dd5 6 0d7afe69ff25e61710e7
图像检索1：LSH(Learning to Hash with its Application to Big Data Retrieval)
微风❤水墨
04-29 1280
    Learning to Hash with its Application to Big Data Retrieval 课程结课作业，所以简单的介绍了LSH（局部敏感哈希） 主要分以下几部分内容 1.Nearest Neighbor Search (Retrieval) 2.Two Stages of Hash Function Learning ...
实习日记：图像检索算法 LSH 的总结与分析(matlab)
weixin_30820151的博客
08-01 291
最开始仿真和精度测试，基于 matlab 完成的。 Demo_MakeTable.m (生成 Hash 表) %======================================== %*********************************** %******* 设定参数: ***************** %******* l : hash表个数 *...
基于哈希的图像检索（LSH，ITQ）matlab代码
04-13
哈希图像检索，包括LSH以及ITQ两种算法。之前帮网友做的，顺带分享一下。
深度草图哈希：基于手绘草图的快速图像检索
12862深度草图哈希：基于手绘草图的快速图像检索刘莉1，沈福民2，沈玉明1，刘祥龙3，邵玲11英国东英吉利大学计算科学学院2电子科技大学未来媒体研究中心3北京航空航天大学计算机科学与工程学院{李.刘，余明.沈，凌....
图像检索(6)：局部敏感哈希索引(LSH)
weixin_33918114的博客
10-16 1343
图像检索中，对一幅图像编码后的向量的维度是很高。以VLAD为例，基于SIFT特征点，设视觉词汇表的大小为256，那么一幅图像编码后的VLAD向量的长度为$128 \times 256 = 32768 $。通常要对编码后的VLAD向量进行降维，降维后的向量长度应该根据图像库中图像量的大小来，如果只是几百张的小的图像库，那么可以降维到128甚至是64维，在这种情况下降维后的VLAD向量仍然有很好的区分...
image_retrieval:基于caffe和lsh的图像检索系统演示
03-11
基于caffe和lsh的快速图像检索系统 本demo是基于CVPR2015的论文实现的大数据量下的基于内容图片系统。 详情请参见博文 预训练好的模型可以在下载到
自己做的关于LSH图像检索的PPT
luotuo818的专栏
03-23 3056
<br />毕设做基于LSH索引的图像检索，看了很多论文，自己做了一个关于这方面理解的PPT，希望对有这方面兴趣的朋友有帮助，也希望大家可以相互交流！<br />下面是连接：http://download.csdn.net/source/3120724
实习日记：图像检索算法 LSH 的总结与分析
weixin_30698297的博客
07-29 243
先贴上这两天刚出炉的C++代码。(利用 STL 偷了不少功夫，代码待优化) Head.h 1 #ifndef HEAD_H 2 #define HEAD_H 3 4 #include "D:\\LiYangGuang\\VSPRO\\MYLSH\\HashTable.h" 5 6 7 #include <iostream> 8 #includ...
matlab lsh,实习日记：图像检索算法 LSH 的总结与分析(matlab)
weixin_35814757的博客
03-22 509
最开始仿真和精度测试，基于 matlab 完成的。Demo_MakeTable.m (生成 Hash 表)%========================================%***********************************%******* 设定参数: *****************%******* l : hash表个数 ********%****...
图像检索
diaoer7075的博客
07-31 185
传统的图像检索，往往需要针对颜色、纹理、形状等某一个特征进行提取，然后进行特征相似度的计算，再进行检索，或者考虑多个特征，然后给不同特征增加不同的权重。 深度学习的图像检索，则不需要考虑这些，端到端的提取特征，然后进行检索。 颜色： 转载于:https://www.cnblogs.com/kongweisi/p/11278712.html...
VLAD
apsvvfb的专栏
06-07 1430
Jégou H, Perronnin F, Douze M, et al. Aggregating local image descriptors into compact codes[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2012, 34(9): 1704-1716.http://blog.csdn
第十讲_图像检索 Image Retrieval
weixin_34284188的博客
10-22 1020
第十讲_图像检索 Image Retrieval 刚要 主要是图像预处理和特征提取+相似度计算 相似颜色检索 算法结构 颜色特征提取：统计图片的颜色成分 颜色特征相似度计算 色差距离 发展：欧式距离-&gt;CIEDE1994-&gt;CIEDE2000 EMD距离 相似纹理检索 纹理 算法结构 Gabor滤波器组 相似形状检索 PHOG形状特征提取 相似度计算 ...
BOF算法+K-Means算法实现图像检索
wi162yyxq的博客
04-10 3473
最近看到数据挖掘中的K-Means算法，想到它经常和图像分类中的BOF算法结合，恰好自己最近在做图像检索方面的研究，就试着实现了一下，代码资源我会在文后附上链接 BOF（Bag of Features）算法实际上就是BOW（Bag of Words）算法在图像领域的应用。可以参考下图： 图片来源 Bag of Features (BOF)图像检索算法 BOF算法的主要操作
图像检索 原理
8rfuz的博客
10-18 741
http://www.ruanyifeng.com/blog/2011/07/principle_of_similar_image_search.html https://www.zhihu.com/question/19726630
表情识别
热门推荐
qiansen的专栏
08-09 1万+
算法： Haar-Like人脸检测，AAM人脸跟踪，AAMSVM 7类：Neutral, Happy, Surprise, Angry, Disgust, Fear, Sad
交互式图像检索：相关反馈进展与发展趋势探讨
首先，作者回顾了现有的交互式图像检索机制，这些机制强调用户与系统之间的交互，允许用户通过交互行为如点击、拖拽或输入查询关键词来引导检索过程。这种方式相较于传统的非交互式检索更灵活，能够根据用户的反馈...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值