基于视觉注意模型与SIFT的遥感影像检索

合集下载

基于SIFT特征的图像检索

Ａｂｓｒｃｔａｔ：Ｔｈｓｐａｒｐｅｅｔｄａｎｅｉｇｅｒｅａａｇｒｔｉｐｅｒｓｎｅｗｍａｅｒｔｉｖｌｌｏｉｈｍｉｈｕｓｄａｎｅｃａｓｏｍａｅｆａｕｅｓｔｅｉｇｄ — ｗｈｃｅｗｌｓｆｉｇｅｔｒｓａｈｍａｅｅ
ｓｒｔｒ．ｔｅＳＦｅｔｒｓｔｒｎｆｒｄｔｅｉｇｔｅｆＳＦｅｔｒｓｈｉｌｒｔａｏｕｅｓｎｕｌｅｎｃｉｏｓｈＩＴｆａｕｅ．Ｉｔａｓ（ｍｅｈｐ＇ｍａｅｉｏａｓｔｏＩＴｆａｕｅ．ＴｅｓｍｉｉｗｓｃｍｐｔｄｕｉｇＥｃｉａｎａｙｄ
的一个目标也可以产生大量的ＳＦＩＴ特征向量。ｄ高效性。）
等。这些特征对于图像检索有着不同的作用，是同时也存在但
着不足。颜色特征是一种全局特征，它对图像或图像区域的方
向、大小等变化不敏感，以颜色特征不能很好地捕捉图像中所
像间的相似距离通过计算两幅图像特征向量间的欧氏距离来实现的。实验结果很好地说明了该算法具有尺是度、移、平旋转不变性，定的仿射、一光照不变性以及算法能很好地应用在特定形状特征目标的检索中。
关键词：基于内容的图像检索；尺度不变特征变换特征；Ｌ变换；近似最近邻搜索；欧氏距离Ｋ、中图分类号：Ｔ３１３Ｐ９．文献标志码：Ａ文章编号：１０ — ６５２０）２０７ —４０１３９（０８０ — ４８０

基于视觉注意力模型的图像检索算法研究

基于视觉注意力模型的图像检索算法研究第一章引言随着数字化时代的到来，大量的图像数据被不断地产生和积累，给图像检索任务带来了巨大挑战，如何有效地检索出用户需要的图像成为了亟待解决的问题。

视觉注意力模型已经被广泛应用于图像处理任务，它引入了人类视觉的注意机制，使得算法能够根据图像的内容和特征自动地确定视觉注意区域，提高了图像处理任务的效率和准确度。

基于视觉注意力模型的图像检索算法相比传统算法具有更高的准确性和可靠性，成为研究热点。

本文主要介绍了基于视觉注意力模型的图像检索算法的研究现状，重点讨论了该算法的定义和基本原理、关键技术和R-CNN算法的应用。

最后在2万张自然图像数据集上进行了实验验证，实验结果表明，该算法在图像检索任务上卓有成效。

第二章基于视觉注意力模型的图像检索算法定义和基本原理基于视觉注意力模型的图像检索算法，是一种自动地模拟人类视觉感知和认知的技术，这种技术的基本原理是在图像的感知和认知过程中，人类大脑会对注意区域进行选择和集中处理，而忽略一些无关紧要的信息。

该算法的核心思想是通过计算图像的显著性值，将图像划分成重要区域和次要区域，实现对图像特定内容的感知和理解。

该算法模拟人类视觉的注意机制，通过计算每个像素点的显著性值，进而确定最具代表性的视觉区域。

这种基于视觉注意力模型的图像检索算法，能够有效提高图像处理任务的效率和准确度，将成为未来图像检索领域的新方向。

第三章基于视觉注意力模型的图像检索算法的关键技术3.1 特征提取在基于视觉注意力模型的图像检索算法中，特征提取是一个至关重要的步骤。

必须选择可靠的特征提取方法，以保证正确提取出图像的特征，这样才能够更准确地计算出每个像素点的显著性值。

常用的特征提取方法包括SIFT、SURF、HOG等方法，这些方法都具有较好的特征提取效果，已经被广泛应用于图像处理任务。

在特征提取阶段，还需要考虑如何选择特征的尺寸和方向，以实现更好的特征提取效果。

一种基于视觉注意模型的图像检索方法

关键词：显著区域；视觉注意机制；Ｓｆ描述子；相似性；空间布局ｔ中图分类号：Ｐ９Ｔ３１文献标识码：Ａ文章编号：６１４９－２１）－１１０１７－７２（００５００ — ４
ＡｂｔａｔＬａｎｎｓｃｏｏｙｆｈｍｎｉｕｌａｔｎｉｎｍｄｌａｎｗｓｌｅｔｒｇｏ — ａｅｉａｅｅｒｅａｓｒｃ：ｅｒｉｇｐｙｈｌｇｏｕａｖｓａｔｅｔｏｏｅ，ｅａｉｎｅｉｎｂｓｄｍｇｒｔｉｖｌ
ｔｒｎｓｌｉａａｔｏｎ，ｂｇｈｎｅｓｃｎｇｈｒｉｔｓｈａｅａｖｅｂｅｅｏｒｃｅｎｖｅａｍｔｏｏｅｓｍｅｘｔｅｎｔ．Ｅｘｐｅｍｅｓｒｉｎｔｓｈｗｔａｔｓｉｓｉｅｒｅ－ｏｈｕｎｇａｌｎｔ：ｇｉｎｏｏｔｓｅｒｃｃａｈｅｌｔｅｌｉｉｎｅｈｅｍｐｔｎａｈｎｐｏｍａｔｔｉａｃｏｔｈｒｅｓｔｓｍａｇｉｅｎｅｕｌｉｇｅｙｂｙｈｅｔｂａｋｇｒｎｄ．Ｃｏｐａｒｗｉｈｃｏｕｍｅｄｔ
满足人们越来越高的检索要求。事实上，人们在观察图像时，
引起人类视觉注意的往往是图中一些对人眼有刺激的部分，
ｕｓａｌｆａｕｅｆｈｓｌｅｔｒａ，ｎｔｋｔｅｕｌｄａｔｇｏｓａｉｌｅａｉｎｈｐｅｗｅｔｅｎｔｂｅｅｔｒｏｔｅａｉｎａｅｓａｄａｅｈｆｌａｖｎａｅｆｐｔａｒｌｔｏｓｉｂｔｅｎｈ

视觉注意力模型在图像检索中的应用研究

视觉注意力模型在图像检索中的应用研究随着数码化、信息化的不断发展和完善，图像检索技术已经成为信息检索研究中一个热门领域。

视觉注意力模型作为一种有效的图像检索技术，已经被广泛应用于相关领域中的图像检索系统中。

本文将从介绍视觉注意力模型的基本原理、视觉注意力模型在图像检索中的应用研究、视觉注意力模型在未来的研究方向等多角度进行探讨。

一、视觉注意力模型的基本原理视觉注意力模型是从心理学角度出发，通过对人类视觉加工机制的模拟来推断在视觉检索过程中，哪些区域可以被人比较容易地记忆和辨别。

视觉注意力模型可以将整个图像按照重要程度划分成多个部分，然后集中注意力来处理这些重要部分，从而自动地生成视觉特征描述。

视觉注意力模型的做法就是模拟人类视觉注意机制的工作过程。

视觉注意力模型由视觉特征提取（低层特征）和注意力协同部分（高层特征）组成，低层特征提取会提取图像中的边缘等低层次信息，注意力协同部分则通过融合图像中的上下文信息，引导相应的注意力区域。

整个模型结构如下图所示：图1：视觉注意力模型的结构在视觉注意力模型的基础上，可以分别采用模板匹配和灰度共生矩阵提取信息，具体提取可基于随机投影和局部二值模式等方法，最终将所有的信息汇总处理成特征向量，供图像检索使用。

二、视觉注意力模型作为一种有效的图像检索技术，已经被广泛应用于很多相关领域的图像检索系统中。

下面就几个典型的应用领域进行探讨：1、医学图像检索医学图像在最近几年越来越受到广泛的关注，图像检索技术在该领域也有比较广的应用。

视觉注意力模型可以通过自适应的方法，调节关注区域的大小和位置等参数，从而得到更加准确的医学图像检索结果，有助于医学专业人员更好地分析和诊断疾病。

2、建筑物图像检索对于建筑物的图像检索来说，物品的颜色、纹理等视觉特征具有很大的重要性。

视觉注意力模型可以通过适当调节注意力区域，提高对建筑物纹理特征的识别能力。

同时，扩大注意力区域，可以有效地减少选取图像中背景干扰的可能性，从而提高建筑物图像检索的精度和效率。

基于SIFT特征的图像检索技术研究

然而，现有的基于SIFT特征的图像检索方法还存在一些挑战和问题，如特征选择的不准确性和跨域性问题等。未来的研究可以针对这些问题展开深入探讨，进一步提高图像检索的准确性和效率。此外，随着深度学习技术的快速发展，研究者可以尝试将深度学习与基于SIFT特征的图像检索技术相结合，探索更有效的图像特征表达和匹配方法。
1、图像特征提取
图像特征提取是图像检索的核心，它通过一定的算法从图像中提取出能够代表图像内容的关键信息，如颜色、纹理、形状等。这些特征可以有效地描述图像的内容和特征，为后续的图像比较和分析提供基础。常用的特征提取方法包括 SIFT、SURF、ORB等。
2、相似度比较
在提取出图像的特征之后，我们需要对这些特征进行比较，以确定两幅图像的相似度。常用的相似度比较方法包括欧氏距离、余弦相似度、交叉相关等。这些方法通过计算特征向量之间的距离或者相关系数，来评估两幅图像的相似程度。
3、检索算法

基于特征的图像检索技术中常用的检索算法包括基于内容的检索、基于神经网络的检索和基于深度学习的检索等。其中，基于内容的检索通过比较查询图像和库中图像的特征，找出最相似的图像；基于神经网络的检索通过训练神经网络来学习图像特征和标签之间的关系，从而对新的图像进行分类和检索；基于深度学习的检索通过构建深度神经网络模型，对图像进行深度特征提取和分类，从而实现高精度的图像检索。
SIFT特征最早由David Lowe在1999年提出，具有尺度不变性、旋转不变性、亮度不变性等优点。自提出以来，SIFT特征在计算机视觉领域得到了广泛应用，包括目标识别、图像配准、图像检索等。在图像检索领域，SIFT特征可以有效地表达图像的内容和特征，提高检索准确率。然而，现有的基于SIFT特征的图像检索方法还存在一些问题，如特征选择不准确、匹配效率低等。

基于视觉注意模型和SIFT的交通标志识别方法

基于视觉注意模型和SIFT的交通标志识别方法
家晓艳;许合利;郭海儒
【期刊名称】《河南理工大学学报（自然科学版）》
【年(卷),期】2014(033)003
【摘要】为了提高交通标志的识别速度和识别率,提出了一种基于视觉注意模型和SIFT特征的交通标志识别方法.首先基于视觉注意模型提取颜色特征,找出交通标志可能的候选区域,然后对候选区域进行SIFT特征提取,与标准交通标志图像库进行相似度计算,可实现快速准确的检测与识别.与传统方法相比,具有无需精确分割、计算量小、体现仿生学特性等优点.在采自国内外的两组交通标志图像库上进行交通标志识别测试,都得到了良好的效果.
【总页数】5页(P339-343)
【作者】家晓艳;许合利;郭海儒
【作者单位】河南理工大学计算机科学与技术学院,河南焦作454000;河南理工大学计算机科学与技术学院,河南焦作454000;河南理工大学计算机科学与技术学院,河南焦作454000
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于视觉注意模型的SIFT图像配准算法研究 [J], 李颖;郑芳;陆雪松;高智勇
2.基于ASIFT道路交通标志的定位与识别方法∗ [J], 焦再强;吕玉祥;马维青;赵晓龙;
李孟春
3.基于视觉注意机制的交通标志检测 [J], 刘芳;邹琪
4.基于视觉注意模型与SIFT的遥感影像检索 [J], 金美玲
5.基于SSD模型的道路交通标志识别方法研究 [J], 李泽滨; 裴崇利
因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进的SIFT算法的图像检索

基于改进的SIFT算法的图像检索
陈瑞文
【期刊名称】《湖州师范学院学报》
【年(卷),期】2010(032)001
【摘要】探讨基于内容的图像检索.经典的尺度不变特征检测和匹配算法SIFT,具有旋转、缩放、仿射的不变性,因而在图像匹配、图像检索领域得到越来越广泛的应用.但其主要针对灰度图像,并且当图像中存在多个相似区域时,SIFT 算法得到的特征向量就有很大的相似性,容易造成误匹配.为了得到更好的检索效果,在SIFT算法基础上加入颜色不变量特征,构造颜色特征向量,并且建立一个用来区分相似局部特征的全局向量,在检索实验中取得了比较理想的效果.
【总页数】4页(P52-55)
【作者】陈瑞文
【作者单位】华侨大学,计算机学院,福建,泉州,362000;黎明职业大学,计算机系,福建,泉州,362000
【正文语种】中文
【中图分类】TP391
【相关文献】
1.改进的SIFT算法在医学图像检索中的应用研究 [J], 张艺雪;黄毅杰;
2.基于SIFT算法的二进制图像检索技术研究 [J], 刘琛;张建敏
3.改进的SIFT算法在医学图像检索中的应用研究 [J], 张艺雪;黄毅杰
4.一种融合信息熵和改进SIFT算法的图像检索方法 [J], 刘雪亭;李太君;肖沙;贾已真
5.基于改进Harris算法与改进的SIFT算法相结合的图像匹配方法 [J], 郭鲁;魏颖因版权原因，仅展示原文概要，查看原文内容请购买。

基于贝叶斯推理的多线索视觉注意模型及其遥感影像目标检测

Author： Speciality： Advisor： Chenyang Zhu Pattern Recognition and Intelligence System Prof. Tao Fang
School of Electronic Information and Electrical Engineering Shanghai Jiao Tong University Shanghai,P.R.China February, 2013
III
万方数据
上海交通大学硕士学位论文
ABSTRACT
visual attention. Chikkerur proposed a bayesian integrated framework in 2010, using inference to combine the top-down and bottom-up information. The framework successfully simulates a variety of visual attention phenomenon. However its shortcoming is treating all the features the same, for example, in the framework, "red" and "yellow" has the same relationship with "red" and "square", but in fact the two relations must be different. This paper proposes a visual attention model based on bayesian inference using multiple cues, the model is based on the Chikkerur model, introduces the concept of visual cues, and combines with the new neuroscience research. The model is mainly composed of two parts which are visual cues extraction and bayesian inference integrated top-down and bottom-up information. Experiments focused on three visual cues: shape, color and context, and then allocation visual cues according to visual pathways. The shape and color cues which are related with object, occurred in the ventral path, and output bottom-up feature map. Context cue is related with space position, occurred in the dorsal pathway, provides the prior information of space position. The output of cues in the first part is the input of the second part. The first part imports in the bayesian network, so the model converts the acquirement of saliency map to the solvement of posterior probability. The experiment of object detection and location in remote sensing image using the proposed model and Itti model shows the proposed model can effectively detect and locate the object, has a better elimination the interference of background,and the generated saliency map is also better. KEY WORDS: Visual Attention, Visual Cue, Bayesian Inference, Saliency Map, Object DetectionII万方数据上海交通大学硕士学位论文

利用计算机视觉进行图像搜索与相似度匹配的实践方法

利用计算机视觉进行图像搜索与相似度匹配的实践方法随着计算机视觉技术的飞速发展，图像搜索和相似度匹配在各个领域得到了广泛应用。

利用计算机视觉进行图像搜索和相似度匹配可以帮助人们更快速、准确地找到自己感兴趣的图像，并且对于商业领域的产品推荐、版权保护等方面也具有重要意义。

本文将介绍利用计算机视觉进行图像搜索与相似度匹配的实践方法。

首先，图像搜索是指根据用户输入的关键词，在大规模的图像数据库中找到与关键词相关的图像。

图像搜索可以分为基于文本的搜索和基于图像内容的搜索两种方式。

基于文本的搜索方法是通过将图像与关键词相关的文本信息进行关联，从而实现图像搜索。

一种常见的方法是利用图像的标签信息，并通过词袋模型将关键词与图像进行匹配。

这种方法的优点是实现简单，但也存在标签质量不高、语义不明确等问题。

而基于图像内容的搜索方法则是通过分析图像的视觉特征，从而实现对图像的搜索。

图像的视觉特征包括颜色、纹理、形状、边缘等信息。

常用的方法有颜色直方图、SIFT特征、SURF特征等。

这些特征可以用来度量图像之间的相似度，从而实现图像搜索和相似度匹配。

接下来，相似度匹配是指在给定一个查询图像的情况下，在图像数据库中找到与查询图像最相似的图像。

相似度匹配的目标是找到与查询图像在内容和结构上最类似的图像。

常用的相似度匹配方法有两种：基于特征的方法和基于深度学习的方法。

基于特征的方法利用图像的局部特征描述符进行相似度度量，如SIFT特征、SURF特征等。

通过计算两个图像之间的特征相似度，我们可以得到它们的相似程度。

而基于深度学习的方法则是利用卷积神经网络（CNN）等深度学习模型将图像映射到特征空间中，通过计算特征空间中图像之间的距离来度量相似程度。

深度学习方法具有更强的表达能力和更准确的匹配效果，但需要更大量的数据和更高的计算资源支持。

在实践中，我们可以利用开源的计算机视觉工具和库来实现图像搜索和相似度匹配。

例如，OpenCV是一个广泛使用的计算机视觉库，提供了丰富的图像处理和特征提取方法。

基于SIFT算法的遥感影像自动匹配的研究的开题报告

基于SIFT算法的遥感影像自动匹配的研究的开题报告1. 研究背景和意义随着卫星成像技术的不断发展，遥感影像的获取变得越来越方便和快捷，已经成为了各种地理信息应用的重要来源。

然而，对于遥感影像的自动匹配仍然是一个具有挑战性的问题，因为在不同时间和地点采集的图像可能会存在旋转、缩放、翻转、压缩等多种形式的变换，同时还存在噪声、遮挡和光照变化等问题。

因此，如何通过算法实现遥感影像的自动匹配，已经成为了遥感影像处理中一个非常重要的研究方向。

SIFT算法是一种非常有名的特征提取方法，可以通过检测图像中的关键点，并提取这些关键点周围的局部特征来实现图像匹配。

该方法具有很高的鲁棒性和不变性，适用于不同角度、尺度、旋转、翻转、光照等多种变换情况的匹配需求。

因此，基于SIFT算法的遥感影像自动匹配技术已经成为了遥感影像处理中的一个重要研究方向。

本文旨在研究基于SIFT算法的遥感影像自动匹配技术，通过对其原理、优缺点等方面进行深入分析，并设计合适的实验验证，旨在探究如何提高遥感影像自动匹配的准确率和效率，加速遥感影像处理的应用速度。

也希望在这个过程中，探索出一些更好的算法和方法，为相关领域的研究工作带来一定的启示和参考。

2. 研究内容和方法（1）研究内容本文主要研究基于SIFT算法的遥感影像自动匹配技术，研究内容包括：1）SIFT算法的原理和特征提取过程分析；2）对比不同匹配算法的优缺点，选用SIFT算法进行遥感影像自动匹配；3）探究如何对SIFT算法进行优化和改进，以提高遥感影像匹配的准确率和效率；4）设计合适的实验验证，评估SIFT算法的性能和优劣。

（2）研究方法本文的研究方法主要包括：1）文献调查和数据采集：在阅读相关文献的基础上，收集和整理相关遥感影像匹配算法的数据集，以用于实验验证。

2）算法设计和实现：根据文献调查和数据采集的结果，设计和实现基于SIFT算法的遥感影像自动匹配技术，并对算法进行优化和改进。

基于图像SIFT特征的图像检索方法

图６图像检索的结果
参考文献
[1] LOW D G.Object recognition from local scale-invariant features[C].IEEE, 1999.
[2] 吴锐航 .基于 SIFT特征的图像检索 [J]. 计算机应用研究 ,2008:478-481.
16723791200912a008102图2由关键点领域梯度特征确定关键点方向图1dog金子塔和高斯金字塔及多尺度空间极值选取图4图像具体匹配结果82科技资讯科技资讯sciencetechnologyinformation2009no34sciencetechnologyinformation图5目标图像旋转之后的匹配结果图6图像检索的结果就要把这些特征值存入数据库中使用kd树中的最邻近优先算法进行特征值的查也就是对于相比之下尺度更大的图像中的特征在检测时给与的衡量权重更大一使得较大尺度的图像特征对过滤在kd树中最相似的相邻结点起更关键的作用
*I(x,y)
=L(x,y,kσ)- L(x,y,σ)
(1-3)
采用DOG算子建立的尺度空间如图1
左边所示。最底层图像没有进行高斯滤波 ,
整塔分为 n阶 ,每阶有 s层 ,为得到 DOG金字
塔,则要在每层得到 s+3幅图片,对应产生
是 s+ 2幅 DO G图像。在建立了多尺度图像空
（上接８０页）
一段时间后励磁;另一些则是一经合上电源即开始励磁,这样就容易烧坏线圈;甚至有一些电磁锁装在照明回路上,则更加不合理。可采用图1弥补该缺陷。

一种基于视觉注意模型的图像检索方法

一种基于视觉注意模型的图像检索方法
李艳;黄东军
【期刊名称】《科技广场》
【年(卷),期】2010(000)005
【摘要】借鉴心理学中人眼视觉注意力模型,提出了一种新的基于显著区域的图像检索方法.利用局部结合整体的方式,既考虑图像显著区域中稳定所具有的稳定特征,同时充分利用区域间相互位置关系反映图像的整体构成,并结合二者进行检索,从而克服了传统检索中不能解决的图像旋转、平移、亮度变化等缺点.实验表明,利用显著区域进行检索有利于消除图像背景对检索结果的影响,与传统基于全局的检索方法相比,本文提出的方法具有更好的检索性能.
【总页数】4页(P101-104)
【作者】李艳;黄东军
【作者单位】中南大学信息科学与工程学院,湖南,长沙,410083;中南大学信息科学与工程学院,湖南,长沙,410083
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种基于视觉注意模型的图像分类方法 [J], 宋雁斓;张瑞;支琤;杨小康;陈尔康
2.一种基于视觉词袋模型的图像检索方法 [J], 金铭;汪友生;边航;王雨婷
3.一种基于视觉注意模型的人脸图像评估算法 [J], 朱利伟;蔡晓东;曾泽兴;梁奔香
4.一种基于视觉词典优化和查询扩展的图像检索方法 [J], 柯圣财;李弼程;陈刚;赵永威;魏晗
5.基于视觉注意的彩色图像检索方法 [J], 黄传波;金忠
因版权原因，仅展示原文概要，查看原文内容请购买。

基于视觉显著性特征的遥感影像道路网提取方法

基于视觉显著性特征的遥感影像道路网提取方法李润生;曹闻【摘要】In the remote sensing images, roads are considered to be thelong and narrow linear target which is similar in color, texture and shape. Based on these features, the entire road network in the image will show a very significant feature, which can easily excite the attention of the human, which can be called the region of interest. The region of interest(ROI) inthe scene can cause the most interesting of users, which reflects the main content of the image area, visual cognitive theory study shows that the visual attention mechanism can simulate the observation processing of the human eye to identify the salient region of remote sensing images. This paper proposes the idea of using visual attention mechanisms to assist road network extraction by analysising and processing the salient region and get the final road network. Comparative experiments show that the algorithm can effectively improve the accuracy and integrity of the road network extraction.%在遥感影像上，道路被认为是颜色、纹理、形状相似的狭长线状目标，基于此特征可知，整个道路网在影像上会呈现非常显著的特征，极易引起人眼的注意，我们称之为感兴趣区域。

一种基于改进SIFT特征的高效图像检索方法[发明专利]

专利名称：一种基于改进SIFT特征的高效图像检索方法专利类型：发明专利
发明人：孙光民,王晨阳
申请号：CN201610154631.8
申请日：20160317
公开号：CN105550381A
公开日：
20160504
专利内容由知识产权出版社提供
摘要：一种基于改进SIFT特征的高效图像检索方法，本发明涉及图像处理和计算机视觉领域，属于基于内容的图像检索方法。

本方法的流程如下，高斯差分尺度空间的建立；在尺度空间检测极值点作为特征点；计算特征点的方向及方向上的梯度模值；利用地理统计方法生成图像特征点的全局特征向量；全局特征向量相似性匹配完成粗检索；在粗检索的基础上生成特征描述子；特征描述子的匹配完成精检索；本发明提出的创新性图像检索方法比传统的SIFT算法优秀，比现有的检索算法更适用于数字出版物中图像侵权审查的要求。

申请人：北京工业大学
地址：100124 北京市朝阳区平乐园100号
国籍：CN
代理机构：北京思海天达知识产权代理有限公司
代理人：沈波
更多信息请下载全文后查看。

SIFT算法和卷积神经网络算法在图像检索领域的应用分析

SIFT算法和卷积神经网络算法在图像检索领域的应用分析1、引言基于内容的图像检索是由于图像信息的飞速膨胀而得到关注并被提出来的。

如何快速准确地提取图像信息内容是图像信息检索中最为关键的一步。

传统图像信息检索系统多利用图像的底层特征，如颜色、纹理、形状以及空间关系等。

这些特征对于图像检索有着不同的结果，但是同时也存在着不足，例如：颜色特征是一种全局的特征，它对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好的捕捉图像中对象的局部特征，也不能表达颜色空间分布的信息。

纹理特征也是一种全局特征，它只是物体表面的一种特性，并不能完全反映物体的本质属性。

基于形状的特征常常可以利用图像中感兴趣的目标进行检索，但是形状特征的提取，常常受到图像分割效果的影响。

空间关系特征可以加强对图像内容的描述和区分能力，但空间关系特征对图像或者，目标的旋转、平移、尺度变换等比较敏感，并且不能准确地表达场景的信息。

图像检索领域急需一种能够对目标进行特征提取，并且对图像目标亮度、旋转、平移、尺度甚至仿射不变的特征提取算法。

2、SIFT特征SIFT（Scale-Invariant Feature Transform，尺度不变特征转换）是一种电脑视觉的算法，用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由David Lowe在1999年所发表，2004年完善总结。

局部特征的描述与侦测可以帮助辨识物体，SIFT特征是基于物体上的一些局部外观的兴趣点，与目标的大小和旋转无关，对于光线、噪声、些微视角改变的容忍度也相当高。

使用SIFT特征描述对于部分物体遮蔽的侦测成功率也相当高，甚至只需要3个以上的SIFT 物体特征就足以计算出位置与方位。

在现今的电脑硬件速度和小型的特征数据库条件下，辨识速度可接近即时运算。

SIFT特征的信息量大，也适合在海量数据库中快速准确匹配。

SIFT算法的特点有：（1）SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变形，是非常稳定的局部特征，现在应用非常广泛。