集成局部和全局特征的舰船图像检索算法

面对现有船舶图像检索存在的“语义鸿沟”问题,导致无法满足用户实际检索需求,研究集成局部和全局特征的船舶图像检索算法,实现不同条件下的船舶图像检索。通过颜色矩方法提取船舶图像全局颜色特征;通过块截断量化编码理念,采用模糊C-均值聚类算法将船舶图像分割成子块,构建子块的二值位图,表示图像局部颜色特征;结合小波变换提取船舶图像纹理特征;求解待检索船舶图像与数据库中船舶图像的各特征相似度,获取总相似度,选取总相似度最大图像作为图像检索输出结果。实验结果表明：该算法可有效提取船舶图像纹理特征;尺度变化、光照变化、旋转条件下的船舶图像检索性能较好,平均匹配率97.94%,平均匹配时间为11.9 ms,检索速度快,操作简单,能够满足用户实时性检索需要。     

基于全局特征融合的舰船组合相似度图像检索研究

传统舰船组合相似度图像检索方法索引过程图像分割严重,造成图像特征索引方式单一,为此设计基于全局特征融合的舰船组合相似度图像检索系统。通过多单元协作的方式完成图像检索系统框架设计,设立全局特征融查询模块,以图像特征全局融合方式进行查询,使用相似度提取模块,对特征相似度较高的图像进行连接选取;对图像进行全局特征融合后,计算图像相似度,实现舰船组合相似度图像检索。实验数据表明,设计的舰船组合相似度图像检索系统能够实现多种方式的图像索引。     

融合改进粒子群算法的船舶图像检索研究

为了提高船舶图像检索效果,针对当前的船舶图像检索过程中特征权值的确定问题,提出一种融合改进粒子群算法的船舶图像检索方法。首先对当前船舶图像检索方法进行分析,提取不同类型的船舶图像检索特征,然后采用粒子群算法确定船舶图像检索特征权值,并对粒子群算法存在的缺陷进行相应的改进,最后通过特征加权得到船舶图像特征之间的相似度值,根据相似度值得到船舶图像检索结果,并采用多幅船舶图像进行检索实验,结果表明,本文方法的船舶图像检索率超过94%,而船舶图像的误检率和漏检率均低于5%,获得了十分理想的船舶图像检索结果。     

基于多特征信息和直方图相交的改进Meanshift算法

针对Mean-Shift算法仅利用颜色信息并以Bhattacharya系数为相似性度量导致算法准确率较低的问题,提出一种结合颜色和纹理信息并以直方图交集为相似性度量的跟踪算法。首先用局部二元模式算子提取纹理信息,再以对数比加权直方图取代传统直方图构建目标和候选目标模型,然后根据场景自适应地综合两类特征并通过Mean-Shift算法获得目标的初略位置,最后以直方图交集作为相似性度量并用Powell方法求其极值作为目标在当前帧中位置的估计。实验表明,该算法不仅能增强跟踪的准确性,而且对光照弱、目标与背景颜色近似等情况也有较好的鲁棒性。     

反馈机制的大规模舰船图像检索

传统方式的舰船图像检索能够完成舰船图像的检索任务,但针对大规模复杂度较高的舰船图像,存在检索速度慢、检索不准确的问题,为此提出反馈机制的大规模舰船图像检索。利用图像反馈模型对舰船图像的颜色、纹理、形状、空间特征进行量化反馈,采用量化数值对比的方式进行图像检索;优化图像相似度度量方法,实现反馈机制的大规模舰船图像检索。实验数据表明,该方法比传统舰船图像检索速度提高66.44%,且具有良好的检索准确性。     

一种基于分块区域的图像检索方法

目前大多数基于内容的图像检索CBIR（Content Based Image Retrieval)技术都依赖于图像的全局特征(例如颜色、纹理等),这样图像的空间布局特征被忽略了.本文提出了一种基于分块区域的图像检索方法.首先用k-means聚类算法对图像进行区域分块,然后提取各分块区域的视觉特征,再对查询图像和目标图像中各区域的视觉特征进行多对多的匹配,根据最小加权平均准则得到区域之间单个特征的特征距离,归一化后求和得到查询图像和目标图像的相似度.在1000幅通用图像库上的实验表明,该方法可以产生比较满意的结果.     

C3I系统中基于颜色特征的战场图像快速检索

针对C^3I系统中战场目标图像的检索问题，给出一种基于颜色特征内容的检索方法。对于战场图像采用FISI颜色模型，计算H分量的颜色直方图，通过直方图匹配，计算直方图的相似距离，进而检索出相似图像。通过一个简单的基于颜色特征的战场图像检索原型表明上述方法切实有效。     

基于图像检测的船舶特征分割与提取优化算法

船舶图像特征分割和提取算法是图像检测领域中的基础工作。由于船舶航运环境和船舶自身结构组成相对复杂,船舶图像的全自动分割方法在图像检测过程中经常出现边缘模糊、准确性低等问题。因此提出基于图像检测的船舶特征分割与提取优化算法,结合免疫算法获取更多图像特征信息,达到快速、准确的对船舶图像特征进行提取和分割的目的。为验证算法的准确性进行仿真实验,结合船舶区域图像对图像边界特征进行提取和分割,并与传统方法进行比较。实验结果证明基于图像检测的船舶特征分割与提取优化算法可以有效达到特征融合、全局最优、算法效率高等优良特性,使图像具有更强的实用性。     

一种基于分块区域的图像检索方法

目前大多数基于内容的图像检索CBIR(Content Based Image Retrieval)技术都依赖于图像的全局特征(例如颜色、纹理等)，这样图像的空间布局特征被忽略了。本文提出了一种基于分块区域的图像检索方法。首先用k-means聚类算法对图像进行区域分块，然后提取各分块区域的视觉特征，再对查询图像和目标图像中各区域的视觉特征进行多对多的匹配，根据最小加权平均准则得到区域之间单个特征的特征距离，归一化后求和得到查询图像和目标图像的相似度。在1000幅通用图像库上的实验表明，该方法可以产生比较满意的结果。     

基于神经网络和多特征的船舶图像自动分割算法

当前图像分割算法存在分割错误率高、分割速度无法满足实际应用要求的缺陷,为了提高图像分割的精度和速度,设计了基于神经网络和多特征的图像自动分割算法。首先分析当前国内外图像分割算法的研究进展,找到引起当前图像分割局限性的因素,然后从图像中提取描述不同目标特征,并选择部分最有效特征组合成为图像分割的特征集合,最后采用神经网络对图像的不同区域进行建模和分类,实现图像分割,并与其他图像分割算法进行优越性对比测试。结果表明,神经网络和多特征的图像分割错误率低,图像分割精度超过95%,图像分割平均值时间要少于对比图像分割算法,图像分割速度更快。