回顾在图像检索系统

Ms.Jyoti D.Gavade¹,Mrs.Gyankamal J.Chhajed²Ms.Kshitija a阿帕德海耶³

我第二年,部门的计算机工程,VPCOE, Baramati,浦那(印度马哈拉施特拉邦
Asst.教授和负责人,部门的计算机工程,VPCOE, Baramati,浦那(印度马哈拉施特拉邦
我第二年,部门的计算机工程,VPCOE, Baramati,浦那(印度马哈拉施特拉邦

文摘

在本文中,我们回顾了和分析了不同的图像检索系统。然而,这个调查的目的是提供一个概览的临时图像检索系统的功能在技术方面:查询、相关反馈,特性,匹配措施,索引数据结构和结果报告。我们回顾了不同的技术如基于文本的检索,基于内容的检索、图像注释由数码相机捕获的图像。k-KNN等分类技术、支持向量机、决策树桩,廖排名,紧随其后的是一个合适的哈希编码算法相关反馈模型通过跨领域学习,GMISVM,拉普拉斯算子的正则化最小二乘(LapRLS),搜索结果聚类(SRC)算法,偏见歧视的欧几里得嵌入(BDEE)完善消费者的图像检索结果的照片。深入研究后,本文还宣称,大多数系统使用低水平特性和只有少数使用高层语义上有意义的特性和图像检索结果影响由于语义鸿沟。语义差距往往被视为一个主要的问题在图像检索领域的研究。比较图提出了不同的图像检索系统的详细信息和地址的因素需要考虑:评价结果。

关键字

基于文本的检索、基于内容的检索、图像注释、分类、相关反馈

介绍

有很多数码摄影的世界越来越浓的兴趣。现在一天的每一个人都有数码相机或手机。每一个人都有自己的权利去捕捉美丽的大自然和周围的照片。这些抓取的图像不是组成的语义概念,如适当的名字像web图像[3]。人可能把一个合适的名称来捕获的图像或可能不会和这些图片是组织在文件夹中没有提供索引。所以我们删除检索图像从个人收藏的难度不同的图像检索技术存在如图1所示。

还有数量不断增长的图像在互联网上,从大量的数据库检索相关的图像图像已成为一个重要的研究课题。众所周知,图像检索中的主要问题是低层特征之间的语义鸿沟(颜色、纹理、形状等)和高层语义概念。所以这是非常重要的问题,如何减少“语义鸿沟”,如图2所示?

大多数系统使用web图像数据库和分类器来满足用户的需求适当的相关的图像检索。一些系统使用流行的Wordnet onthology自动检索图像相关和无关紧要的使用反向文件方法。图像注释作为检索的应用计算机视觉图像也被称为自动图像标注或语言索引。使用标记或注释方法计算机系统直接赋值给一个数字图像字幕或关键字[5]。是常用的分类根据图像高层语义概念。通常用作TBIR图像检索一个中间阶段,必须执行之前,因为语义概念描述文档内容类似于文本术语[9]。当输入文本由用户在当前不存在的词汇然后用户需要执行另一个注释消费者照片。

一部分图像检索系统的想法

让我们考虑图像检索的基本思想。图像检索系统的总体目标是:

一个¯·它必须能够处理自然语言查询。

必须执行一个¯·搜索annoted和non-annoted图像和考虑人类视觉感知。

一个¯·必须考虑图像的各种特性。

图片可以自动索引通过总结他们的视觉特性在图像检索系统。特性的一个重要特征,抓住全球某些图像的视觉特性对整个图像或局部地区或对象。颜色、纹理和形状在系统常用的功能。

图像像素映射到特征空间中被称为特征提取。提取功能是用来表示图像搜索、索引和浏览图像在图像数据库中。一旦被表示为一个向量的特性可用于确定图像之间的相似性。系统使用不同的技术来测量相似。

图像检索系统

答:成果排名:

摘要立信段时,温家宝,艾弗Wai-Hang曾荫权和徐董提出了一个新颖的方法提高基于web图片搜索的袋reranking [1]。拟议的方法使用文本查询来获得相关的图像,然后执行reranking使用视觉特性。

这个过程是完成如下:

)结合视觉和文本功能,形成集群相关的图片。每个集群可以考虑作为一个“包”和图像出现在袋子里把“实例”,然后应用多实例(MI)学习问题。

b)他们使用mi-SVM MI学习方法,可以方便地纳入成果reranking框架。同时观察我们知道积极的包包含某些部分的正面实例和负面包也可能包括积极的实例。c)最后使用广义MI的学习方法。

c) GMI-SVM开发来提高检索性能观察实例出现在正面和负面的模棱两可的袋子。一袋排名方法提出了收购袋注释GMI学习以便他们进行排名根据定义的所有包袋排名得分。

优点:

1)自动袋注释过程达到最佳性能,与现有方法相比reranking形象。

2)GMI-SVM可以取得更好的性能。

缺点

1)标签相关的训练图像很吵所以限制积极袋在这个应用程序中可能并不总是满意。

歧管-排名算法

摘要j .他张h . m . Li h .通和c张提出了一个歧管-基于排名的图像检索新方法[2]。提出的方法是基于下面的步骤:

a)他们提出一个新颖的转换式学习的图像检索框架基于一个歧管排名algorithmhere首先形成加权图使用资讯的方法,并将积极的排名分数分配给每个查询和零剩余的点。

b)然后设计和调查不同方案利用正面和积极的组合,负相关性反馈改善检索结果

c)最后使用主动学习方法加速收敛到查询的概念。优点:

1)可以大大减少处理时间。

2)降低加权图的规模形成一个小图形。

缺点:

1)它降解性能的相关性反馈。

跨域算法

摘要翳明刘、徐董会员,IEEE,艾弗Wai-Hung Tsang Jiebo罗,提出了一种新颖的方法基于文本的消费者照片检索系统[3]。

这个过程可以做:

消费者考虑照片)他们介绍如何检索数百万web图像丰富的文本描述。

b)他们执行大型数据库的集成和Wordnet相关和不相关图像基于文本的查询。应用分类技术,如资讯后,支持向量机、决策树桩。

c)精炼检索结果的个人照片组成的功能分布可能不同web图片和个人照片。所以为了更好的结果,他们认为跨域正则化回归的新方法。

优点:

1)图像可以不使用检索图像注释的过程。

2)框架有效地用于大型消费者检索照片。

基于标记的图像检索

摘要陈林,许董,艾弗w . Tsang Jiebo罗基于图像检索和组的改进提高了增强特性[4],他们提出一个新的基于图像检索框架来提高检索性能的一组相关的个人形象在短时间内被同一用户的事件通过考虑数以百万计的训练web图像和它们相关的富文本描述。)对于任何给定的查询标签反向文件方法自动确定相关和不相关的培训网络图像与查询相关联的标记。

b)使用这些有关和无关的网络图片正面和负面分别训练数据,他们提出了一个新分类方法称为支持向量机(AFSVM)学习适应和增强特性分类器利用pre-learned SVM分类器的受欢迎的标签与大量的web图片相关的培训。

c)细化过程中,他们建议使用拉普拉斯算子的正则化最小二乘(LapRLS)方法进一步细化测试照片的相关性分数利用图像的视觉相似性。

优点:

1)技术捕捉高维空间中的数据点的几何形状。

基于标记的图像检索

摘要魏扁和大成道了偏见歧视欧几里得对基于内容的图像检索中嵌入代表图像的低层视觉特征。现在一天的非常流行的图像检索技术是基于内容的图像检索(CBIR),用视觉信息。在这个他们必须给查询查询作为一个例子,而不是文本。它也被称为查询图像内容[12]。检索过程包括图像的内容,如纹理、形状、颜色和其他信息的图像本身。[3]。他们设计了一个映射选择有效的分离子空间的正样本负样本基于大量的观察。他们已经提出了偏见歧视的欧几里得嵌入(BDEE)参数化样品原始高维环境空间发现图像低层视觉特征的内在协调。

优点:

1)它保留组内几何和阶级之间的歧视

2)它是优于流行的相关性反馈降维算法。

3)其扩展认为未标记的样本。

主动学习支持向量机

本文通和e . Chang介绍支持向量机主动学习的图像检索主要CBIR系统返回到用户的查询图像语义相关的图像。所以这取决于应用程序的数量在CBIR技术各不相同。但结果图片都应该共同元素提供的例子。然而,人的角度来看,它更方便和自然为用户使用查询来检索图像文本。早期的相关反馈方法直接调整权重的各种特性。提出了基于相关反馈方法[3][6]。相关反馈可以提出了CBIR系统恢复语义鸿沟。在射频搜索结果将改进或完善结果基于结果是否相关不相关或中性的搜索查询然后重复搜索的新信息。提出了基于相关反馈方法[3][6]。

缺点:

1)它会降低检索性能的技术考虑有限数量的反馈图像。

Auto-annotation

摘要新京报Wang Lei,冯京,AnnoSearch马维英礼物,一种新的方法来注释图像使用搜索和数据挖掘技术。

)在此方法中至少有一个正确的关键字是强制启用基于文本的搜索语义相似的图像。

b)然后检索可视化执行类似的基于内容的图像搜索。最后注释进行描述(标题、url和周围的文本)的图像。

c)为更好的效率,显著加快基于内容的搜索过程中使用视觉特性映射到高维的哈希码。

优点:

1)注释可以执行与无限的词汇是不可能对所有现有的方法。

分析

7的分析方法将被评估使用参数意味着平均精度,标准差,Precision-Recall如表1所示。

结论

在本文中,我们回顾了和分析了不同方法的数据集用于检索图像捕获通过数码相机或手机没有高水平的语义概念。用于实验的参数评价结果精度,召回和准确性和标准偏差。考虑不同方法的结果,我们得出结论,为更好的检索性能,我们必须使用像Precision-Recall增加价值的技术参数,精度和标准偏差,可能导致更好的检索性能的结果。

引用

立信段时,温家宝,艾弗Wai-Hung Tsang,许董,改善Web图片搜索成果Reranking, IEEE图像处理,第2期,没有。2011年11月11日。
j .他张h . m . Li h .通和c, Manifold-Ranking图像检索,Proc。ACM相依多媒体,2004。
徐董翳明Liu。艾弗Wai-Hung曾荫权,罗Jiebo文本查询的个人照片通过大规模的网络数据,IEEE模式分析与机器智能,Vol.33,不。2011年5月5日。
林,许董,艾弗w . Tsang Jiebo罗,基于图像检索和组的改进提高了增强功能,ACM相依多媒体,2011。
魏扁道大成,有偏见的判别欧几里得嵌入基于内容的图像检索,IEEE图像处理,19卷,2号,2010年2月。
通和大肠,支持向量机主动学习的图像检索,Proc。ACM相依多媒体,2001
新京报,Lei张、冯京马维英,AnnoSearch:图像Auto-Annotation搜索,Proc。设计。计算机视觉和模式识别,2006。
y鲁伊,T.S.黄和S。Mehrotra,基于内容的图像检索的相关反馈在火星,Proc。IEEE Int相依。图像处理,1997年。
Zoran Pecenovic,明,哔叽艾耶尔,马丁Vetterli,图像检索的新方法,实验室视听通讯,瑞士联邦理工学院洛桑(EPFL) ch - 1015瑞士。