结合自适应阈值与Forstner的Harris角点匹配优化算法

针对传统Harris角点检测效率低、非极大值引起的伪角点多等问题,提出了一种自适应阈值和归一化互相关（NCC）与随机抽样一致算法（RANSAC）相结合的Harris图像匹配算法。首先,采用自适应方式抑制非极大值的方法对角点进行预筛选;其次,采用Forstner算子对角点进行二次筛选;接着采用归一化互相关匹配算法对检测的Harris角点进行粗匹配;最后采用随机抽样一致算法对图像进行精确匹配。实验结果证明改进的方法不仅缩短了角点检测和图像匹配时间,而且能有效提高图像的匹配精度。     

融合多特征的图像检索算法

针对单一特征不能很好地表述图像的问题，提出了一种融合多特征的图像检索算法。首先，提取查询图像和图像库中样本图像的GIST（Generalized Search Tree)特征，用欧氏距离衡量图像间的GIST相似度值，根据查询图像的GIST特征在图像库中进行检索，将结果按相似度进行排序；然后，提取查询图像和返回结果中前k幅图像的尺度不变特征变换(SIFT)特征，使用BBF(Best Bin First)算法进行特征匹配；最后，通过特征点匹配点对数排序并返回检索结果。实验在改进的Corel1000数据集上进行，与传统的单特征图像检索算法对比，提出的图像检索算法不仅提高了检索准确率，而且获得了较好的检索效率。     

基于卷积神经网络和注意力机制的图像检索

当前先进的图像检索方法中，存在着不能很好地分辨图像中不同区域和内容的重要性的问题，导致计算资源分配不合理、检索正确率较低等一系列结果。为了解决这些问题，提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和注意力机制的图像检索方法。首先使用卷积神经网络提取特征，然后使用注意力机制处理提取的特征,可以在计算能力有限的情况下根据图像中的内容合理分配计算资源，使图像中的突出部分得到更多的关注。最后通过融合全局平均池化层处理后的CNN特征来进行图像检索。所提方法在corel1k、corel5k和corel10k三个数据集上与其他先进的图像检索方法进行了比较，结果表明该方法能够有效提高图像检索的精确率和召回率，并且在检索返回的前k张图像的数量(top-k)增加时，仍能保持良好且稳定的检索精确率。