导读:本文包含了图像索引论文开题报告文献综述、选题提纲参考文献，主要关键词:图像,索引,局部,各向同性,敏感,神经网络,球体。
图像索引论文文献综述写法
周雪梅,潘多[1]（2019）在《基于PCA-二叉树的大规模图像索引技术研究》一文中研究指出针对大数据数据库中图像索引中维度灾难问题,该文提出一种基于云的大规模图像检索技术,该方法创新性地将主成分分析法和二叉树引入到图像检索技术中,首先采用尺度不变特征变换和加速鲁棒特征描述符作为帧特征,面对大规模维度特征,将主成分分析法对帧特征进行降维,并使用二叉树表示降维后的特征,以加速研究阶段并减少存储空间,最终实现图像检索.实验表明:该文方法在降维70%的条件下,搜索精确率/召回率(Precision/Recall,PR)值能够达到传统方法20%降维条件下的PR值,并且在搜索时间上,该文方法与正常搜索相比,搜索速度得到30%～50%的提升.(本文来源于《西南师范大学学报(自然科学版)》期刊2019年07期）
周文博,王思贤,刘帅[2]（2019）在《基于图像索引内容结合数据库检索方式的应用与实现》一文中研究指出本文介绍了以往的图像处理技术和现在的发展以及应用的情况;同时介绍了图像数据库的应用原理;以及现在技术中比较常见的图像数据库的数据结构,通过两者进行相应的结合,来介绍基于内容的图像索引系统,可以更为直观的理解图像索引系统。(本文来源于《数字技术与应用》期刊2019年02期）
韩健[3]（2018）在《基于内容的图像索引研究》一文中研究指出图像检索技术是图像应用领域中的一个研究热点,在电子商务、知识产权等诸多领域中得到广泛应用。但是由于图像特征的维度普遍较高,如果直接采用图像的视觉特征来进行图像检索,不仅内存消耗巨大而且检索效率很低。因此本文针对图像索引技术,研究了局部敏感哈希和基于词袋模型的倒排索引,通过对这两种常见图像索引技术进行研究来提高图像检索效率。本文主要完成了以下几个方面的工作。本文研究了局部敏感哈希算法,对图像的全局特征建立索引,加快图像检索速度。介绍了局部敏感哈希的基本原理,以及两种距离测度下的局部敏感哈希算法选用基于汉明距离下的局部敏感哈希算法作为本章的索引算法;对传统局部敏感哈希算法的检索部分进行了优化,提出了特征数的概念,通过比较图像特征数,避免对整个图像数据库进行检索,有效地提高算法的时间效率。本文研究了图像局部特征索引技术。采用词袋模型对图像的局部特征进行降维处理,并对传统K-means聚类算法的初始点进行改进,使得聚类形成的视觉单词效果更好;提出了词频向量先聚类再检索的方法,有效地提高了词袋模型检索效率;针对词袋模型的线性检索效率较低,本文再对倒排索引进行了研究,把倒排索引应用到词袋模型中,通过对图像建立倒排索引,加快图像检索速度;针对倒排索引的准确率不足,在倒排索引基础上加入TF-IDF算法,提高倒排索引的准确率。(本文来源于《东南大学》期刊2018-06-04）
赵重阳[4]（2017）在《基于深度哈希方法的大规模图像索引研究与应用》一文中研究指出随着大数据时代的到来,人们对大规模图像检索方法和高效索引方法的研究引起了很大的关注,找到与查询图像最近邻的结果是一个基本的研究问题。由于哈希技术在效率和准确性方面的良好性能,基于哈希技术的近似最近邻检索(Approximate Nearest Neighbor searching,ANN)成为了一种流行的图像检索方法。但是,哈希技术在对图像进行二值化表达时存在信息损失、区分能力不够的问题,影响了检索结果的准确性。为了解决上述问题,本文对基于深度哈希方法的大规模图像检索进行了研究,提出了融合多种深度哈希编码的图像索引新方法,使相似的图像被映射到距离更接近的哈希编码上、不相似的图像被映射到距离较远的哈希编码上,增强了哈希编码的二值化表达能力和区分能力,提高了大规模图像检索性能。本文的主要工作如下:首先,介绍了大规模图像检索技术的研究背景,总结了大规模图像检索和图像哈希索引的研究历史和现状。通过对大规模图像检索和哈希索引的回顾,发现深度哈希方法不仅能够对图像的内容有较好的理解,还能为大规模图像检索提供一种可行的索引方法。其次,详细研究了一种有监督的基于成对标签信息的深度哈希索引方法,该方法能够同时对图像深度特征和哈希码进行学习。本文将VGG-F和Alex Net两种不同结构的深度神经网络模型分别应用到该方法中,构建出两个结构不同的深度哈希网络模型。实验结果显示,与目前流行的其它哈希方法相比,这两种不同结构的深度哈希网络模型在检索性能上均具有明显的性能优势。接着,本文提出了一种融合多种深度哈希编码的图像索引新方法——深度融合哈希索引方法,该方法把上述两种深度哈希网络模型生成的哈希编码进行了融合,生成更高效的哈希编码。本文在两个公开的大规模图像库上进行了实验,实验表明,相比于基于单一网络结构的深度哈希网络模型,本文提出的模型能够在保留更多的图像视觉信息和相似性的同时,增强二值哈希编码的表达能力,有效地区分图像,在大规模图像检索应用的索引构建和检索方面都表现出了良好的性能。最后,本文将深度融合哈希索引方法应用到大规模图像检索中,开发了一套面向大规模图像检索的系统。该系统实现了“以图搜图、所见即所得”的功能,在经典的图像数据库Corel、NUS-WIDE数据库上均表现出了出色的性能。(本文来源于《北京工业大学》期刊2017-06-01）
李来[5]（2017）在《面向图像索引的哈希方法研究》一文中研究指出随着智能设备的日益普及,图像的种类和数量呈现爆炸式增长,对图像的有效检索成为了热门话题。有效的索引机制是实现大规模图像检索的一个重要前提,而传统的图像索引算法一般适用于少量且低维的场景中,不能处理海量数据。因此,针对海量、高维图像数据,建立有效的索引并实现准确、快速的检索任务已成为计算机视觉中的研究热点。基于哈希的索引算法具有查询速度快,存储占用小的优点,近些年受到了广泛的关注。在这一背景下,本文的主要工作是研究哈希算法及其在大规模图像索引中的应用,主要包括:(1)提出了各向同性的迭代量化哈希算法。迭代量化哈希(Iterative Quantization,ITQ)对旋转矩阵施加的约束过于单薄,容易导致过拟合;各向同性哈希(IsoHash)缺乏对哈希编码的更新策略,无法保证编码质量最优。针对上述问题,本文采用迭代的策略,对编码矩阵和旋转矩阵交替更新,并在正交约束的基础上增加各向同性约束来学习最优旋转矩阵,使得投影具有更小的量化误差。实验中与主流算法进行了对比,结果表明,该算法具有更好的查全率、查准率。(2)提出了逆谱哈希。谱哈希(Spectral Hash, SH)目标函数的优化不能保证在原始高维空间中近邻的样本点投影到低维编码空间中依然近邻,在各种检索评价指标中要落后于主流哈希算法。本文在SH的基础上将输入与输出位置交换,将相似性定义从根据原始高维数据转变成根据低维的哈希编码,采用人工神经网络模拟哈希函数进行求解。实验结果表明,该算法保证了相邻样本投影后海明距离小,不相邻样本投影后海明距离大,取得较好的检索性能。(3)设计了基于哈希索引的网页服装检索系统。用户上传图片,服务器后台进行提取特征、哈希编码、重排等一系列操作,然后按照用户需求返回检索结果。经过大量的测试,该系统满足了基本检索需求,效果较好。(本文来源于《南京信息工程大学》期刊2017-06-01）
孙剑飞[6]（2015）在《基于图像索引的热点话题检索方法研究》一文中研究指出随着互联网的快速发展,信息的载体越来越多样化,信息传播越来越迅速。新闻、论坛、社交网站等网站已经成为大众获取信息的主要渠道,但是随着信息量的爆发式增加,通过文字检索来获取感兴趣的话题已不能满足需求。而图像作为信息的重要载体,所包含的信息比文字更加丰富,在视觉感官上也更加直接更加一目了然。在当今互联网上,图像检索已经得到迅速发展并且具有很大的应用价值,但是目前的图像检索只是简单的通过图像来检索图像,而对于用户来说,有时候更兴趣的是图像背后所隐藏的话题。通过文本可以检索到与文本相关的话题或者信息,由于不同的人对于信息的理解不一致,导致检索的关键字不同,检索出来的信息或者话题也会出现差异,然而相对文本而言,图像是客观存在的,不会带有主观意愿,因此如何通过图像来检索出与图像相关的话题正是本文所要研究的问题。本文通过对海量的互联网数据进行研究,提出了一种通过图像来快速检索话题的方法,首先爬取数据的时候按照图像与文字相结合的方式进行爬取,确保保证每张图像或者图像集都有一定关联性的文字；其次对于爬取的文本数据采用层次聚类等方法来发现热点话题,保证话题的高聚合和高热点；然后给每个话题配上一定的高相关性的图像,这些图像作为话题的最大关联图；最后通过局部敏感哈希算法(LSH)和轮廓加权的颜色自相关特征的结合来检索图像对应的话题。通过实验可发现,该方法能够有效的检索出与查询图像相关的话题,无论在准确性上还是速度上都能够满足一定需求。(本文来源于《兰州大学》期刊2015-04-01）
艾列富[7]（2014）在《基于内容的大规模图像索引与检索方法研究》一文中研究指出互联网和多媒体技术的快速发展使得以图像为代表的多媒体数据呈现爆炸性的增长。丰富的图像资源在带来巨大便利的同时,存在着亟待解决的问题：面对海量的图像数据,如何帮助人们从中快速地获取他们真正感兴趣的图像,尤其是那些很难用传统文本来清晰表达的图像。在此背景下,本文对基于内容的大规模图像索引与检索的主要关键技术进行了系统研究。针对特征硬分配的单词不确定性和单词疑惑性两个问题,提出了一种超球软分配方法。该方法为每个视觉单词构造一个以其为球心的超球体,半径为该视觉单词对应聚类中最远特征点到聚类中心的欧式距离。根据图像的局部视觉特征与各视觉单词对应超球体的空间位置关系将其分配到相应的近邻视觉单词。通过将超球体软分配与图像局部聚合描述向量计算方法相结合用于生成图像描述符,实验结果表明超球体软分配能有效地提高图像描述符的准确性。为了提高图像视觉特征的近似表示精度和降低图像视觉特征的存储空间需求,提出了一种增强型残差量化方法并将其用于构建多维倒排索引,有效地提高了构建倒排索引的效率。增强型残差量化通过训练多层码书来近似表示图像特征,并且在训练过程中,通过联合优化使每层量化器的码书在训练时都考虑图像视觉特征的总体量化误差并使其最小化。针对增强型残差量化对图像视觉特征进行量化过程中精确最近邻聚类中心查找的效率问题,提出了一种基于下限过滤的精确最近邻查找方法。该方法将图像视觉特征从高维空间映射到低维空间,并在低维空间中通过计算特征之间欧式距离的下限来过滤非近邻聚类中心,减少特征量化的时间开销。基于增强型残差量化,利用多层码书中聚类中心的组合关系设计了一种多维倒排索引结构,使得只需要少量的聚类中心就可以构建规模较大倒排索引结构。实验结果表明,较现有方法,增强型残差量化可以显着降低图像特征近似表示的误差并能提高图像特征检索的精度和速度。此外,基于下限过滤的向量量化方法可以有效地提高增强型残差量化的特征量化效率。为了提高图像视觉特征检索速度,提出了完全过滤自适应检索和不完全过滤自适应检索两种基于超球体过滤的自适应检索方法。根据查询特征所在的空间位置,完全过滤自适应检索通过构造以查询特征点为球心的超球体并自适应地计算半径,只对位于超球体内部的特征进行排序,从而过滤掉非相似特征。在此基础上,不完全过滤自适应检索将各倒排列表划分为若干个子类并将对应的聚类中心用于过滤非相似特征,从而降低了非相似特征过滤的时间开销。实验结果表明,在保证与现有方法具有相同检索精度情况下,完全过滤自适应检索和不完全过滤自适应检索都能明显减少查询时间。此外,不完全过滤自适应检索比完全过滤自适应检索具有更快的检索速度。基于内容的大规模图像索引与检索需要研究的问题还有很多。在图像描述符方面,如何同时结合图像的低层视觉特征和高级语义特征用于生成图像描述符以更好地表达图像内容是需要进一步研究的问题。在图像特征量化和编码方面,增强型残差量化方法是在图像视觉特征的原始维度上进行的,如何将高维图像视觉特征从高维空间映射到低维空间并运用增强型残差量化方法的同时,考虑映射图像视觉特征产生的误差需要进一步研究。在索引结构上,目前构建的倒排索引依赖于样本集训练,如何设计一个支持动态更新的倒排索引是另一个需要进一步研究的问题。(本文来源于《华中科技大学》期刊2014-05-01）
张水利[8]（2014）在《基于主颜色的彩色图像索引技术》一文中研究指出在RGB颜色空间对彩色图像进行检索时,引入各颜色分量的权重。实验结果表明:对具有主颜色特征的图像进行检索的过程中,适当增加所需要的颜色分量的权重,同时减少别的分量的权重,便可得到预期的检索性能。(本文来源于《电子测试》期刊2014年07期）
雷婷,曲武,王涛,韩晓光[9]（2013）在《云环境下大规模图像索引技术》一文中研究指出为满足海量高维数据快速计算和检索的需求,基于一个高层次的分布式树形索引结构抽象框架MRC-Tree,以及不同的KD-Tree建树方式,提出两种基于Map-Reduce机制的分布式KD-Tree索引结构构建方法,分别为MKDTM方法和OKDTM方法。通过并行对数据进行切分和建树,多个节点并发检索,可以有效地提高检索性能。理论分析和实验结果表明,基于MRC-Tree框架的分布式KD-Tree索引结构具有良好的可扩展性和较高的检索效率,且OKDTM索引结构比MKDTM具有更优良的性能。(本文来源于《计算机工程与设计》期刊2013年08期）
刘文杰,伍之昂,曹杰,潘金贵[10]（2013）在《基于成对约束Info-Kmeans聚类的图像索引方法》一文中研究指出针对图像数据噪声大和高维稀疏的特点,提出了一种基于噪声过滤和Info-Kmeans聚类的图像索引构建方法。首先,利用余弦兴趣模式过滤噪声。其次,提出了一种新的Info-Kmeans聚类算法,该算法不仅避免KL-divergence计算过程中的零值困境问题,还能融合以成对约束出现的先验知识。最后,在LFW和Oxford_5K 2个图像数据集上的实验表明:噪声过滤能显着提高聚类性能;Info-Kmeans比已有聚类工具具有更优越的性能。(本文来源于《通信学报》期刊2013年07期）
图像索引论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文介绍了以往的图像处理技术和现在的发展以及应用的情况;同时介绍了图像数据库的应用原理;以及现在技术中比较常见的图像数据库的数据结构,通过两者进行相应的结合,来介绍基于内容的图像索引系统,可以更为直观的理解图像索引系统。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
图像索引论文参考文献
[1].周雪梅,潘多.基于PCA-二叉树的大规模图像索引技术研究[J].西南师范大学学报(自然科学版).2019
[2].周文博,王思贤,刘帅.基于图像索引内容结合数据库检索方式的应用与实现[J].数字技术与应用.2019
[3].韩健.基于内容的图像索引研究[D].东南大学.2018
[4].赵重阳.基于深度哈希方法的大规模图像索引研究与应用[D].北京工业大学.2017
[5].李来.面向图像索引的哈希方法研究[D].南京信息工程大学.2017
[6].孙剑飞.基于图像索引的热点话题检索方法研究[D].兰州大学.2015
[7].艾列富.基于内容的大规模图像索引与检索方法研究[D].华中科技大学.2014
[8].张水利.基于主颜色的彩色图像索引技术[J].电子测试.2014
[9].雷婷,曲武,王涛,韩晓光.云环境下大规模图像索引技术[J].计算机工程与设计.2013
[10].刘文杰,伍之昂,曹杰,潘金贵.基于成对约束Info-Kmeans聚类的图像索引方法[J].通信学报.2013