基于内容的图像检索技术（Content-Based Image Retrieval，CBIR）

最新推荐文章于 2023-10-18 18:52:22 发布
转载 最新推荐文章于 2023-10-18 18:52:22 发布 · 2k 阅读 · 2
文章标签：

#计算机视觉

本文介绍了一系列基于内容的图像检索技术（CBIR）的搜索引擎，这些技术代表了图像检索和识别领域的主流应用。文章列举了包括TinEye、Google、Baidu在内的十款图像搜索引擎，并提供了它们各自的网址。

参考网页：http://blog.youkuaiyun.com/icvpr/article/details/12304127


本文介绍一些基于内容的图像检索技术（Content-Based Image Retrieval，CBIR）的搜索引擎（即以图搜图），这类搜索引擎基本上代表了图像检索和识别的主流技术，其中有些搜索引擎的检索结果融合了多模态的检索（文本、图片内容、上下文等）。这些图片搜索引擎和APP代表了图像检索和识别技术在业界的各类具有代表性的应用场景：1）海量互联网图片搜索；2）商品购物搜索；3）移动端的商品或物体搜索。


1. TinEye

http://www.tineye.com/

2. Google

http://images.google.com.hk/

3. Baidu （百度识图）

http://stu.baidu.com/

4. Bing

http://www.bing.com/images

5. Sougou （搜狗识图）

http://pic.sogou.com/

6. Yahoo

http://images.search.yahoo.com/

7. Imense

http://imense.com/similarsearch/

8. Macroglossa

http://www.macroglossa.com/disclaimer.html

9. Immenselab

http://www.immenselab.com/

10. Picsearch

http://www.picsearch.com/

Rilakkuma
关注
基于内容的图片检索CBIR（Content Based Image Retrieval）简介
计算机视觉小菜鸟的专栏
07-11 2万+
传统的图像检索过程，先通过人工对图像进行文字标注，再利用关键字来检索图像，这种依据图像描述的字符匹配程度提供检索结果的方法，简称“以字找图”，既耗时又主观多义。基于内容的图像检索客服“以字找图”方式的不足，直接从待查找的图像视觉特征出发，在图像库（查找范围）中找出与之相似的图像，这种依据视觉相似程度给出图像检索结果的方式，简称“以图找图”。基于内容的图像检索分为三个层次： （1）依据提取图像本身
Content-based image retrieval with compact deep convolutional features
yinsuiqiang5136的博客
10-15 682
摘要 现有的基于内容的检索过程中，大部分模型通常使用单一的CNN架构来提取特征，这样就对识别图像局部特征所有限制。首先，本文中提出一种新型的双线性的CNN架构，使用两个并行的CNN作为特征提取器。卷积层直接用于提取不同位置和不同尺度的特征（先pre-trained，后fine-tuned）。此外，提出一种有效的双线性根池化（bilinear root pooling）应用到低维池化层从而减少特征...
基于内容的图像检索技（CBIR）术相术介绍
热门推荐
Belial计算机视觉&机器视觉专栏
09-12 1万+
本文主要简单的介绍了基于内容的图像检索（CBIR：Content-Based Image Retrieval ）的相关技术，其是指根据图像对象的内容及上下文信息在大规模多媒体数据中检索所需信息。基于内容的图像检索技术通过近几十年的发展已经取得了丰硕的成果，文中对对图像检索的相关内容进行简单的分析，并对与图像检索相关的资料进行了简单的整理和收集。
【计算机视觉笔记】图像检索学习 (Content Based Image Retrieval)
霓而~
03-18 8870
论文跟踪：Awesome image retrieval papers https://github.com/willard-yuan/awesome-cbir-papers 综述：SIFT Meets CNN: A Decade Survey of Instance Retrieval github Overview: Guide-CBIR CBIR_LeaderBoard ...
Recent Advance in Content-based Image Retrieval: A Literature Survey部分翻译
TTdreamloong的博客
07-14 1033
随着嵌入相机的数字设备的普及和互联网技术的快速发展，数十亿人将投射到网络共享和浏览照片上。无处不在的数字照片和互联网接入为许多基于图像搜索的新兴应用提供了亮点。图像搜索旨在从大规模的视觉语料库中有效地检索相关的视觉文档到文本或视觉查询。虽然从20世纪90年代初期以来，图像搜索已经被广泛地探索[1]，但由于对可扩展性的挑战和新技术的出现，它在过去的十年中仍然引起了多媒体和计算机视觉社区的广泛关注。传...
人工智能-项目实践-信息检索-基于内容的图像检索系统（Content Based Image Retrieval,简称 CBIR
02-29
基于内容的图像检索系统（Content Based Image Retrieval,简称 CBIR） 基于内容的图像检索系统（Content Based Image Retrieval, 以下简称 CBIR），是计算机视 觉领域中关注大规模数字图像内容检索的研究分支。典型...
Simple-Search-by-Image:基于内容的图像检索系统（Content Based Image Retrieval,简称 CBIR）
05-01
基于内容的图像检索系统（Content Based Image Retrieval, 以下简称 CBIR），是计算机视 觉领域中关注大规模数字图像内容检索的研究分支。典型的 CBIR 系统，允许用户输入一张图像，在图像数据库（或本地机、或网络...
Content-Based-Image-Retrieval.rar_content-based_image retrieval
09-14
内容基图像检索（Content-Based Image Retrieval, CBIR）是一种在图像数据库中寻找与用户提供的示例图像相似的图像的技术。它摒弃了传统的基于关键字的检索方式，转而依赖于图像本身的内容进行搜索。在MATLAB这个...
A review of content-based image retrieval in medical applications.pdf
06-29
Summary Content-based visual information retrieval (CBVIR) or content-based image retrieval (CBIR) has been one on the most vivid research areas in the field of computer vision over the last 10 years....
论文笔记（关于图像检索的总结性论文）：Content-Based Image Retrieval and Feature Extraction: A Comprehensive Review（上）
timcanby的博客
03-03 2090
放上引用：Latif, Afshan and Rasheed, Aqsa and Sajid, Umer and Jameel, Ahmed and Ali, Nouman and Ratyal, Naeem Iqbal and Zafar, Bushra and Dar, Saadat and Sajid, Muhammad and Khalil, Tehmina：Content-Based I...
Content-Based Image Retrieval Systems
09-05
外国论文，有关图片检索技术。Thesis about Image Retrieval.
INTEGRATED CONTENT-BASED IMAGE RETRIEVAL
08-28
外文的图像检索原理介绍！比较全面！里面有各种特征描述方法。。。
简述对CBIR(Content-based Image Retrieval基于内容的图像检索)的理解
weixin_48331187的博客
10-18 566
这些特征表示了图像的视觉特性。然后，根据用户提供的查询图像，计算该图像与数据库中其他图像的相似度。最后，根据相似度结果，以降序形式返回与查询图像相似度最高的一组图像或排名最高的图像。基内容的图像检索（Content-based Image Retrieval，CBIR）是一种通过图像的视觉特征来进行图像检索的技术。综上所述，CBIR是一种基于图像内容进行检索的技术，通过提取图像特征并计算相似度来实现图像检索。CBIR的优点是，它可以通过图像的视觉特征进行检索，不依赖于图像的标记或注释信息。
基于内容的图像检索系统（合集）
dianyimo9099的博客
10-09 1338
基于内容的图像检索，即CBIR(Content-based image retrieval)，是计算机视觉领域中关注大规模数字图像内容检索的研究分支。典型的CBIR系统，允许用户输入一张图片，以查找具有相同或相似内容的其他图片。而传统的图像检索是基于文本的，即通过图片的名称、文字信息和索引关系来实现查询功能。 本文是Wiki上统计的当前主要的基于内容的图像检索系统。 商业图像...
Content-Based Information Retrieval 基于内容的信息检索
GarfieldEr007的专栏
12-23 3092
Content-Based Information Retrieval Information Era The Internet and the WWWMilestones of the Information Era Multimedia Information Retrieval Keyword / Text - based SearchContent-based
图像检索：基于内容的图像检索技术
GarfieldEr007的专栏
06-08 1万+
背景与意义 在Web2.0时代，尤其是随着Flickr、Facebook等社交网站的流行，图像、视频、音频、文本等异构数据每天都在以惊人的速度增长。例如， Facebook注册用户超过10亿，每月上传超过10亿的图片；Flickr图片社交网站2015年用户上传图片数目达7.28亿，平均每天用户上传约200万的图片；中国最大的电子商务系统淘宝网的后端系统上保存着286亿多张图片。针对这些包含丰
图像检索之Using Very Deep Autoencoders for Content-Based Image Retrieval
文森特的博客
11-09 1061
摘要： 在这篇论文里面，我们将介绍如何在彩色图像上学习多层特征，并使用这些特征来初始化深度自动编码器。 然后，我们使用自动编码器将图像映射为短的二进制代码。 使用语义散列，使用28位二进制编码在一个时间内检索与查询图像相似的图像与数据库的大小无关。 这种极快的检索使得可以使用查询图像的多个不同转换进行搜索。 256位二进制编码可以更精确的匹配查找图像，并且可以用来修剪使用28位编码检索到的...
图像检索：基于深度学习的CBIR（Content Based Image Retrieval）内容的图片检索论文
计算机研究生
01-07 6047
Deep Learning for Content-Based Image Retrieval:A Comprehensive Study Neural Codes for Image Retrieval Supervised Hashing for Image Retrieval via Image Representation Learning Using Ver
content-based image retrieval
最新发布
12-27
### 基于内容的图像检索技术及其实现方法 #### 定义与概述 基于内容的图像检索（Content-Based Image Retrieval, CBIR）是一种通过分析图像的内容特征来查找相似图片的技术。这种技术不依赖于人工标注或元数据，而是利用计算机视觉算法自动提取并匹配图像中的颜色、纹理、形状等低级视觉特征[^1]。 #### 关键组件和技术 CBIR系统通常由以下几个主要部分组成： - **特征提取**：此过程涉及从输入图像中抽取有意义的信息片段作为描述符。常见的特征类型包括但不限于直方图、边缘检测器响应以及局部不变量描述子如SIFT和SURF。 - **索引结构构建**：为了提高查询效率，在大规模数据库环境下建立有效的索引机制至关重要。常用的方法有树形结构、哈希表以及其他近似最近邻搜索策略。 - **相似度计算**：当接收到新的查询请求时，需将待查对象同已存入系统的样本集逐一比较其间的距离度量值；常用的衡量标准除了欧氏距离外还有余弦相似性和结构相似性指数(SSIM)[^2]。 #### 实现案例 以Riya为例，这是一个开源搜索引擎项目，它不仅支持传统的文本关键词匹配方式，还特别加入了针对人物肖像及商品照片等内容类型的专门处理模块——即融合了先进的面部识别技术和物品分类模型来进行更精准的结果筛选。 ```python import cv2 from skimage.metrics import structural_similarity as ssim def compare_images(imageA, imageB): # Convert images to grayscale grayA = cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY) grayB = cv2.cvtColor(imageB, cv2.COLOR_BGR2GRAY) # Compute SSIM between two images score, diff = ssim(grayA, grayB, full=True) return score ``` 上述代码展示了如何使用Python库`skimage`中的函数`structural_similarity()`来量化两张灰度化后的图像之间的结构性差异程度，返回一个介于[-1,+1]区间内的数值表示它们之间的一致性水平，其中越接近+1意味着更加相像。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值