共同提高形状检索通过整合空气和修改神经网络图

文摘

在计算机视觉中,图像检索仍图像检索的一个重要问题和最近的复苏也依赖于其他后处理方法,提高精度,而不是仅仅依靠良好的特征表示。我们的方法解决的形状检索二进制图像。提出了一种新的集成方案最好地利用特征表示以及上下文信息。我们使用发音不变的表示特性表示;然后利用动态规划更好的形状匹配基于流形学习的后处理改性相互紧随其后神经网络图,进一步提高相似性得分。我们进行了广泛的实验广泛使用MPEG-7形状图像的数据库通过所谓的靶子分数没有正常化共同修改神经网络图,清楚地表明标准化的重要性。最后,我们的方法证明了比其他方法更好的结果。我们还计算计算时间与另一个图形转换方法清楚地表明,我们的方法在计算上非常快。此外,显示一致性的后处理方法,我们挑战ORL和耶鲁脸上也表现的实验数据集和改善基线结果。

1。介绍

基于内容的图像检索(CBIR)仍然是计算机视觉的一个重要和富有挑战性的问题从几十年1]。CBIR过程查询,如查询图像,地区,或草图,并返回最相似的图像数据库基于相似性低水平的功能,而不是文本注释或媒体元数据(2- - - - - -4]。一般来说,图像检索分为两个步骤。第一步由形状、纹理和颜色特征提取的图像或对象,第二步需要与所有数据库查询图像的相似性度量图像,然后根据相似性度量图像排名。可以在详细讨论(1- - - - - -4]。我们的方法集中在基于形状特征提取和检索二进制图像。尽管大量彩色图像在峰值,二进制图像的重要性不能被忽视,因为他们被广泛使用在商标图像,专利图片,技术图纸,或某些应用程序,如医学图像(5],植物集合[6),和路标7),在许多不同的领域。形状特征提取的二进制的一个主要的信息来源,以及彩色图像。形状(即图像直接取自二进制图像。,black and white) or threshold in gray images where one side of threshold will be white and the other side will be black as there is little or no information of texture and there is no color information. Traditionally, feature extraction or feature representation remained to be a crucial step for improving retrieval rate. Lately, some similarity measures methods also improved retrieval accuracy rate. Recently, some postprocessing methods contributed significantly in image retrieval accuracy, such as graph transduction, cotransduction, spectral matching, and metasimilarity [8- - - - - -11]。

在本文中,我们提出了集成的清晰度不变量表示与后处理(空气)特征提取方法,共同修改神经网络图,流形学习方法提高形状检索分数对上下文信息。首先,我们使用空气方法提取特征的形状12]。特征提取后,动态规划(DP)是用来测量成对形状相似。实现使用DP距离后,我们共同申请修改神经网络图(13]。证明我们方法的效率和有效性进行了流行MPEG-7实验数据库。我们使用所谓的靶子分数计算的准确性。我们的方法改善空气的基线结果的方法。我们与其他竞争对手相比,我们的方法方法和方法与其他方法相比得到了很好的结果。我们也做了实验对计算时间,计算时间是另一个具有挑战性的领域的基于内容的图像检索。显示我们的方法的计算效率综合空气表示方法与图形转换方法(14),我们有几乎相同的检索精度结果但在巨大的成本计算时间显示我们的方法是有前途的和有效的。

我们所知,表示空气特性是一个基线方法,直到现在,形状特征表示的平面形状,尤其是在具有挑战性的MPEG-7数据库。尽管基于直方图的形状上下文(SC) (15)仍然是一个受欢迎的特性表示形状图像的方法,它缺乏清晰度不变性和SC的精度水平低于空气。形状匹配或相似性度量,DP更健壮的异常值和噪声,也是规模不变,旋转,和翻译。此外,它被证明是一种有效的匹配算法精度的角度。自相似性测量方法在计算组内的和extraclass并不理想的距离,因此我们使用后处理方法,共同修改神经网络图,实现对上下文信息相似性。它给affinity-wise相似性和我们的方法这些相似之处产生很好的检索结果与其他方法相比。此外,修改后的相互神经网络图计算便宜。

当我们复制的结果内距离形状上下文(IDSC)共同修改神经网络图(13)清楚地显示,恶化的结果相比,我们的方法,进一步证明修改共同的一致性神经网络图我们整合不同特性表示ORL和耶鲁脸上数据库和改善基线结果,分别。

2。相关工作

在基于形状的图像检索有三个子问题。第一个问题是好表示的形状特征提取。第二个问题是相似性度量或形状匹配计算的距离查询图像与图像数据库和reranks这些图像对查询图像。第三个问题解决的后处理方法获得相似对上下文信息。我们的讨论将围绕这三个问题。

特征提取和形状匹配是非常活跃的研究领域文献[16]。相似的形状也被很好地分析了心理学领域的(17]。在文学,许多已报告描述符和相似性的方法,但我们更关注轮廓图像的方法18]。基于轮廓形状、曲率尺度空间(CSS)和一些不同的方法用于简单的二进制图像(19- - - - - -21]。CSS的方法消除了无关紧要的词形变化。删除词形变化之后,它会检查对象的特点。最近,许多努力都致力于克服CSS的缺点,如成本计算(21和不准确的相似性度量20.,21]。

Belongie等人提出的形状上下文(SC)描述的相对分布距离和方向等(15]。SC结合薄板样条(TPS)被认为是歧视。一般来说,SC达到良好的精度的高计算时间成本特征提取和图像匹配。SC延长通过添加里程碑点切线向量的统计(22]。凌和雅各布斯(23)延长了SC利用轮廓点之间的测地距离代替欧氏距离来衡量点形状之间的空间关系。从一个角度看,变形,姿势,和遮挡导致大变化形状类,同时,另一方面,不同的形状的例子可能有更多相同的组件和变化可以解决采用不同的配置这些组件的24,25]。几何、噪声和遮挡不变的形状描述符,高度函数(高频),用于形状特征提取(26]。在高频,预定义的轮廓采样点的每个对象表示,在每个采样点的高度函数计算遵循高度的平滑函数的鲁棒性。轮廓灵活性特征提取方法是特征提取的局部和全局特征(27]。袋轮廓片段(供应量)是一种扩展形式的Bag-of-Words(弓)形状的图像被用于(28]。供应量,形状分为组轮廓片段和每个轮廓计算由SC遵循编码到形状的代码。供应量可训练的分类器,但它工作表现不佳的形状匹配。形状匹配Latecki和Lakamper29日)利用视觉部分由简化多边形的轮廓。特性驱动概率生成模型形状匹配提出了由你和Yuille [30.]。Siddiqi et al。31日使用图解法)使用形状匹配。介绍了动态和分层的曲线匹配方法由Felzenszwalb和施瓦茨(24为避免与当地或全球方法相关的问题。介绍了多尺度表示的三角形区域形状匹配的Alajlan et al。32),包括局部和全局形状信息。基于SC,象征性的描述符是由Daliri和老爹,并克服遮挡和变形引起的问题,编辑距离进行最后匹配中使用(33]。格式的弓,形状词汇被用来作为形状描述符(34]。它解决的问题耗时形状距离度量匹配和加速匹配过程的全局描述符进行比较而不是耗时的地方特色。边缘定位autocorrelogram (EOAC) [35是另一个二进制图像方法。在EOAC,图像边缘方向。这些优势取向是量子化的,给出了二维直方图的输入。EOAC用于PATSEEK搜索引擎,由美国专利局,为了有效地分析美国专利图像数据库(36]。

基于内容的图像检索是更积极地回潮、不同的图形化方法开发以及特征提取方法和相似的措施。在获得良好的特征表示和匹配算法应用到相似矩阵,多方面的学习作为上下文后处理方法用于图像检索。提高检索的排名形状采用数据流形结构提出了周et al。8]。另有说明,多方面的学习提高排名的结果通过保持最亲密的对象的上下文信息的数据库。为semisupervised学习开发的早些时候,上下文信息与标签传播提出的图形轮廓检索转导是白等。9]。它增加了在一起各种相似以及不同措施更好的许多对象之间建立的关系。此外,在Kontschieder等的工作。13),性能提高了保持上下文信息在内部形状上下文的距离表示。我们的工作是类似于Kontschieder et al .,但我们的工作使用清晰度不变量表示形状上下文而不是内在的距离,和我们的方法也优于上述方法的结果。

3所示。提出工作

我们建议的工作由两部分组成。首先,我们需要提取特征或被使用发音不变特性表示表示(空气)方法(1]。在得到两两距离矩阵通过使用动态规划(DP),我们修改后的相互应用神经网络图改善相似。我们的方法是描绘在图1。

3.1。特征表示

我们使用空气特性表示,几何不变量,如规模、翻译、和旋转。随着这些不变性,这也是不变的清晰度。使用空气的另一个原因是,它比其他形状特征表示方法,特别是在大组内变异MPEG-7数据库。正如我们所塑造,这样,在这里,形状的一部分吗和结的形状。的数字是2 d图形的条件吗;特征表示可以找到符合的标准(1)。完整的词汇表如下: :二维投影 :固定数量的条件 :零件的二维形状 :结的形状 ,尽管来 ,组点构成 :的形状表示(1) :距离ID:内心的距离 :形状距离 :亲和力距离 :总错误 :弱的现实世界 :距离错误 :投影误差 :Part-wise仿射标准化执行转换 :柱状图的点 :直方图箱总数 :图的顶点 :边缘图 :修改共同神经网络图与顶点,边缘。

考虑 如果是两个点,然后我们可以测量的距离通过 在这里,是一个常数。使用以上距离我们获得特性表示满足(1)。因为许多观点或不同效果的变化,一部分通过仿射正常化将一部分,应对这种形状的变化。这个正常化过程会找到一个转换。所以每也会改变。找到发音的变化计算两个点的距离使用内部距离(ID),发音不变: 理想情况下,(3)应该构建通过满足(1),但实际上有一个错误 在(4),是一个错误的不同类型可以被描述为如下: 在(5),错误发生由于弱透视复杂的现实世界。内心的距离给了错误当通道连接两个点通过结了。表示三维图像的投影误差在2 d图像。由于不同的影响和各种观点,仿射正常化将执行: 在哪里显示了一个最低一块块平行四边形转换部分的形状向单位正方形。因此,它用于仿射变换,由规模、翻译、旋转、剪切变换。后实现转换我们将计算两个点使用内部距离(ID)和内部角(IA)。最后,形状上下文描述符将建立在每一个点它被称为直方图: 在这里,表示数量的垃圾箱。总60箱。距离垃圾箱是12和角箱是5。这两种箱子的结果是60。现在,特性表示满意(1可以构造成)。

3.2。相似性度量

形状检索,通常,形状相似或不同的形状也称为成对形状距离计算的最佳对应轮廓点需要被发现。这些最优点是用于排名形状的形状在数据库中检索。相似性度量或形状由DP计算,我们得到的距离矩阵进行进一步的后处理方法。这DP方法是不变的平移、旋转、尺度,也健壮的异常值和噪声。这和其他非度量相似性措施,违反平等的三角形。DP可以如下计算:考虑有两种形状和和他们有轮廓点序列,如为与分和为与点。匹配的之间的形状和形状是映射来,在那里可以匹配如果并将留下无与伦比的。用于最小化成本的匹配吗如下: 在这里,匹配的成本,可以计算如下: 在这里,和直方图的形状上下文的吗和和表示数量的直方图。

根据真实的分析数据库,应该为同类extraclass之间的高和低的异同。相似性度量完全不遵循这一规则。这就是为什么共同修改神经网络图彻底改善后的精度分析。

3.3。修改后的相互NN-Graph

为提高检索速度和获取关联矩阵,我们使用共同修改神经网络图流形学习方法作为后处理方法。更一致的形状以及在图像和计算非常便宜。这样的后处理流形学习方法用于改善相似度矩阵所有图像之间的相似性计算的数据库。有两个措施改善这些预先计算的矩阵。第一步是正常化距离矩阵这改变了为关联矩阵和第二步是更彻底的分析模式的对象,如发现建设最近邻图的最短路径。

如果距离矩阵,我们能做的部分,部分标准化来实现关联矩阵如下: 在这里,以聪明元素归一化参数,而是一个距离矩阵和是一个关联矩阵。归一化参数可以定义如下: 在(12),显示了th邻居的对象。之间的距离特性的图像明显的度量和无法衡量不仅仅是0到1的规模。规范化对提高检索的重要性已在文献[37]。正常化后,距离矩阵可以转化为关联矩阵和底层结构的数据可以通过测量定义图的社区。图将尝试匹配使用底层结构相似。

正常化理想情况下,应该给明确的匹配和嵌入式子流形形状但规范化方法不是最优;因此我们使用归一化之后的分析步骤。基于图的方法被用于执行这样的分析,找到本地的底层结构。对象之间的相互依存关系可以发现使用等这些图的连通区域检测短路线在类似的形状,而不是在nonmatching形状,共同定义的街区图修改NN-graph。可以构造图的顶点和边。让每一个形状是用一个顶点图中。边缘可以定义为非负关联矩阵,当关联矩阵顶点的代表没有连接。修改后的相互神经网络图之间的和可以描述如下: 在哪里代表的数量最近的邻居顶点和不对称系数。此外,边缘可以描述如下:

图形状查询检索,使用连接对象图的路径长度。

4所示。结果与讨论

我们的主要实验包括集成的空气相互修改神经网络图。我们做实验MPEG-7形状数据库描述部分4.1。除了准确性,我们还测量了计算时间与另一个图形转导后处理方法(14]。展示我们的效率两部分,空气共同特征提取和修改神经网络图,另外,我们独立执行不同的实验有或没有学习和多方面的学习积分表示。进一步显示修改共同的有效性神经网络图,我们也进行了实验ORL和耶鲁脸上数据库中描述的部分4.2和4.3,分别。使用后处理流形学习基线结果已得到改进。

4.1。检索MPEG-7数据库上

我们MPEG-7流行数据库上进行了实验,包括1400年的轮廓图像,对检索性能。1400的图像数据库分为70种不同的形状类,每个类由20相关的图片。组内变形使这个数据库非常具有挑战性。MPEG-7数据库的样本图像如图2。准确率在这个数据库计算所谓的靶子得分。靶子可以作为考虑最高的40最近的匹配计算每个查询图像和计算多少20图像相同的类存在于40最近匹配。前40名检索图像可以与20相同类别的查询图像的图像。我们的方法使用空气特性更健壮和category-wise精度可以看到图3。我们的方法改善空气和显示的结果比其他方法更好的结果。比较不同方法的结果与我们的方法在表1。结果也报道之前和之后的正常化共同修改神经网络图。我们靶心分数达到99.47%没有正常化和规范化后99.89%。结果清楚地表明标准化的重要性。IDSC是更健壮的方法和清晰度不变但其精度比我们的方法远远低于85.40%。空气达到99.55。我们的方法改善结果为99.89%。空气与图转导表现小好但其计算时间太高了。图4显示前10名MPEG-7的图像数据库的检索。最左列图像检索查询图像同时保持19列图像的图像数据库。翻译检索图像旋转、尺度不变和变形不变。我们还展示了每个类图的准确性5。图5显示每个类别,每个类别的准确性的改善更一致的对比图3。

我们也测量计算时间与另一个后处理图像转换方法。计算是酷睿i5 2.40 GHz处理器上执行安装了4 GB RAM的使用MATLAB。图中给出了计算时间的比较6。

图转导是另一个流形学习后处理方法。我们应用图形转换方法两两距离矩阵。虽然结果是有前途的,该方法的主要缺点是计算时间。图形转换方法相比,共同修改神经网络图显示巨大的推动对计算时间。空中计算形状距离,相互的时间修改神经网络图计算(没有正常化)10.83秒和12.07秒(归一化后)。相反,图7468.89秒的计算是通过转导空气形状距离。

4.2。ORL脸上检索数据库

ORL有400灰度面临不同的40人,每个人都有10个不同的图片有不同的光照、姿势和表情。在得到距离矩阵(400×400的特征表示38),我们应用后处理共同修改神经网络图。这种集成靶心得分提高了基线测量的结果从上15最亲密的邻居。结果如表所示2。

4.3。耶鲁脸上检索数据库B

耶鲁大学面临数据库B是数据库面临的不同姿态和光照。165年这个数据库面临的收集15个主题,每个主题都有11种不同的图像在不同条件下。特性表征(38)是用于获取子集。计算距离后,我们共同申请修改神经网络图。性能是靶心得分计算使用前15名最近匹配。结果如表所示3。

5。结论

我们的工作解决形状检索的问题。清晰度被用来提取特征不变量表示的二进制图像。获得相似矩阵的动态规划后,我们相互整合后加工修改神经网络图像获取上下文信息,得到不同的图像之间的相似度。我们进行了形状检索实验广泛使用MPEG-7数据库图像形状和测量精度由所谓的靶子得分。我们也报道结果之前和之后正常化共同修改神经网络图,清楚地表明,归一化提高精度的结果,明显。与其他方法相比我们的方法得到了更好的结果。我们还证明了计算性能的方法远远高于其他竞争的方法。显示后处理方法的一致性,我们还做了个实验ORL和耶鲁脸上数据库和基线结果改善。

在未来我们想扩展这个形状检索在杂乱的图像使用变形不变的形状匹配和扩散过程。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究受到了中国国家自然科学基金(批准号60973059和60973059)和中国大学新世纪优秀人才计划(批准号ncet - 10 - 0044)。

引用

1. a·w·m·Smeulders m .不用Santini, a·古普塔和r . Jain,“基于内容的图像检索的早期,“IEEE模式分析与机器智能,22卷,不。12日,第1380 - 1349页,2000年。视图:出版商的网站|谷歌学术搜索
2. r·达塔·d·乔希,j·李和j . z王”图像检索:思想、影响和趋势的新时代,”ACM计算调查,40卷,不。2,第五条,2008年。视图:出版商的网站|谷歌学术搜索
3. r . Veltkamp h . Burkhardt,和H.-P。Kriegel Eds,最先进的基于内容的图像和视频检索施普林格,卷。22日,2001年。
4. f .长,h·张,d·d·冯“基于内容的图像检索原理,”多媒体信息检索与管理,信号和通信技术,页1-26,施普林格,柏林,德国,2003年。视图:出版商的网站|谷歌学术搜索
5. s . Antani l . r .长,g·r·托马”大型生物医学图像的基于内容的图像检索档案”学报》第11届世界大会在医学信息(MEDINFO ' 04)2004年9月,旧金山,加州,美国。视图:谷歌学术搜索
6. 即Yahiaoui: Herve, n . Boujemaa“Shape-based图像检索在植物集合,”先进的多媒体信息Processing-PCM 2006卷,4261在计算机科学的课堂讲稿施普林格,页357 - 364年,柏林,德国,2006年。视图:出版商的网站|谷歌学术搜索
7. p . Dukkipati和l·布朗”,提高几何形状的识别路标的扩充数据库,”学报》第三届国际会议上计算机科学及其应用,8日至13日,2005页。视图:谷歌学术搜索
8. d·j·韦斯顿,a .车载o . Bousquet和b . Scholkopf“排名数据集合管,”先进的神经信息处理系统》16卷,第176 - 169页,马克斯普朗克生物控制论,剑桥,质量,美国,2004年。视图:谷歌学术搜索
9. x呗,x, l . j . Latecki w . Liu和z涂,“学习上下文敏感的形状相似图转导,”IEEE模式分析与机器智能,32卷,不。5,861 - 874年,2010页。视图:出版商的网站|谷歌学术搜索
10. a . Egozi y·凯勒,h . Guterman”改善形状检索通过光谱匹配和相似元,“IEEE图像处理,19卷,不。5,1319 - 1327年,2010页。视图:出版商的网站|谷歌学术搜索|MathSciNet
11. x, x呗,l . j . Latecki z涂,“改善形状检索通过学习图形转导,”电脑Vision-ECCV 2008施普林格,页788 - 801年,柏林,德国,2008年。视图:谷歌学术搜索
12. r·格帕兰、p . Turaga和r . Chellappa“Articulation-invariant表示non-planar形状,”学报》第11届欧洲计算机视觉大会10)卷,6313在计算机科学的课堂讲稿施普林格,页286 - 299年,柏林,德国,2010年。视图:出版商的网站|谷歌学术搜索
13. p . Kontschieder m . Donoser h .女孩,“除了成对形状相似性分析,”电脑Vision-ACCV 2009施普林格,页655 - 666年,柏林,德国,2010年。视图:谷歌学术搜索
14. x, x呗,l . j . Latecki z涂,“改善形状检索通过学习图形转导,”电脑Vision-ECCV 2008卷,5305在计算机科学的课堂讲稿施普林格,页788 - 801年,德国海德堡2008。视图:出版商的网站|谷歌学术搜索
15. s . Belongie j·马利克,j . Puzicha”形状匹配和对象识别使用形状上下文”,IEEE模式分析与机器智能,24卷,不。4、509 - 522年,2002页。视图:谷歌学术搜索
16. r . c . Veltkamp和m . Hagedoorn“艺术形状匹配的状态,”视觉信息检索的原则,先进的模式识别,页87 - 119,施普林格,伦敦,英国,2001年。视图:出版商的网站|谷歌学术搜索
17. e . Goldmeier”在视觉感知形式相似,”心理问题,8卷,不。1、1 - 136、1972页。视图:谷歌学术搜索
18. d .张和g .,“回顾形状表示和描述技术,”模式识别,37卷,不。1 - 2004页。视图:出版商的网站|谷歌学术搜索
19. f . Mokhtarian”Silhouette-based对象识别通过曲率尺度空间,与阻塞”电脑Vision-ECCV 96卷,1064在计算机科学的课堂讲稿施普林格,页566 - 578年,柏林,德国,1996年。视图:出版商的网站|谷歌学术搜索
20. j . van der Poel c·w·d·阿尔梅达和l . v .巴蒂斯塔,“一个新的多尺度,curvature-based形状表征技术,基于DSP的图像检索技术,”《第五届国际会议上混合智能系统(05)2005年11月,页373 - 378。视图:出版商的网站|谷歌学术搜索
21. c·w·d·阿尔梅达r . m . c . r . de Souza和n·l·卡瓦尔康蒂,”一个shape-based使用曲率尺度空间的图像检索系统(CSS)技术和自组织映射(SOM)模型”学报第六届国际会议上混合智能系统(06)IEEE 2006年12月。视图:出版商的网站|谷歌学术搜索
22. g·森和j·马利克在对抗混乱认识对象:打破视觉验证码,”《IEEE计算机学会学报计算机视觉与模式识别会议,1卷,第144 - 134页,2003年6月。视图:谷歌学术搜索
23. 凌h·d·w·雅各布斯,“使用inner-distance形状分类,”IEEE模式分析与机器智能卷,29号2、286 - 299年,2007页。视图:谷歌学术搜索
24. p . f . Felzenszwalb和j·d·施瓦兹“层次匹配的可变形形状,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 07),2007年6月。视图:出版商的网站|谷歌学术搜索
25. g·麦克尼尔和美国Vijayakumar,”普罗克汝斯忒斯的分层匹配形状检索”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR 06年),1卷,页885 - 892,纽约,纽约,美国,2006年6月。视图:出版商的网站|谷歌学术搜索
26. j . Wang x呗,x, w . Liu和l . j . Latecki”形状匹配和分类使用高度函数”,模式识别的字母,33卷,不。2、134 - 143年,2012页。视图:出版商的网站|谷歌学术搜索
27. 徐,j·刘,x,“2 d形状轮廓匹配的灵活性,”IEEE模式分析与机器智能没有,卷。31日。1,第186 - 180页,2009。视图:出版商的网站|谷歌学术搜索
28. x, x呗,w . Liu和l . j . Latecki”功能背景图像分类和目标检测《IEEE计算机视觉与模式识别会议(CVPR 11),第968 - 961页,2011年。视图:谷歌学术搜索
29. l . j . Latecki和r . Lakamper形状相似性度量基于对应的视觉部分,“IEEE模式分析与机器智能,22卷,不。10日,1186 - 1190年,2000页。视图:谷歌学术搜索
30. z Tu和a . l . Yuille”形状匹配和识别生成模型和信息功能,”电脑Vision-ECCV 2004卷,3023年,页195 - 209,施普林格,柏林,德国,2004年。视图:出版商的网站|谷歌学术搜索
31. k . Siddiqi a . Shokoufandeh s . j·迪金森和s . w . Zucker“休克图表和形状匹配,”国际计算机视觉杂志》上,35卷,不。1,13-32,1999页。视图:出版商的网站|谷歌学术搜索
32. n . Alajlan m . s .•凯米尔和g·h·弗里曼,“几何投影图像检索在二进制图像数据库中,“IEEE模式分析与机器智能,30卷,不。6,1003 - 1013年,2008页。视图:出版商的网站|谷歌学术搜索
33. m . r . Daliri诉托瑞,“强劲的符号表征形状识别和检索,“模式识别第41卷。。5,1799 - 1815年,2008页。视图:出版商的网站|谷歌学术搜索
34. x x呗,c . Rao,王”形状的词汇:一个健壮的和有效的形状表示形状匹配,”IEEE图像处理,23卷,不。9日,第3949 - 3935页,2014年。视图:谷歌学术搜索
35. f . Mahmoudi j . Shanbehzadeh a m。Eftekhari-Moghadam, h . Soltanian-Zadeh“基于形状的图像检索相似的边缘定位autocorrelogram、”模式识别,36卷,不。8,1725 - 1736年,2003页。视图:出版商的网站|谷歌学术搜索
36. 女子和诉邦萨尔,“PATSEEK:专利数据库,基于内容的图像检索系统”第四届国际会议上电子商务学报》(ICEB ' 04)2004年12月,北京,中国。视图:谷歌学术搜索
37. l . Zelnik-Manor p . Perona一起,“自调优谱聚类”《第十八届会议上神经信息处理系统(捏' 04),2004年12月。视图:谷歌学术搜索
38. j .江b . Wang和z涂,“无监督指标通过免烫运营商学习”《IEEE计算机视觉国际会议(ICCV 11)2011年11月,页794 - 801。视图:出版商的网站|谷歌学术搜索
39. f . Mokhtarian s Abbasi, j .难应付的“高效、健壮的形状检索的内容通过曲率尺度空间,”学报》国际研讨会上图像数据库和多媒体搜索,35-42,1996页。视图:谷歌学术搜索

版权

版权©2015 Nouman卡迪尔et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。