一、基于内容的图像检索技术研究（论文文献综述）
张宁[1]（2021）在《基于特征工程的机织面料图像检索方法研究》文中指出面料检索是纺织企业面料生产和管理中的重要环节,不仅可以根据来样检索已有相似产品,直接调用工艺参数指导生产,省去来样分析和反复试织打样的繁重工作,还可以对面料产品进行数字化、智能化管理,对面料企业具有重要的现实意义。目前面料生产企业普遍采用实样存储法和基于文本的图像检索方法（TBIR）进行面料检索。然而,实样存储法占用保存和管理面料实样的资源,且人为比对查找的方式主观性强、准确率低下。TBIR法虽然在一定程度上提高了检索精度和效率,但需要对面料图像进行大量的文本标注,标注过程耗时费力,同样带有较强的主观性。因此,研究快速、有效且客观的面料检索方法是面料生产企业的迫切需求。现有基于特征工程的图像检索技术包括基于内容的图像检索（CBIR）和多模态融合检索,主要针对自然图像检索,难以对面料图像中蕴含的面料密度、组织结构、纱线细度等精细特征进行区分,而且缺少用于算法评估的标准面料图像数据集,直接采用现有检索技术进行面料检索难以获得较好的检索结果。目前,面料生产企业在仿样生产时,根据用户对不同面料属性的侧重共有4种需求,包括:（1）侧重纹理相似性;（2）侧重颜色相似性;（3）侧重纹理和颜色的联合相似性;（4）当用户不能提供与期望完全相符的样本而提供了相似样本时,需要文本描述辅助对面料属性进行更改。现有面料图像检索研究中,多采用CBIR法进行纹理和颜色联合相似性的检索,难以表征面料的精细特征,检索精度达不到工业应用的要求,而且检索方式单一,无法满足企业对于面料不同属性的侧重需求。本文针对上述问题,从生产企业的4种需求出发,通过构建种类繁多,类别覆盖面广的机织面料检索数据集作为数据支持和验证依据,基于特征工程研究机织面料图像侧重纹理相似性、颜色相似性、纹理和颜色联合相似性的检索方法以及多模态融合检索方法,满足不同的检索需求,提高检索精度和效率,并建立机织面料在线检索系统,实现企业高效管理与生产。本文的具体研究工作如下:（1）根据面料周期性特点,从全局和局部的角度,探讨了面料图像的宏观和精细纹理特征,提出一种侧重纹理相似性的面料检索方法。首先通过纹理增强提高了面料图像纹理特征的可表征性,然后设计并提取了基于傅里叶频谱环形分区的频率差异特征,获得面料的宏观和精细纹理特征;同时,探讨并提取了基于局部二值模式的局部精细纹理特征辅助表征面料图像。提出相似性乘积的方式综合两种特征的优点,实现了侧重纹理相似性的面料图像检索。实验结果表明:提出的方法能有效地检索纹理相似的面料图像,前8幅图像的平均检索率（P@8）和召回率（R@8）分别达83.1%、51.9%,平均检索精度（mAP）可达0.766,平均检索耗时达3.2秒,通过实验对比不同的纹理表征方法,验证了本文所提的面料纹理特征提取方法具有更好的适应性。（2）针对不同种类面料颜色不一、嵌线面料中部分颜色占比小的问题,提出了基于图像主色和分区颜色矩特征的侧重颜色相似性的面料检索方法。首先对面料图像进行缩放以减少运算时间,然后采用快速量化方法提取图像主色,并利用加权平均聚合法聚合非主色颜色集合,表征宏观和精细颜色特征,提升颜色占比小的面料的表征性能;同时,采用分区颜色矩提取表征颜色局部位置信息的局部特征,辅助区分不同类别的面料图像。同样采用相似性乘积的方式融合两种特征的优点。实验结果显示:平均P@8、R@8、m AP和检索耗时分别达84.5%、42.6%、0.754和2.8秒,与其他颜色表征方法相比,验证了所提方法更适用于表征面料的颜色信息。（3）基于迁移学习的思想,提出一种侧重纹理和颜色联合相似性的机织面料检索方法。首先依据卷积神经网络（CNN）模型的层级化表征机制,定位不同模块层中特征图的显着性激活区域,然后采用全局平均池化进行区域聚合,构建了包含宏观和精细特征的深度聚合特征,并探讨了不同模块层对于面料图像的表征能力。为了提高时效性,采用近似最近邻搜索中的Annoy算法进行相似性度量。提出的方法能联合表征面料的纹理和颜色,平均P@8、R@8、mAP和检索耗时分别达89.1%、56.0%、0.840和51.5毫秒,并比较了不同的特征提取方法和近似最近邻搜索算法,突出了方法在侧重纹理和颜色联合相似性的面料检索中的适用性。（4）从面料图像理解和属性挖掘的角度,融入用户对待检索图像的更改需求,提出一种基于多模态融合的机织面料检索方法。通过改进预训练CNN模型提取了宏观和精细特征可分离的图像视觉特征,通过长短时记忆网络提取了文本描述的语义特征。在多模态特征融合空间,通过设计门控和残差结构控制图像宏观和精细特征的选择性表达,并融合待检索面料的图像视觉特征和文本描述的语义特征,实现了通过文本描述对面料图像的检索结果进行灵活控制。实验结果显示:前1、5、10和20幅图像中用户期望的目标图像的平均召回率分别可达35.8%、67.6%、79.9%和89.9%,前5幅图像的平均检索率（P@5）达69.8%,平均检索耗时为13.2毫秒。结果表明了所提方法的可行性和高效性,可以实现检索结果的灵活控制。实验对比了不同的图像视觉表征方法和多模态特征融合方法,证明了所提方法更适用于机织面料多模态融合检索。结合上述针对4种检索需求的研究成果,本文构建了一套工业用机织面料在线检索系统,满足了面料生产企业的实际需求。所建立的系统在检索精度和时效性上远优于企业现有的方法,能够快速而有效地实现机织面料侧重纹理相似性、颜色相似性、纹理和颜色联合相似性的检索以及多模态融合检索,具有广阔的应用前景。
程述立[2]（2021）在《基于深度哈希的智能检索关键技术研究及应用》文中指出近年来,网络科技进步日新月异以及伴随着成像设备的更加成熟,网络上产生了大规模多媒体数据,大规模多媒体数据的飞速增长显着增大了数据中心的承载压力,如何从这些大规模多媒体数据中实现信息的快速检索显得尤为重要。由于哈希技术具有存储成本低和检索效率高的特性,这使得哈希技术成为当前大规模多媒体数据存储和检索的主流方法。与此同时,大规模多媒体检索具有广阔的市场和学术意义,在视觉常识推理、语音身份识别、淘宝购物、京东购物、智能导航和推荐系统等方面表现突出。在当前研究中,大规模多媒体检索仍然面临模态内的语义一致性问题和模态间的语义鸿沟问题。充分利用大规模多媒体数据的模态内部信息并建立不同模态数据的共享表示,这有利于提升大规模多媒体检索的性能。本文以图像数据和跨模态图像-文本数据为研究对象,结合哈希技术和注意力机制,从语义空间信息重构和哈希学习理论出发,重点提升大规模多媒体检索在实际应用中的可靠性和有效性。本文主要研究成果如下:（1）为了提升大规模图像检索的存储效率和检索实时性,分别提出了两种不同类型的深度哈希算法,即集成深度快速监督离散哈希算法和自适应非对称残差哈希算法。在集成深度快速监督离散哈希算法研究中,该算法采用两个并行特征提取器和自适应加权融合策略来构成集成网络模型以增强图像的特征表示,然后采用快速监督离散哈希来完成哈希编码。考虑到对称哈希学习方式的深度哈希算法和集成网络模型难以适应实际场景的应用需求,进而本文提出一种非对称哈希学习算法,即自适应非对称残差哈希算法。该算法首先采用自适应非对称残差哈希来学习查询点哈希码,然后数据库哈希码通过直接生成的方式获取,最后提出非对称成对损失来关联查询哈希码和数据库哈希码。所提出的算法优化残差哈希网络参数同时更新数据库哈希码。实验结果表明所提算法具有较好的图像检索性能。（2）为了进一步提升大规模图像检索的安全性和有效性,提出了保护图像数据隐私的检索方案,该方案不同于现存的检索方案,所提出的方案主要关注图像加密模块及索引提取模块。具体来说,在图像加密部分,本文采用四维超混沌系统和DNA编码技术来保护图像数据的隐私;在索引提取模块,本文采用深度哈希算法来构建图像索引,并且基于安全近似最近邻算法保护数据库样本的索引和查询样本的索引。云服务器采用安全近似最近邻算法来完成密文相似度计算。实验结果表明所提出的方案具有较好的安全性和有效性,该方案能抵御数据在传输过程中遭遇的常见类型攻击。（3）为了进一步提升模态信息的利用率以及挖掘模态间互补信息,提出了双向聚集语义对齐注意力网络的跨模态检索算法。所提算法首先采用双向聚集语义对齐注意力网络来共享模态语义信息以消除无关语义信息对跨模态检索的消极影响,然后利用轻量长时的条带池化注意力网络来捕获模态空间语义信息,最后使用全局协方差池化来对齐图像模态和文本模态的语义。在损失函数部分,提出双向聚集语义对齐损失,该损失包含排序损失和语义对齐损失以共同优化跨模态网络的模型参数。实验验证了双向聚集语义对齐注意力网络具有较好的图像搜文本和文本搜图像的检索效果。（4）为了进一步提升大规模跨模态图像-文本数据的存储和检索效率,提出了深度语义保持重构哈希的跨模态检索算法。所提出的算法首先采用二阶协方差池化和轻量长时的条带池化注意力网络来构建特征空间,然后使用特征重构层来实现跨模态语义信息的交互,最后提出语义保持重构损失来优化网络参数。从特征提取角度出发,通过轻量长时的注意力机制来获取重要的上下文模态语义信息;从网络优化角度出发,使用全局协方差池化来丰富语义并加速网络的收敛;在特征重构层中,使用两个瓶颈自编码来实现图像-文本模态语义的交互;在度量学习策略方面,本文设计了一种语义保持重构损失来优化模型参数以保留图像模态与文本模态的语义相关性。实验验证了深度语义保持重构哈希具有较好的跨模态图像-文本检索性能。（5）为了进一步减少哈希算法在应用场景中的模型复杂度以及提升哈希算法的检索精度,提出了多重语义重构哈希算法。在网络设计方面,本文构建了一种轻量双重注意力网络,该网络由有效通道注意力和高阶张量重构组成;接下来基于二阶统计优化算法来加快模型的收敛速度并在遥感特征哈希重构层中丰富遥感图像的语义表示;在度量学习策略方面,本文提出多重语义重构损失来训练遥感图像检索的网络模型。研究发现多重语义重构损失的超参数对数据集不敏感,因此本文将所提出的算法应用在组织病理学领域,实验结果表明多重语义重构哈希在遥感和组织病理学领域均发挥着重要作用。
吴英男[3]（2021）在《基于内容的图像检索技术的研究与系统实现》文中研究表明在我国科学技术不断发展进步的背景下,有关内容的图像检索技术也有了改进。尽管目前有相对准确的检索技巧,然而在图像特征准确性以及描述方面的内容还需要完善,人类所能感受到的图像与计算得出的数据会有差距,在对相关内容进行检索时同样会受到限制,无法将技术的整体作用展现出来。
张霞[4]（2021）在《基于低层特征的色纺面料图像检索系统开发》文中指出
霍文华[5]（2021）在《基于深度语义的图像检索算法》文中研究指明
常亮[6]（2021）在《基于云端加密图像的安全技术研究》文中指出数字时代的来临使得图像数据呈爆发增长的趋势,图像在日常生活中也扮演着重要角色。在医疗、金融等领域,工作者经常需要存储、转发和浏览一些含有敏感信息的图像。然而,在本地存储资源有限的条件下,这些图像的存储和安全管理对用户而言是一个巨大挑战。云计算技术的出现,使得作为的第三方云存储受到广泛欢迎。然而,作为第三方的云服务器是不完全可信的,用户上传的图像信息可能会泄露给第三方服务器,造成用户信息隐私的泄露。在云端存储模式下,用户的图像数据全部外包给云服务器进行统一的管理和管理。这就使得数据的安全和隐私问题成为云存储安全技术中的首要问题。为了保护图像信息的隐私,防止图像被非法访问,用户再将图像数据上传到服务器之前,需要先加密图像。但是图像被加密后,图像数据间的关联性等特性就会消失,这阻碍了他们对图像的使用,不满足实际需求。并且随着服务器中图像存储数量的增加,用户从图像库中获取有用信息的难度也在增加。这就使得如何在保护图像隐私的前提下对图像进行检索成为该领域下的一个热点问题。针对以上问题,本文对云环境下基于密文域上的图像检索方案进行研究。其主要工作具体如下:（1）提出了一种高效的对称同态加密方案,并通过直方图、信噪比、相关性分析等实验仿真,结果表明该加密方案具有良好的安全性。（2）通过结合SIFT特征提取、K-means聚类算法和以上所设计的对称同态加密方案,设计了一种密文域上的图像检索方案,利用两台服务器来进行图像的特征提取与图像检索仿真。通过在Corel-1000数据集和Oxford Buildings数据集下进行实验仿真表明该方案能够在加密图像中实现图像检索。与原有方案对比,本方案在密文域提取的特征还原率达90%以上,比原有方案提高2%;特征匹配准确率稳定在90%左右,匹配时间比原有方案提高60%。本方案在索引建立时间节约高达30%,而检索时间与在明文域内检索时间相当。检索准确率超过90%,比原有方案提高1.5%。
席佳妮[7]（2021）在《智能视觉物联网中基于车辆多属性检索的应用研究》文中研究指明智能视觉物联网,即具有视觉感知功能的物联网,它通过视觉传感器获取人、车、物的图像或视频数据,并对其所含信息进行处理以实现对内容的感知。车辆检索是智能视觉物联网中针对车辆这一对象的研究重点,同时也是智能交通系统的核心内容。且考虑到单一属性缺乏表达能力的情况,本文基于深度学习算法设计了应用在智能交通领域的基于内容的对车辆多属性检索的系统,本文具体工作如下:车辆检测的实现与跨数据集进行属性信息标注思路的提出。集成多尺度训练与测试、平衡采样、修改候选框参数及调整网络参数的方法对Faster R-CNN（Regions with CNN features）进行改进。结合目前公开数据集中单个数据集所含属性信息较为有限且人工标注需耗费大量资源的情况,本文提出跨数据集进行属性自动标注的策略,先利用包含车辆位置及车型信息的BIT-Vehicle数据集训练模型;然后利用该模型预测sv＿data数据集中图像的属性信息;最后依据预测结果生成属性标签文件,以解决该数据集中车辆位置及车型信息缺失的问题。为验证所提思路的可行性,依据sv＿data数据集的样本分布情况选取1600幅图像进行人工标注。实验结果表明,多尺度训练与测试可使两个数据集中图像所含目标区域尺寸逐渐接近,修改候选框参数可使模型生成尺寸更加贴近目标区域的候选框,这使得模型性能有所提升,且证明了跨数据集对缺失属性信息进行标注的策略可行。车辆多属性识别的实现。首先通过对比多种VGG（Visual Geometry Group）模型及以其作为基线模型形成的双线性卷积神经网络（Bilinear Convolutional Neural Networks,B-CNNs）的性能以验证B-CNNs性能的优越性;然后选取VGG模型中性能较优的两个模型VGG-16-BN（VGG with Batch Normalization）与VGG-19-BN作为本文改进后B-CNN的基线模型;最后通过添加自适应平均池化层、引入激活函数高斯误差线性单元（Gaussian Error Linear Unit,GELU）与融合多层次特征对其进行改进,实现对车辆颜色、品牌以及型号三种属性的识别。实验结果表明,自适应平均池化层的加入可以有效地减少模型所需训练时间,GELU激活函数的引入可以有效地提升模型精度,多层次特征的融合可以使模型捕获到更多有用的信息。基于内容的对车辆多属性检索系统的设计。利用Python与Py Qt5设计并搭建了一个适用于智能交通领域的车辆多属性检索系统,结合检测与多属性识别算法对训练集中图像进行特征提取,进而生成用以检索的特征库,通过对两种相似性度量方法的性能进行比较,选取余弦相似度作为本文特征向量之间的相似性度量方式,最终实现了基于内容的对车辆多属性的检索。
骆俊锋[8]（2021）在《基于目标检测的图像检索技术研究》文中指出随着多媒体技术的发展及信息化的普及,图像内容变得越来越复杂,具有多目标、多标签且具有复杂背景的图像在生活中更加常见,给基于内容的图像检索带来了更大的挑战。面对这个问题,部分研究者尝试将目标检测算法应用到图像检索中,但是简单的将目标检测应用于图像检索时,具有一定的缺陷。本文针对这些缺陷,提出了基于目标检测的结合高层语义与底层颜色特征的图像检索方法。本文的主要研究工作有如下两点:第一,针对目标检测算法对多目标多标签图像进行检测会返回多条不定数量的目标特征,不易进行相似度计算的缺陷,本文方法利用目标检测算法特征输出具有标签化信息的特点,将图像的高层语义特征进行二值编码。第二,目标检测算法提取的特征无法完整描述图像信息,需要利用其他特征进行补足。针对目标检测算法仅提取目标高层语义信息,缺少目标的底层信息,在检测相同类别时无法进行很好的区分的缺点;以及目标检测算法只对目标所在区域进行特征提取,缺少全局信息,丢失目标以外背景信息的缺点,本文方法分别使用局部颜色直方图和颜色矩进行补足:利用目标检测所确定的目标位置信息,提取目标所在局部的颜色直方图信息,在后续检索进行相似度计算时进行辅助计算,完成对目标物体的高层语义和底层颜色特征的完整描述;使用颜色矩对全局图像的颜色分布进行特征提取,作为目标特征以外的补充,减小了物体相似但是背景完全不同的缺陷,在返回相似度序列时,提高了具有近似颜色分布的图像的相似度。本文将提出的结合高层语义与底层颜色特征的图像检索方法在公开数据集上进行了相关实验。实验结果证明本文算法的平均准确率有所提升,查询结果更符合查询意图。
褚凯[9]（2021）在《基于深层特征的图像检索研究》文中指出图像检索是模式识别中极具挑战性的研究方向。其中特征提取和紧凑的特征描述是图像检索技术的重要组成部分。传统的图像检索技术主要由两部分组成:（1）基于文本的图像检索（TBIR）;（2）基于内容的图像检索（CBIR）。TBIR技术存在局限性且难以精确描述图像内容,而CBIR虽然能够通过低层视觉特征传达图像信息,但在高层语义表达方面仍存在很多不足。近些年,卷积神经网络（CNN）在图像检索和图像分类等任务中取得优异表现。在卷积神经网络中,通常采用预先训练CNN模型的卷积层或池化层的激活表示图像高级语义信息。虽然在语义表达方面优于传统图像检索技术,但是所带来检索性能的提升十分有限。而在预先训练卷积神经网络的基础上进行针对性再训练,不仅可以获得高效的特征表示,并且在表示图像深度语义方面有显着优势。针对于不同的检索任务,本文给出不同的解决方案。主要内容如下:1.在CBIR中,本文提出一种多阶段特征整合的图像检索方法。首先将输入图像从RGB颜色空间转换到符合人类视觉感知的HSV颜色空间,并计算图像颜色和颜色差;然后通过简单的颜色差计算得到图像的边缘特征;最后通过多阶段特征整合组合低级视觉特征表示图像内容。基于多阶段特征整合方案不仅能够描述图像颜色和边缘属性,而且可以很好地表示图像区域和空间排列信息。实验结果表明,在传统的图像检索数据集（Corel-10K、GHIM-10K和Corel-5K）中,本文提出的多阶段特征整合方案具有优秀的辨别能力。2.通过整合图像低级视觉特征可以很好地表示图像视觉内容,但基于多阶段特征整合方案始终属于手工特征提取方法,难以真正处理图像语义问题。为了更好地缓解图像语义差异,本文提出了一种基于端到端微调再训练的深层特征图像检索方法。在预先训练卷积神经网络（Alex Net、VGGNet和Goog Le Net）的基础上采用孪生网络架构进行对比损失训练,并对不同的网络基准进行性能比较。并且通过学习白化参数和加权扩展查询方法进一步提升图像检索性能。同时在训练数据集的选择方面,本文采用更接近实例图像检索任务的训练数据集,使得网络参数的学习更具有针对性。尽管本文提出的多阶段特征整合方案在图像检索中有良好的表现,但是手工特征提取方法不适用于实例图像检索。在实例图像检索数据集（Oxford5k、Paris6k和Holidays）上的性能表现证明,基于微调再训练的深层特征图像检索方法不仅优于传统的基于内容的图像检索方法,而且优于预先训练的卷积神经网络的特征提取方法,同时能够更好地应对“语义鸿沟”问题。
舒永康[10]（2021）在《基于弱监督的社交媒体图像多目标哈希方法研究与检索系统实现》文中研究表明基于内容的图像检索作为信息检索领域重要的研究技术之一,可以在海量的图像数据中检索出所需要的数据,在大数据时代背景下具有重要的作用。社交媒体图像检索作为一个重要的应用场景,在长期的发展过程中,主流的方法都将图像使用单个特征进行表示,其内在的缺陷导致检索形式单一、检索效果欠佳。在实际的检索应用中,人工标签缺乏导致训练不佳、维度灾难导致检索响应慢等问题也会同时出现。在本文中为了解决社交媒体图像检索在实际应用中存在的多个问题,提出了一个解决整体问题的方法,实现一个基于弱监督检测的图像多目标哈希检索方法,通过使用社会弱标签学习图像中各目标的哈希表示,解决了监督式学习对人工标签的依赖问题,还可以有效提高检索效果,丰富检索形式,其主要的工作内容如下:（1）为了有效地利用社会标签中的信息,针对社会标签中所存在的噪声、缺失、表达差异等问题展开了研究,分别提出了对应的优化处理方案,重点引入了Word Net模型根据语义对噪声进行处理,通过融合社会标签之间的关联性和图像视觉特征之间的相似性进行社会标签补全优化,还通过语义聚类解决表达差异的问题,从多方面完成了社会标签的优化工作,改善社会标签质量。（2）针对当前主流社交媒体图像检索方法中将图像使用单一的特征编码表示,导致当进行多目标图像检索时性能不佳和检索形式单一的问题,以及强监督学习对人工标签的依赖问题,提出了基于弱监督检测的图像多目标哈希模型,通过构建一个多任务深度学习的网络架构,使用优化的社会标签,在两个任务分支中分别学习图像目标区域检测和目标哈希表示,每幅图像的特征由一个目标哈希集合表示,可以兼顾图像检索对时间、准确率的要求,并可有效扩充图像检索的形式。（3）在弱监督检测学习以及哈希学习两个任务分支上,都会面临标签的不准确性问题,对此设计了标签加权的损失函数,降低噪声标签对模型训练的干扰,并将两个相关任务结合设置了一个共同的优化损失函数,完成多任务模型的训练。大量的实验对比结果证明,本文中的标签优化方法可以明显的改善社会标签质量,对于检索任务的模型训练提供了良好的基础支撑。在提出的基于弱监督检测的图像多目标哈希模型上,可以有效地获取图像中各目标的哈希特征表示。在多个图像检索的评估指标下,相比当前的主流社交媒体图像检索方法具有明显的优势,并且在实际的检索效果对比下,检索结果更符合实际检索需求。在最后,依托于本文所提出的图像多目标哈希检索方法,结合实际的图像检索需求,设计并实现了一个功能完善的社交媒体图像检索系统,具有较好的使用体验。
二、基于内容的图像检索技术研究（论文开题报告）
（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于内容的图像检索技术研究（论文提纲范文）
（1）基于特征工程的机织面料图像检索方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于内容的图像检索技术 |
| 1.2.2 多模态融合检索技术 |
| 1.2.3 面料图像检索技术 |
| 1.3 本文研究工作 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 第二章 机织面料检索数据集构建和系统架构 |
| 2.1 机织面料图像采集 |
| 2.2 机织面料检索数据集构建 |
| 2.2.1 机织面料分类 |
| 2.2.2 CBIR评估数据集 |
| 2.2.3 MFR训练和评估数据集 |
| 2.3 机织面料图像预处理 |
| 2.3.1 纹理增强 |
| 2.3.2 图像缩放 |
| 2.4 机织面料在线检索系统架构 |
| 2.4.1 系统需求分析 |
| 2.4.2 系统架构 |
| 2.4.3 系统搭建 |
| 2.5 本章小结 |
| 第三章 基于纹理特征的机织面料图像检索 |
| 3.1 面料图像纹理特征构建 |
| 3.2 机织面料全局纹理特征 |
| 3.2.1 离散傅里叶变换 |
| 3.2.2 傅里叶特征提取 |
| 3.3 机织面料局部纹理特征 |
| 3.3.1 LBP算子 |
| 3.3.2 LBP特征提取 |
| 3.4 机织面料图像特征相似性度量 |
| 3.5 实验结果与讨论 |
| 3.5.1 特征参数优选 |
| 3.5.2 检索结果与分析 |
| 3.5.3 方法对比与分析 |
| 3.6 算法系统集成 |
| 3.7 本章小结 |
| 第四章 基于颜色特征的机织面料图像检索 |
| 4.1 面料图像颜色特征构建 |
| 4.2 机织面料全局颜色表征 |
| 4.2.1 颜色量化方法 |
| 4.2.2 图像主色特征提取 |
| 4.3 机织面料局部颜色表征 |
| 4.3.1 图像颜色矩 |
| 4.3.2 分区颜色矩特征提取 |
| 4.4 颜色特征相似性度量 |
| 4.5 实验结果与讨论 |
| 4.5.1 特征参数优选 |
| 4.5.2 检索结果与分析 |
| 4.5.3 方法对比与分析 |
| 4.6 算法系统集成 |
| 4.7 本章小结 |
| 第五章 基于纹理和颜色联合特征的机织面料图像检索 |
| 5.1 CNN的可迁移机制 |
| 5.1.1 迁移学习概述 |
| 5.1.2 CNN概述 |
| 5.1.3 CNN的可迁移性分析 |
| 5.2 机织面料图像深度聚合特征构建 |
| 5.2.1 VGG-16模型 |
| 5.2.2 深度聚合特征构建 |
| 5.3 机织面料图像特征相似性度量 |
| 5.3.1 近似最近邻搜索算法 |
| 5.3.2 Annoy算法 |
| 5.4 实验结果与讨论 |
| 5.4.1 特征参数优化 |
| 5.4.2 方法有效性验证 |
| 5.4.3 方法对比与分析 |
| 5.5 算法系统集成 |
| 5.6 本章小结 |
| 第六章 基于多模态融合的机织面料图像检索 |
| 6.1 机织面料MFR框架 |
| 6.2 机织面料图像视觉表征与聚合 |
| 6.2.1 图像视觉表征 |
| 6.2.2 图像视觉特征聚合 |
| 6.3 机织面料文本描述的语义表征 |
| 6.3.1 循环神经网络 |
| 6.3.2 长短时记忆网络 |
| 6.4 机织面料多模态特征融合 |
| 6.5 实验结果及讨论 |
| 6.5.1 特征参数优化 |
| 6.5.2 模型有效性验证 |
| 6.5.3 方法对比与讨论 |
| 6.6 算法系统集成 |
| 6.7 本章小结 |
| 第七章 主要结论与展望 |
| 7.1 主要结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 致谢 |
| 参考文献 |
| 附录A:作者在攻读博士学位期间的科研成果 |
| 附录B:机织面料多模态融合检索的文本描述汇总 |
| 附录C:计算机软件着作权登记证书 |
| 附录D:计算机软件成果推广应用证明 |
（2）基于深度哈希的智能检索关键技术研究及应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 单模态图像检索研究现状 |
| 1.2.2 隐私保护图像检索方案研究现状 |
| 1.2.3 跨模态图像-文本检索研究现状 |
| 1.2.4 相关应用 |
| 1.3 课题来源 |
| 1.4 本文研究内容及章节安排 |
| 1.4.1 论文研究内容 |
| 1.4.2 论文章节安排 |
| 第2章 相关理论和技术介绍 |
| 2.1 单模态图像检索相关理论与技术 |
| 2.1.1 传统哈希的图像检索算法 |
| 2.1.2 深度哈希的图像检索算法 |
| 2.2 跨模态图像-文本检索相关理论与技术 |
| 2.2.1 实值跨模态图像-文本检索 |
| 2.2.2 深度哈希跨模态图像-文本检索 |
| 2.3 算法评价指标 |
| 2.4 本章小结 |
| 第3章 基于深度哈希的单模态图像检索 |
| 3.1 引言 |
| 3.1.1 集成深度网络模型与传统哈希算法 |
| 3.1.2 残差学习与目标哈希码生成 |
| 3.2 基于深度哈希的单模态图像检索方法概述 |
| 3.2.1 集成深度快速监督离散哈希 |
| 3.2.2 自适应非对称残差哈希 |
| 3.3 实验结果及分析 |
| 3.3.1 集成深度快速监督离散哈希实验及分析 |
| 3.3.2 自适应非对称残差哈希实验及分析 |
| 3.4 本章小结 |
| 第4章 基于哈希索引隐私保护的图像检索方案 |
| 4.1 引言 |
| 4.2 基于哈希索引隐私保护的图像检索方案方法概述 |
| 4.2.1 隐私保护图像检索方案 |
| 4.2.2 索引提取及密文相似度计算 |
| 4.2.3 图像隐私保护 |
| 4.3 实验结果及分析 |
| 4.3.1 图像加密密钥敏感性分析 |
| 4.3.2 图像加密熵值分析 |
| 4.3.3 图像加密相关性分析 |
| 4.3.4 抗阻塞攻击分析 |
| 4.3.5 检索性能分析 |
| 4.3.6 隐私保护检索方案的数据流向 |
| 4.4 本章小结 |
| 第5章 基于双向聚集语义对齐注意力网络的跨模态检索 |
| 5.1 引言 |
| 5.2 双向聚集语义对齐注意力网络方法概述 |
| 5.2.1 多模态特征提取 |
| 5.2.2 多模态信息增强模块 |
| 5.2.3 双向聚集注意力机制 |
| 5.2.4 语义对齐模块 |
| 5.2.5 双向聚集语义对齐损失函数 |
| 5.3 实验结果及分析 |
| 5.3.1 实验参数设置 |
| 5.3.2 算法性能比较 |
| 5.3.3 消融分析 |
| 5.3.4 注意力机制分析 |
| 5.3.5 可视化分析 |
| 5.4 本章小结 |
| 第6章 基于深度语义保持重构哈希的跨模态检索 |
| 6.1 引言 |
| 6.1.1 深度哈希跨模态图像-文本研究 |
| 6.1.2 高阶统计优化研究 |
| 6.2 深度语义保持重构哈希方法概述 |
| 6.2.1 语义保持重构哈希网络架构 |
| 6.2.2 视觉-语言特征空间 |
| 6.2.3 特征重构层 |
| 6.2.4 语义保持重构损失 |
| 6.3 实验结果及分析 |
| 6.3.1 实验参数设置 |
| 6.3.2 算法性能比较 |
| 6.3.3 消融分析 |
| 6.3.4 相关指标分析 |
| 6.4 本章小结 |
| 第7章 深度哈希在遥感和组织病理学领域应用 |
| 7.1 引言 |
| 7.1.1 深度哈希在遥感领域相关应用 |
| 7.1.2 深度哈希在组织病理学领域相关应用 |
| 7.2 低秩语义重构哈希方法概述 |
| 7.2.1 低秩语义特征重构哈希网络架构 |
| 7.2.2 多重语义重构损失 |
| 7.3 遥感领域相关应用 |
| 7.3.1 实验参数设置 |
| 7.3.2 算法性能比较 |
| 7.3.3 参数敏感度分析 |
| 7.3.4 消融分析 |
| 7.4 组织病理学领域相关应用 |
| 7.4.1 实验参数设置 |
| 7.4.2 算法性能比较 |
| 7.5 本章小结 |
| 第8章 总结和展望 |
| 8.1 工作总结 |
| 8.2 工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
（3）基于内容的图像检索技术的研究与系统实现（论文提纲范文）
| 0 引言 |
| 1 图像检索技术在国内外的主要发展状况 |
| 2 对不同图像之间的内容展开研究 |
| 2.1 有关图像颜色方面的内容 |
| 2.2 有关图像纹理方面的内容 |
| 2.3 有关图像形状方面的内容 |
| 2.4 有关图像空间关系方面的内容 |
| 3 当前我国内容图像检索技术的发展前景 |
| 4 结论 |
（6）基于云端加密图像的安全技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作和内容安排 |
| 第二章 相关技术知识 |
| 2.1 SIFT |
| 2.2 同态加密 |
| 2.3 对称加密与非对称加密 |
| 2.4 本章小结 |
| 第三章 对称同态加密算法 |
| 3.1 引言 |
| 3.2 对称同态加密算法 |
| 3.3 加密算法可行性分析 |
| 3.3.1 密钥空间分析 |
| 3.3.2 直方图分析 |
| 3.3.3 均方误差和峰值信号噪声比 |
| 3.3.4 相关性分析 |
| 3.3.5 方案仿真 |
| 3.4 本章小结 |
| 第四章 图像特征的安全提取 |
| 4.1 用户与云端交互模型 |
| 4.2 图像特征安全提取方案 |
| 4.3 矩阵运算协议 |
| 4.4 在加密域中提取图像特征 |
| 4.5 实验分析 |
| 4.6 本章小结 |
| 第五章 基于隐私保护的图像检索 |
| 5.1 检索方案介绍 |
| 5.1.1 实验模型 |
| 5.1.2 系统框架图 |
| 5.2 相关算法 |
| 5.2.1 欧氏距离 |
| 5.2.2 K-means聚类算法 |
| 5.2.3 BOW模型 |
| 5.2.4 KD树 |
| 5.3 图像索引的建立 |
| 5.3.1 欧式距离计算协议 |
| 5.3.2 K-means聚类 |
| 5.3.3 BOW特征生成 |
| 5.3.4 建立图像索引 |
| 5.3.5 安全检索算法 |
| 5.4 安全性分析 |
| 5.5 实验分析 |
| 5.5.1 模拟云端的搭建 |
| 5.5.2 性能分析 |
| 5.5.3 实验仿真 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（7）智能视觉物联网中基于车辆多属性检索的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车辆检测研究现状 |
| 1.2.2 车辆颜色识别研究现状 |
| 1.2.3 车型识别研究现状 |
| 1.2.4 车辆多属性检索研究现状 |
| 1.3 本文主要工作内容 |
| 1.4 本文的章节安排 |
| 第二章 深度学习理论 |
| 2.1 人工神经网络 |
| 2.1.1 前向传播 |
| 2.1.2 反向传播 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.3 激活函数 |
| 2.3.1 Sigmoid激活函数 |
| 2.3.2 Tanh激活函数 |
| 2.3.3 Re LU激活函数 |
| 2.4 小结 |
| 第三章 车辆检测与跨数据集属性信息标注 |
| 3.1 Faster R-CNN |
| 3.1.1 区域建议网络 |
| 3.1.2 感兴趣区域池化层与分类回归 |
| 3.1.3 损失函数 |
| 3.2 基于Faster R-CNN的改进模型 |
| 3.2.1 预处理 |
| 3.2.2 特征提取与区域建议网络 |
| 3.2.3 感兴趣区域池化层与分类 |
| 3.2.4 测试 |
| 3.3 实验结果分析 |
| 3.3.1 实验环境、评价标准及数据集 |
| 3.3.2 多种特征提取网络性能的实验分析 |
| 3.3.3 添加多尺度调整的实验分析 |
| 3.3.4 修改候选框参数的实验分析 |
| 3.4 本章小结 |
| 第四章 车辆多属性识别 |
| 4.1 B-CNN |
| 4.2 基于B-CNN的改进模型 |
| 4.2.1 基线模型 |
| 4.2.2 添加自适应平均池化层 |
| 4.2.3 GELU激活函数 |
| 4.2.4 多层次特征融合 |
| 4.2.5 模型训练方法及损失函数 |
| 4.3 实验结果分析 |
| 4.3.1 多种VGG模型性能的实验分析 |
| 4.3.2 多种B-CNN性能的实验分析 |
| 4.3.3 添加自适应平均池化层的实验分析 |
| 4.3.4 GELU激活函数性能的实验分析 |
| 4.3.5 车辆多属性识别的实验分析 |
| 4.4 本章小结 |
| 第五章 基于内容的车辆多属性检索 |
| 5.1 基于内容的图像检索 |
| 5.1.1 基于内容的图像检索 |
| 5.1.2 相似性度量 |
| 5.1.3 检索性能的评价标准 |
| 5.2 基于内容的车辆多属性检索 |
| 5.2.1 特征库的建立 |
| 5.2.2 相似性度量 |
| 5.3 实验结果分析 |
| 5.3.1 数据集 |
| 5.3.2 检索性能的实验分析 |
| 5.4 CBIR检索系统的设计 |
| 5.4.1 图像检索系统介绍 |
| 5.4.2 图像检索系统的界面设计 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 附录 攻读硕士学位期间的研究成果 |
（8）基于目标检测的图像检索技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 传统基于内容的图像检索技术 |
| 1.2.2 基于深度学习的图像检索技术 |
| 1.3 主要研究内容 |
| 1.4 章节安排 |
| 第二章 基础理论及方法 |
| 2.1 基于内容的图像检索技术介绍 |
| 2.1.1 常用图像特征简介 |
| 2.1.2 常用相似度计算方法 |
| 2.2 目标检测算法介绍 |
| 2.2.1 R-CNN算法 |
| 2.2.2 YOLO算法 |
| 2.3 本章小结 |
| 第三章 结合高层语义与底层颜色特征的图像检索 |
| 3.1 图像高层语义的提取与二值化 |
| 3.2 底层颜色特征的提取 |
| 3.2.1 颜色直方图特征 |
| 3.2.2 颜色矩特征 |
| 3.3 倒排索引和相似度计算 |
| 3.3.1 倒排索引 |
| 3.3.2 相似度计算 |
| 3.4 本章小结 |
| 第四章 实验结果与分析 |
| 4.1 实验环境介绍 |
| 4.2 数据集及配置 |
| 4.2.1 PASCAL VOC图像数据集 |
| 4.2.2 Microsoft COCO图像数据集 |
| 4.3 评价指标 |
| 4.4 实验结果及分析 |
| 4.4.1 结合高层语义与底层颜色特征的图像检索性能测试 |
| 4.4.2 高层语义与底层颜色特征结合的有效性实验 |
| 4.5 本章小结 |
| 第五章 图像检索系统的实现 |
| 5.1 系统功能与设计 |
| 5.2 系统实现与展示 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（9）基于深层特征的图像检索研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 CBIR技术研究现状 |
| 1.2.2 基于深层特征的图像检索研究现状 |
| 1.3 主要研究内容 |
| 1.4 主要章节安排 |
| 第二章 图像检索相关理论及方法 |
| 2.1 图像检索的典型流程 |
| 2.1.1 经典图像检索流程 |
| 2.1.2 基于深层特征的图像检索流程 |
| 2.2 低级视觉特征 |
| 2.2.1 颜色特征 |
| 2.2.2 纹理特征 |
| 2.2.3 形状特征 |
| 2.2.4 局部特征 |
| 2.3 高级语义特征 |
| 2.4 相似性度量方法 |
| 2.5 检索性能评估指标 |
| 2.6 本章小结 |
| 第三章 基于多阶段特征整合方案的图像检索 |
| 3.1 颜色空间转换 |
| 3.2 颜色特征提取与初始特征融合 |
| 3.3 多阶段特征整合方案 |
| 3.3.1 第一阶段边缘特征整合 |
| 3.3.2 第二阶段边缘特征整合 |
| 3.3.3 第三阶段边缘特征整合 |
| 3.4 视觉特征表示 |
| 3.5 实验结果及分析 |
| 3.5.1 数据集 |
| 3.5.2 算法评估及分析 |
| 3.6 本章小节 |
| 第四章 基于端到端再训练的深层特征图像检索 |
| 4.1 深度学习概述 |
| 4.2 卷积神经网络模型 |
| 4.2.1 AlexNet |
| 4.2.2 VGGNet |
| 4.2.3 GoogLeNet |
| 4.3 本章算法 |
| 4.3.1 训练数据集 |
| 4.3.2 网络初始化 |
| 4.3.3 训练参数配置 |
| 4.3.4 端到端孪生网络训练 |
| 4.3.5 广义平均池化 |
| 4.3.6 视觉特征表示 |
| 4.4 实验结果及分析 |
| 4.4.1 测试数据集 |
| 4.4.2 主成分分析及白化 |
| 4.4.3 加权扩展查询 |
| 4.4.4 算法评估与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间的科研情况 |
| 致谢 |
（10）基于弱监督的社交媒体图像多目标哈希方法研究与检索系统实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 图像检索研究现状 |
| 1.2.2 社交媒体图像检索研究现状 |
| 1.2.3 多目标图像检索研究现状 |
| 1.3 主要研究内容与创新点 |
| 1.4 论文组织框架 |
| 第二章 相关技术理论与方法 |
| 2.1 图像检索技术 |
| 2.1.1 基于内容的图像检索 |
| 2.1.2 哈希图像检索 |
| 2.1.3 多目标图像检索 |
| 2.2 弱监督学习 |
| 2.2.1 弱监督学习定义及分类 |
| 2.2.2 弱监督哈希学习 |
| 2.2.3 弱监督目标检测 |
| 2.3 多任务学习 |
| 2.4 本章小结 |
| 第三章 社会标签优化方法 |
| 3.1 社会标签分析 |
| 3.2 噪声标签处理 |
| 3.2.1 WordNet模型 |
| 3.2.2 语义过滤 |
| 3.2.3 词性过滤 |
| 3.3 标签补全优化 |
| 3.4 标签语义聚类 |
| 3.5 实验对比 |
| 3.5.1 社会标签图像数据集 |
| 3.5.2 评价指标 |
| 3.5.3 相似性度量方法 |
| 3.5.4 实验与分析 |
| 3.6 本章小结 |
| 第四章 基于弱监督检测的图像多目标哈希学习 |
| 4.1 基于弱监督检测的多目标哈希模型 |
| 4.2 目标建议区域特征表示 |
| 4.3 弱监督目标检测分支 |
| 4.4 多目标哈希学习分支 |
| 4.5 模型训练 |
| 4.6 实验对比 |
| 4.6.1 实验数据集 |
| 4.6.2 评估指标 |
| 4.6.3 相似性度量方法 |
| 4.6.4 实验与分析 |
| 4.7 本章小结 |
| 第五章 基于多目标的图像检索系统的设计与实现 |
| 5.1 系统开发与运行环境 |
| 5.1.1 硬件环境 |
| 5.1.2 软件环境 |
| 5.2 系统设计 |
| 5.2.1 系统功能描述 |
| 5.2.2 系统框架设计 |
| 5.2.3 系统实现 |
| 5.3 系统功能展示 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的科研成果 |
四、基于内容的图像检索技术研究（论文参考文献）
- [1]基于特征工程的机织面料图像检索方法研究[D]. 张宁. 江南大学, 2021
- [2]基于深度哈希的智能检索关键技术研究及应用[D]. 程述立. 新疆大学, 2021
- [3]基于内容的图像检索技术的研究与系统实现[J]. 吴英男. 电子元器件与信息技术, 2021(08)
- [4]基于低层特征的色纺面料图像检索系统开发[D]. 张霞. 江南大学, 2021
- [5]基于深度语义的图像检索算法[D]. 霍文华. 燕山大学, 2021
- [6]基于云端加密图像的安全技术研究[D]. 常亮. 北方工业大学, 2021(11)
- [7]智能视觉物联网中基于车辆多属性检索的应用研究[D]. 席佳妮. 内蒙古大学, 2021(12)
- [8]基于目标检测的图像检索技术研究[D]. 骆俊锋. 北方工业大学, 2021(01)
- [9]基于深层特征的图像检索研究[D]. 褚凯. 广西师范大学, 2021(09)
- [10]基于弱监督的社交媒体图像多目标哈希方法研究与检索系统实现[D]. 舒永康. 西北大学, 2021(12)