LIRe提供的6种图像特征描述方法的评测
来源:互联网 发布:pigalle红磨坊 知乎 编辑:程序博客网 时间:2024/06/05 05:18
Rui Gan等人(看名字来说应该是中国人,机构写的Sun Yat-sen University应该是中山大学,但是很不幸没有找到相应的中文论文)在论文《Using LIRe to Implement Image Retrieval System Based on Multi-Feature Descriptor》中,测试了开源基于内容的图像检索类库LIRe的各种图像特征的性能。在此记录一下以作参考。
这里再提一下LIRe的简介:LIRE(Lucene Image REtrieval)提供一种的简单方式来创建基于图像特性的Lucene索引。利用该索引就能够构建一个基于内容的图像检索(content- based image retrieval,CBIR)系统,来搜索相似的图像。LIRE使用的特性都取自MPEG-7标准: ScalableColor、ColorLayout、EdgeHistogram,目前已经支持其他更多的特性。此外该类库还提供一个搜索该索引的方法。
本文测试了LIRe提供的以下6种特征描述方法:
实验以供选择了13个种类,一共100张图片做测试,这些图如下图所示(只是一部分):
测试的步骤不再多说,就是使用LIRe的6种特征描述方法分别建立6个索引,然后分别检索。最后得到的实验结果如图所示:
注:6种特征描述方法分别标以A,B,C,D,E,F,G。其中C为最常见的颜色直方图。
查准率(Precision)如下表所示。
查全率(Recall)如下表所示。
查全率和查准率合计如下表所示。
左边一栏对不同种类的图片分别给出了最适合的特征描述方法。
右边一栏对不同种类的图片分别给出了6种方法结合后的查全率和查准率。
论文地址:http://www.cnki.net/KCMS/detail/detail.aspx?QueryID=2&CurRec=1&recid=&filename=SZZZ201208001534&dbname=IPFDLAST2013&dbcode=IPFD&pr=&urlid=&yx=&uid=WEEvREcwSlJHSldSdnQ1ZCtUQmpGUjNLZ0x6bWI1NVYySGhtNnloM2hQYWZGeVdLajVLemFKOTFiVzhjU2ZnPQ==&v=MTMxODZmUmRMRzRIOVBNcDQ5RlplNE1DQk5LdWhkaG5qOThUbmpxcXhkRWVNT1VLcmlmWnVWdUZpanNVN2pMS0Y0VE5q
LIRe首页:http://www.semanticmetadata.net/lire/
相关下载:
LIRE 源代码:http://download.csdn.net/detail/leixiaohua1020/6373719
LireDemo (LIRE的例子):http://download.csdn.net/detail/leixiaohua1020/6372101
- LIRe提供的6种图像特征描述方法的评测
- 图像特征的描述方法
- 使用LIRe来实现基于多特征描述符的图像检索系统
- LIRe提供的图像检索算法的速度
- 一次lire 图像搜索调用方法的查看
- 【图像特征提取6】ORB特征点的描述----BRIEF描述子
- LIRE代码剖析3——常用的特征提取与匹配方法
- LIRE代码剖析3——常用的特征提取与匹配方法
- 特征描述子评测
- LIRe图像检索:RGB和HSV空间的颜色直方图
- 基于LIRE的图像检索系统(C/S架构)
- 二值化的SIFT特征描述子及图像拼接优化
- LIRE代码剖析4——LIRE中比较重要的方法
- LIRe图像检索:Tamura纹理特征算法源码分析
- 基于特征的图像配准方法
- 【图像特征提取3】局部二值模式LBP特征描述符C++代码的实现
- 图像特征描述SIFT、SURF、ORB、HOG、HAAR、LBP特征的原理概述
- 常见的图像特征即特征匹配方法
- EasyUi_学习之路_06
- 2013年10月15日星期二——java web 环境搭建(MySQL)
- 百度搜索引擎
- 1.1 《硬啃设计模式》 第1章 大话设计模式
- xcode:关于Other Linker Flags
- LIRe提供的6种图像特征描述方法的评测
- android菜单机制
- probe函数个人理解
- Missian指南三:创建一个Missian服务器(使用spring)
- 三大框架整合ssh(三)-----service层
- c++ 析构函数为虚函数 可以防止内存泄露
- xcode编译错误总结
- Paper Notes: On Community Detection in Real-world Networks and the Importance of Degree Assortativit
- get和post的区别