第1章 现勘图像检索综述 1
1.1 引言 1
1.1.1 现勘图像检索研究的意义 1
1.1.2 基于内容的图像检索 2
1.2 现勘图像数据库 4
1.3 现勘图像检索关键技术 9
1.3.1 现勘图像低层数字特征提取 9
1.3.2 现勘图像高层语义特征提取 13
1.4 现勘图像检索研究趋势 21
1.5 本章小结 23
参考文献 23
第2章 基于低层数字特征与高层语义特征的现勘图像检索技术 29
2.1 引言 29
2.2 基于融合特征与SVM分类的现勘图像检索算法 30
2.2.1 现勘图像低层数字特征的提取 31
2.2.2 特征融合 32
2.2.3 基于SVM分类的现勘图像检索机制 33
2.2.4 基于检索结果语义相似度的现勘图像检索机制 33
2.3 实验及结果分析 35
2.3.1 实验数据库及评价参数 35
2.3.2 结果分析 35
2.4 本章小结 39
参考文献 39
第3章 深度学习在现勘图像分类中的应用 42
3.1 引言 42
3.2 深度学习介绍 42
3.3 基于深度学习的现勘图像分类 44
3.4 本章小结 49
参考文献 49
第4章 轮胎花纹检索研究 51
4.1 引言 51
4.2 轮胎花纹数据库及检索性能评价指标 51
4.2.1 轮胎花纹数据库 52
4.2.2 检索性能评价指标 56
4.3 轮胎花纹检索算法 61
4.3.1 轮胎表面花纹图像检索算法 61
4.3.2 轮胎花纹磨损图像检索算法 67
4.3.3 视频轮胎花纹图像检索算法 68
4.3.4 轮胎压痕图像检索算法 70
4.4 轮胎花纹检索未来研究趋势 73
4.4.1 标准数据库及检索性能评价体系 74
4.4.2 深度学习在轮胎花纹检索中的应用 74
4.4.3 轮胎花纹数据安全和轮胎花纹图像检索的结合 74
4.4.4 轮胎压痕图像与轮胎花纹图像的结合 75
4.4.5 视频轮胎花纹图像的大数据应用 76
4.5 本章小结 76
参考文献 76
第5章 基于曲波变换域能量分布特性的轮胎花纹水印嵌入和纹理特征提取算法 82
5.1 引言 82
5.2 基于曲波变换的纹理特征提取 83
5.2.1 轮胎图像的曲波变换 83
5.2.2 轮胎花纹的纹理方向和能量特征 84
5.2.3 能量分布算法 85
5.2.4 纹理特征提取算法实验结果 87
5.3 基于曲波变换域能量分布的数字水印 89
5.3.1 水印嵌入 89
5.3.2 水印提取 90
5.4 数字水印算法结果分析 91
5.4.1 不可见性测试 91
5.4.2 鲁棒性测试 92
5.4.3 轮胎花纹检索测试 94
5.5 本章小结 96
参考文献 96
第6章 基于HOG域能量分布的纹理特征 98
6.1 引言 98
6.2 HOG特征 99
6.3 基于HOG域能量分布的轮胎花纹纹理特征 101
6.3.1 图像预处理 101
6.3.2 HOG特征提取 103
6.3.3 基于HOG域能量分布的轮胎花纹纹理特征提取 105
6.4 实验及结果分析 109
6.4.1 实验环境、数据库及检索性能评价指标 109
6.4.2 实验结果 111
6.5 本章小结 122
参考文献 122
第7章 总结与探讨 124
7.1 本书总结 124
7.2 未来研究方向 125
附录 CIIP-CSID介绍 127
附录1 现堪图像数据库介绍 127
附录2 轮胎花纹图像数据库介绍 132
附录3 SIFT特征在轮胎花纹检索中的应用 136
参考文献 145