基于高层语义的图像检索研究

论文摘要

目前,以数字图像为代表的视觉信息数量激增,如何快速有效地从海量数字化信息中检索出符合用户语义要求的图像,已成为急需解决的问题。本文以静止的自然图像为研究对象,提出了一种基于视觉注意机制和图像分割技术相结合的感兴趣区提取方法,建立了基于支持向量机的图像高层语义获取模型,开发了基于Matlab的图像高层语义获取系统和基于WEB的图像高层语义检索原型系统。该系统缩小了图像低层视觉特征与用户间的“语义鸿沟”,为图像理解和语义获取提供了有效途径。主要研究内容和结论如下:⑴以精确获取自然图像中对象的感兴趣区为目标,在Itti模型的基础上,提出了一种基于视觉注意机制和K均值聚类相结合的感兴趣区提取方法。该方法根据生物视觉注意机制与大脑皮质的认知过程,提取图像视觉特征。利用二阶高斯差分函数进行局部迭代,生成图像综合特征图和显著图。采用K均值聚类的方法将图像象素划分为3类,根据颜色聚类索引图生成区域分割图,结合显著图和区域分割图提取图像感兴趣区。实验结果表明,本文提出的方法更接近人类的视觉注意过程,能够提取不同图像背景下的目标区域,并具有一定的抗噪能力。⑵在获取图像感兴趣区的基础上,利用颜色矩、灰度共生矩阵和不变矩3种方法分别提取图像的颜色、形状、纹理等低层特征。根据支持向量机理论,设计语义分类器模型,以图像低层特征作为输入,对应的语义类别作为输出,选取径向基函数作为核函数,设置相关参数进行模型训练,有效实现图像低层特征到高层语义的映射,获取图像的高层语义信息。在SIMPLIcity图像数据库上进行语义分类实验结果表明,该模型能对静止的自然图像进行有效分类,平均分类正确率为84.4%。⑶在分析图像内容和研究图像高层语义获取的基础上,开发了基于WEB的图像高层语义检索原型系统。展示了图像语义获取的整个过程,实现了图像语义的有效分类,使用户能够利用语义关键词快速检索出符合要求的图像,并从准确度、响应时间和负载能力3方面对系统进行测试与评价。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 图像语义分类方法
• 1.4 研究目标和研究内容
• 1.5 研究方法
• 1.6 论文的组织结构
• 第二章 基于视觉注意机制的感兴趣区提取
• 2.1 视觉感兴趣区
• 2.2 视觉注意机制
• 2.2.1 视觉注意生物机理
• 2.2.2 视觉注意模型
• 2.3 感兴趣区提取模型
• 2.3.1 模型框架分析
• 2.3.2 视觉特征提取
• 2.3.3 高斯金字塔多尺度变换
• 2.3.4 特征图
• 2.3.5 多特征图合并方法研究
• 2.3.6 感兴趣区提取
• 2.4 实验结果与分析
• 2.5 小结
• 第三章 基于支持向量机的图像高层语义获取
• 3.1 感兴趣区特征提取
• 3.1.1 颜色特征
• 3.1.2 纹理特征
• 3.1.3 形状特征
• 3.2 基于支持向量机的高层语义获取模型
• 3.2.1 支持向量机理论
• 3.2.2 SVM 语义分类器结构
• 3.2.3 参数设置
• 3.2.4 SVM 训练与测试
• 3.3 实验结果与分析
• 3.4 小结
• 第四章 系统设计与实现
• 4.1 系统设计
• 4.1.1 系统框架
• 4.1.2 开发平台
• 4.2 系统开发关键技术及实现
• 4.2.1 图像数据库的管理
• 4.2.2 Matlab 与Java 数据交换
• 4.2.3 JavaBean 组件
• 4.2.4 M 文件编译
• 4.3 系统主要功能
• 4.3.1 功能模块设计
• 4.3.2 主要功能界面
• 4.4 系统测试与评价
• 4.4.1 准确度
• 4.4.2 响应时间
• 4.4.3 负载能力
• 4.5 小结
• 第五章 结论与展望
• 5.1 结论
• 5.2 展望
• 参考文献
• 致谢
• 作者简介