本文關(guān)鍵詞：大規(guī)模旅游景點圖像檢索　出處：《安徽大學(xué)》2016年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 旅游景點 圖像檢索 卷積神經(jīng)網(wǎng)絡(luò) 圖像哈希

【摘要】：隨著旅游業(yè)的飛速發(fā)展,網(wǎng)絡(luò)上各個景點圖片泛濫,圖像數(shù)據(jù)越來越龐大,很多時候?qū)τ跒g覽的某張美麗的風(fēng)景圖片但是并不知道屬于哪個景點。因此,如何從如此大規(guī)模的圖像數(shù)據(jù)中快速準(zhǔn)確的搜索到所需的景點信息是一個很實用并亟待解決的問題。近年來,大規(guī)模圖像檢索方法已日漸成熟,為能夠從海量景點圖像中準(zhǔn)確地找到目標(biāo)圖像提供了可能性。論文結(jié)合近幾年大規(guī)模圖像檢索和圖像處理等方法來實現(xiàn)對大規(guī)模旅游景點圖像的檢索。論文主要工作如下：(1)研究了圖像檢索的基本理論知識及常用方法,主要包括：基于圖像全局特征的描述符GIST和基于圖像局部特征構(gòu)建的詞袋模型(bag-of-feature,簡稱BOF)。GIST特征是利用多組Gabor濾波器與圖像卷積,并對圖像進(jìn)行網(wǎng)格劃分,將不同網(wǎng)格的卷積結(jié)果級聯(lián)得到圖像的全局特征。但是這種特征提取方法往往依賴于對網(wǎng)格的劃分而且只有在不同圖像整體相似度較高的情況下檢索效果好。BOF模型是借鑒于對文本檢索的方法,一般是通過SIFT(scale invariant feature transform)算法提取圖像局部特征并利用k-means進(jìn)行聚類得到低維的視覺詞典,用基于視覺詞典的直方圖向量表征圖像特征。但是在圖像種類較多時,視覺詞典的維數(shù)會很大,不便于構(gòu)建BOF模型。(2)為改進(jìn)這兩種方法在大規(guī)模圖像檢索中準(zhǔn)確度等缺點,論文利用Alex等人提出的8層卷積神經(jīng)網(wǎng)絡(luò)作為特征提取的框架,取最后一個全連接層作為圖像特征,并通過主成分分析方法對其進(jìn)行降維,然后利用基于局部敏感哈希(locality sensitive hashing,簡稱LSH)的近似最近鄰算法構(gòu)建低維的特征索引結(jié)構(gòu)。利用卷積神經(jīng)網(wǎng)絡(luò)提取特征的優(yōu)勢和哈希索引結(jié)構(gòu)在檢索中的高效率,解決了傳統(tǒng)方法在圖像檢索時準(zhǔn)確度等方面的不足。(3)論文利用該算法對北京市1740個旅游景點進(jìn)行圖像檢索實驗,結(jié)果表明,與上述兩種算法相比,對于多數(shù)的景點該方法在檢索的準(zhǔn)確度上都有比較明顯的優(yōu)勢,當(dāng)景點圖像庫中的某個景點相似圖像較少時,查詢結(jié)果的準(zhǔn)確率與前兩種方法相差不大。
[Abstract]:With the rapid development of tourism industry, the network spread all the attractions of images, the image data is more and more large, most of the time to browse a beautiful scenery picture but does not know which belong to the attractions. Therefore, how to from such a large-scale image data quickly and accurately search the information required is a very practical and scenic spots the problem to be solved. In recent years, large-scale image retrieval method has become more mature, in order to massive attractions image accurately find the target image provides the possibility. To achieve retrieval of large-scale tourist attractions image based on recent years large-scale image retrieval and image processing method. The main work is as follows: (1) study the basic theory of knowledge and methods, including: image retrieval based on global image features descriptor GIST and build the image based on the local characteristic The bag of words model (bag-of-feature, referred to as BOF).GIST feature is the use of multiple sets of Gabor filter and image convolution, and meshes for the image, the convolution result of different grid cascade get the global features of the image. But this feature extraction method often depends on the division of the grid and only in different images under the condition of higher overall similarity good retrieval effect.BOF model is reference to the method of text retrieval, usually by SIFT (scale invariant feature transform) algorithm to extract local image features and clustering to get the low dimensional visual dictionary using k-means, characterized by image feature vector histogram based on visual dictionary. But in many kinds of image, the dimension of the visual dictionary very not easy to construct the BOF model. (2) in order to improve the shortcomings of these two methods in large-scale image retrieval accuracy, the use of Alex Proposed 8 layer convolution neural network as feature extraction framework, finally get a fully connected layer as the image characteristics, and method for its dimension reduction through principal component analysis, and then use the local sensitivity based on Hashi (locality sensitive hashing, referred to as LSH) the approximate nearest neighbor algorithm to construct feature index structure of low dimensional. The advantage of feature extraction and Hashi index structure in retrieval using convolutional neural network with high efficiency, solves the shortcomings of traditional methods such as the accuracy of the image retrieval field. (3) the use of the algorithm for image retrieval experiments on 1740 tourist attractions in Beijing city. The results showed that compared with the above two algorithms, for most the attractions of the method has obvious advantages in retrieval accuracy, when a tourist attractions image database of similar images is small, the accuracy of the query results from the first two There is little difference in the method.

【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韓法旺;;基于云計算模式的圖像檢索研究[J];情報科學(xué);2011年10期

2 何巖;;以計算機(jī)為基礎(chǔ)的色彩圖像檢索方法與研究[J];計算機(jī)光盤軟件與應(yīng)用;2013年12期

3 郭海鳳;李廣水;仇彬任;;基于融合多特征的社會網(wǎng)上圖像檢索方法[J];計算機(jī)與現(xiàn)代化;2013年12期

4 柏正堯,周紀(jì)勤;基于復(fù)數(shù)矩不變性的圖像檢索方法研究[J];計算機(jī)應(yīng)用;2000年10期

5 夏峰,張文龍;一種圖像檢索的新方法[J];計算機(jī)應(yīng)用研究;2002年11期

6 鄧誠強,馮剛;基于內(nèi)容的多特征綜合圖像檢索[J];計算機(jī)應(yīng)用;2003年07期

7 斯白露,高文,盧漢清,曾煒,段立娟;基于感興趣區(qū)域的圖像檢索方法[J];高技術(shù)通訊;2003年05期

8 劉怡,于沛;基于“知網(wǎng)”的新聞圖像檢索方法[J];河南師范大學(xué)學(xué)報(自然科學(xué)版);2003年02期

9 張榮,鄭浩然,李金龍,王煦法;進(jìn)化加速技術(shù)在圖像檢索中的應(yīng)用[J];計算機(jī)工程與應(yīng)用;2004年16期

10 黃德才,胡嘉,鄭月鋒;交互式圖像檢索中相關(guān)反饋進(jìn)展研究[J];計算機(jī)應(yīng)用研究;2005年09期

相關(guān)會議論文 前10條

1 陳旭文;朱紅麗;;一種高效的圖像檢索方法[A];中國儀器儀表學(xué)會第九屆青年學(xué)術(shù)會議論文集[C];2007年

2 周向東;張亮;張琪;劉莉;殷慷;施伯樂;;一種新的圖像檢索相關(guān)反饋方法[A];第十九屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2002年

3 陳世亮;李戰(zhàn)懷;閆劍鋒;;一種基于本體描述的空間語義圖像檢索方法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

4 趙海英;彭宏;;基于最優(yōu)近似反饋的圖像檢索[A];’2004系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];2004年

5 許相莉;張利彪;于哲舟;周春光;;基于商空間粒度計算的圖像檢索[A];第八屆全國信息隱藏與多媒體安全學(xué)術(shù)大會湖南省計算機(jī)學(xué)會第十一屆學(xué)術(shù)年會論文集[C];2009年

6 李凌偉;周榮貴;劉怡;;基于概念的圖像檢索方法[A];第十九屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2002年

7 楊關(guān)良;李忠杰;徐小杰;;基于代表色的圖像檢索方法研究[A];首屆信息獲取與處理學(xué)術(shù)會議論文集[C];2003年

8 彭瑜;喬奇峰;魏昆娟;;基于多示例學(xué)習(xí)的圖像檢索方法[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

9 胡敬;武港山;;基于語義特征的風(fēng)景圖像檢索[A];2009年研究生學(xué)術(shù)交流會通信與信息技術(shù)論文集[C];2009年

10 許天兵;;一種基于語義分類的圖像檢索方法[A];中國圖象圖形學(xué)會第十屆全國圖像圖形學(xué)術(shù)會議（CIG’2001）和第一屆全國虛擬現(xiàn)實技術(shù)研討會（CVR’2001）論文集[C];2001年

相關(guān)博士學(xué)位論文 前10條

1 崔超然;圖像檢索中自動標(biāo)注、標(biāo)簽處理和重排序問題的研究[D];山東大學(xué);2015年

2 楊迪;基于內(nèi)容的分布式圖像檢索[D];北京郵電大學(xué);2015年

3 張旭;網(wǎng)絡(luò)圖像檢索關(guān)鍵技術(shù)研究[D];西安電子科技大學(xué);2014年

4 吳夢麟;基于半監(jiān)督學(xué)習(xí)的醫(yī)學(xué)圖像檢索研究[D];南京理工大學(xué);2015年

5 汪友寶;基于多分辨率和顯著特征的圖像檢索方法研究[D];上海大學(xué);2015年

6 張運超;面向海量圖像檢索的視覺編碼方法分析與優(yōu)化[D];北京理工大學(xué);2015年

7 高毫林;基于哈希技術(shù)的圖像檢索研究[D];解放軍信息工程大學(xué);2014年

8 李清亮;圖像檢索中判別性增強研究[D];吉林大學(xué);2016年

9 李展;基于多示例學(xué)習(xí)的圖像檢索與推薦相關(guān)算法研究[D];西北大學(xué);2012年

10 郭麗;基于內(nèi)容的商標(biāo)圖像檢索研究[D];南京理工大學(xué);2003年

相關(guān)碩士學(xué)位論文 前10條

1 趙鴻;基于尺度不變局部特征的圖像檢索研究[D];華南理工大學(xué);2015年

2 孫劍飛;基于圖像索引的熱點話題檢索方法研究[D];蘭州大學(xué);2015年

3 章進(jìn)洲;圖像檢索中的用戶意圖分析[D];南京理工大學(xué);2015年

4 苗思楊;移動圖像檢索中的漸進(jìn)式傳輸方式研究[D];大連海事大學(xué);2015年

5 都業(yè)剛;基于顯著性的移動圖像檢索[D];大連海事大學(xué);2015年

6 王夢蕾;基于用戶反饋和改進(jìn)詞袋模型的圖像檢索[D];南京理工大學(xué);2015年

7 許鵬飛;基于草圖的海量圖像檢索方法研究[D];浙江大學(xué);2015年

8 馮進(jìn)麗;基于BoF的圖像檢索與行為識別研究[D];山西大學(xué);2015年

9 喬維強;基于低級特征和語義特征的醫(yī)學(xué)圖像檢索[D];北京理工大學(xué);2015年

10 蔣國寶;基于內(nèi)容的概念建模和圖像檢索重排序[D];復(fù)旦大學(xué);2014年

，

本文編號：1424902