本文選題：哈希 + 多模態(tài)��； 參考：《山東大學(xué)》2017年碩士論文

【摘要】：隨著互聯(lián)網(wǎng)的廣泛普及以及信息技術(shù)的不斷進步,相較于文字,人們越來越傾向于使用圖像來表達、傳遞和獲得信息。由此,互聯(lián)網(wǎng)上圖像的數(shù)量呈現(xiàn)出爆炸性增長趨勢,應(yīng)用大規(guī)模圖像數(shù)據(jù)面臨著巨大的挑戰(zhàn)。如何快速且準(zhǔn)確的從大規(guī)模圖像數(shù)據(jù)中檢索到相似圖像是圖像檢索領(lǐng)域長期以來研究的熱點問題之一。機器學(xué)習(xí)是處理大規(guī)模數(shù)據(jù)的重要工具之一,其中哈希學(xué)習(xí)由于其可以減少數(shù)據(jù)的存儲空間以及優(yōu)越的計算性能,在近年來成為研究熱點。哈希學(xué)習(xí)將高維空間的數(shù)據(jù)經(jīng)過映射到低維的漢明空間,得到緊湊的二進制碼(哈希碼),從而減少數(shù)據(jù)的存儲空間;在獲得哈希碼的同時,使得學(xué)習(xí)得到的哈希碼保持住原始空間數(shù)據(jù)間的相似性,在進行檢索時,只需要計算哈希碼間的漢明距離,就可以快速的得到數(shù)據(jù)間的相似度,降低計算速度,從而提升檢索效率。本文在譜哈希的基礎(chǔ)上提出一種面向多模態(tài)圖像檢索的離散哈希方法(Discrete Multi-view Hashing,簡稱DMVH)。該方法可以利用圖像豐富的多模態(tài)信息提升檢索的性能。首先,提取圖像的多模態(tài)特征(如GIST、SIFT),并對多模態(tài)特征進行預(yù)處理,使得多模態(tài)特征的維數(shù)保持一致。然后,使用一種新的構(gòu)建圖像數(shù)據(jù)間相似性矩陣的方法,在保留數(shù)據(jù)局部結(jié)構(gòu)相似性的同時,保持住數(shù)據(jù)之間的語義相似性。最后,將高維空間的數(shù)據(jù)通過學(xué)習(xí)得到的映射矩陣映射到低維空間得到哈希碼。由于哈希碼是離散的,直接對其進行優(yōu)化比較困難�；诖�,又引入兩個輔助變量,使得在優(yōu)化過程中不用松弛離散條件,減小優(yōu)化誤差,從而得到更高質(zhì)量的哈希碼。本文在三個公開的數(shù)據(jù)集上對DMVH的性能進行驗證,并且與幾個較先進的哈希方法進行比較,實驗結(jié)果表明本文DMVH的性能要優(yōu)于所比較的哈希方法的性能。最后,以DMVH為核心算法,設(shè)計并實現(xiàn)了多模態(tài)圖像檢索系統(tǒng)。該系統(tǒng)主要是將"以圖搜圖"的功能提供給用戶。用戶將所需要檢索的圖像上傳到系統(tǒng)中,在對圖像進行特征提取、特征融合后,使用在DMVH學(xué)習(xí)過程中得到的哈希函數(shù)將融合過的特征映射到漢明空間,生成哈希碼,并計算該哈希碼與數(shù)據(jù)庫中已保存的哈希碼之間的漢明距離,將與檢索圖像哈希碼漢明距離小的哈希碼對應(yīng)的圖像作為檢索結(jié)果返回給用戶,最終實現(xiàn)"以圖搜圖"的檢索功能。
[Abstract]:With the popularity of the Internet and the continuous progress of information technology, people are more and more inclined to use images to express, transfer and obtain information. As a result, the number of images on the Internet is increasing explosively, and the application of large scale image data is facing a great challenge. How to retrieve similar images quickly and accurately from large scale image data is one of the hot issues in the field of image retrieval for a long time. Machine learning is one of the most important tools to deal with large-scale data. Hash learning has become a hot research area in recent years because it can reduce the storage space of data and improve computing performance. Hash learning maps high-dimensional space data to low-dimensional hamming space, resulting in compact binary code (hash code), which reduces the storage space of data. The learning hash code keeps the similarity between the original spatial data. In the retrieval, only the hamming distance between the hash codes is calculated, the similarity between the data can be obtained quickly, and the computing speed can be reduced. In order to improve the efficiency of retrieval. Based on spectral hashing, a discrete hash method for multimodal image retrieval is proposed in this paper. This method can improve the performance of retrieval by using abundant multi-modal information. Firstly, the multi-modal features (such as GIST / sift) are extracted, and the multi-modal features are preprocessed to make the dimension of the multi-modal features consistent. Then, a new method of constructing similarity matrix between image data is proposed to preserve the similarity of the local structure of the data and the semantic similarity of the data at the same time. Finally, the data of high dimensional space is mapped to the low dimensional space by learning the mapping matrix to obtain the hash code. Since hash codes are discrete, it is difficult to optimize them directly. Based on this, two auxiliary variables are introduced, so that the optimization error can be reduced without loosening discrete conditions in the optimization process, and a higher quality hash code can be obtained. This paper verifies the performance of DMVH on three open datasets and compares it with several more advanced hash methods. The experimental results show that the performance of DMVH in this paper is better than that of the compared hash method. Finally, a multimodal image retrieval system is designed and implemented with DMVH as the core algorithm. The system mainly provides the function of "map searching" to users. Users upload the images they need to retrieve to the system. After feature extraction and feature fusion, the fused features are mapped to hamming space by using the hash function obtained in the process of DMVH learning, and the hash codes are generated. The hamming distance between the hash code and the stored hash code in the database is calculated, and the image corresponding to the hash code corresponding to the small hamming distance of the retrieval image hash code is returned to the user as the retrieval result. Finally, the retrieval function of "search map by map" is realized.
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 江士方,汪英姿;圖像及圖像檢索應(yīng)用前景的探討[J];江蘇工業(yè)學(xué)院學(xué)報(社會科學(xué)版);2003年04期

2 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

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

4 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];計算機與現(xiàn)代化;2013年12期

5 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];計算機應(yīng)用;2000年10期

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

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

8 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

9 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

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

6 李清亮;圖像檢索中判別性增強研究[D];吉林大學(xué);2016年

7 劉爽;多特征融合圖像檢索方法及其應(yīng)用研究[D];哈爾濱理工大學(xué);2016年

8 程航;密文JPEG圖像檢索研究[D];上海大學(xué);2016年

9 李強;基于語義理解的圖像檢索研究[D];天津大學(xué);2015年

10 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

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：1906552