發(fā)布時間：2019-01-03 08:52

【摘要】：隨著互聯(lián)網(wǎng)技術(shù)與多媒體技術(shù)的飛速發(fā)展以及大數(shù)據(jù)時代的到來,網(wǎng)絡(luò)上的圖像數(shù)據(jù)呈爆炸式的增長趨勢,人們的日常生活中也隨之充斥著各種各樣的圖像信息。如何從海量的圖像數(shù)據(jù)中快速而且準確的獲取圖像信息成為一個迫切的需求�；趦�(nèi)容的圖像檢索技術(shù)正是解決這一問題的研究重點與方向。然而基于內(nèi)容的圖像檢索的性能又受著圖像底層特征與圖像上層理解之間的語義鴻溝的影響。論文從兩個方面對圖像檢索技術(shù)開展研究:第一部分研究基于多特征融合的圖像檢索;第二部分研究基于SVM(支持向量機)相關(guān)反饋的圖像檢索。主要工作如下:(1)提出了一種多特征融合的圖像檢索算法。首先從圖像的底層特征提取方法展開研究,從整體上描述一幅圖像,提取全局圖像特征GIST,然后采用相似性度量方法在數(shù)據(jù)庫中尋找與查詢圖像在場景上相似的匹配圖像。之后以圖像局部特征為出發(fā)點,提取場景相似匹配圖像的局部SIFT(尺度不變特征變換)特征,由于一副圖像的局部SIFT特征為若干個特征點,因此采用基于BBF(Best Bin First)搜索算法的點對匹配算法進行SIFT特征點匹配。最后根據(jù)查詢圖像與場景相似匹配圖像SIFT特征點匹配數(shù)量返回檢索結(jié)果。通過先整體后局部的思想融合GIST特征與SIFT特征實現(xiàn)圖像檢索,本文融合算法與單特征算法的檢索性能進行了實驗對比,實驗結(jié)果表明,融合多特征的檢索算法性能要優(yōu)于基于單特征的檢索算法。(2)在傳統(tǒng)的基于內(nèi)容的圖像檢索基礎(chǔ)上研究了基于SVM相關(guān)反饋的圖像檢索。將機器學習的思想加入到圖像檢索中,在討論相關(guān)反饋技術(shù)及支持向量機技術(shù)后,采用傳統(tǒng)的方法進行圖像檢索,然后根據(jù)SVM相關(guān)反饋技術(shù)再進行檢索,從而得到符合用戶檢索意圖的結(jié)果。實驗表明,基于SVM相關(guān)反饋的圖像檢索取得了有效的檢索結(jié)果,在圖像檢索中具有一定的實用價值。
[Abstract]:With the rapid development of Internet technology and multimedia technology and the arrival of big data era, the image data on the network is explosive growth trend, people's daily life is also filled with a variety of image information. How to obtain image information quickly and accurately from massive image data becomes an urgent need. Content-Based Image Retrieval (CBIR) is the research focus and direction to solve this problem. However, the performance of content-based image retrieval is affected by the semantic gap between the underlying features of the image and the understanding of the image upper layer. In this paper, image retrieval technology is studied from two aspects: the first part is image retrieval based on multi-feature fusion, and the second part is image retrieval based on SVM (support vector machine) correlation feedback. The main work is as follows: (1) A multi-feature fusion image retrieval algorithm is proposed. Firstly, the method of feature extraction from the bottom layer of the image is studied. An image is described as a whole, and the feature GIST, of the global image is extracted. Then, the similarity measure method is used to find the matching image similar to the query image in the scene in the database. Then the local SIFT (scale invariant feature transformation) feature of the scene similar matching image is extracted from the local feature of the image. The local SIFT feature of a set of images is several feature points. So the point pair matching algorithm based on BBF (Best Bin First) search algorithm is used for SIFT feature point matching. Finally, the retrieval results are returned according to the number of SIFT feature points of the query image and scene similar matching image. Image retrieval is realized by fusion of GIST features and SIFT features. The performance of the fusion algorithm is compared with that of the single feature algorithm. The experimental results show that, The performance of multi-feature based retrieval algorithm is better than that of single feature based retrieval algorithm. (2) based on traditional content-based image retrieval, image retrieval based on SVM correlation feedback is studied. The idea of machine learning is added to image retrieval. After discussing the technology of correlation feedback and support vector machine, the traditional method is used for image retrieval, and then the retrieval is carried out according to SVM correlation feedback technology. The result is in accord with the user's search intention. The experimental results show that the image retrieval based on SVM correlation feedback has achieved effective retrieval results and has certain practical value in image retrieval.
【學位授予單位】：中南林業(yè)科技大學
【學位級別】：碩士
【學位授予年份】：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)學院學報(社會科學版);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;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];河南師范大學學報(自然科學版);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];中國儀器儀表學會第九屆青年學術(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術(shù)大會湖南省計算機學會第十一屆學術(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;;基于多示例學習的圖像檢索方法[A];第三屆全國信息檢索與內(nèi)容安全學術(shù)會議論文集[C];2007年

9 胡敬;武港山;;基于語義特征的風景圖像檢索[A];2009年研究生學術(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];中國圖象圖形學會第十屆全國圖像圖形學術(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)博士學位論文 前10條

1 崔超然;圖像檢索中自動標注、標簽處理和重排序問題的研究[D];山東大學;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;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;2014年

4 吳夢麟;基于半監(jiān)督學習的醫(yī)學圖像檢索研究[D];南京理工大學;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;2014年

6 李清亮;圖像檢索中判別性增強研究[D];吉林大學;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;2016年

8 程航;密文JPEG圖像檢索研究[D];上海大學;2016年

9 李強;基于語義理解的圖像檢索研究[D];天津大學;2015年

10 劉少偉;面向用戶意圖的社會化圖像檢索[D];清華大學;2016年

相關(guān)碩士學位論文 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;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;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;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;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;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;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;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;2015年

9 喬維強;基于低級特征和語義特征的醫(yī)學圖像檢索[D];北京理工大學;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;2014年

，

本文編號：2399162