面對(duì)海量的圖像、視頻等多媒體數(shù)據(jù),最基本的問題之一是計(jì)算機(jī)自動(dòng)從圖像中快速而準(zhǔn)確地查找到感興趣的內(nèi)容,即基于內(nèi)容的圖像檢索。由于圖像檢索對(duì)智能化、實(shí)時(shí)性、精準(zhǔn)性的要求,因此設(shè)計(jì)高性能的基于內(nèi)容的圖像檢索算法是非常具有挑戰(zhàn)性的一項(xiàng)研究工作。本文圍繞基于內(nèi)容的圖像檢索的關(guān)鍵技術(shù)展開研究,其中包括圖像表示（如何設(shè)計(jì)高效且有辨別力的圖像特征）、特征融合（強(qiáng)有力地提高特征性能的手段）、圖像相似性（如何設(shè)計(jì)高效而精準(zhǔn)的相似性策略）三方面內(nèi)容。本文的主要研究工作如下:（1）對(duì)于大規(guī)模的圖像檢索,經(jīng)典的詞袋（Bag-of-Word,BoW）模型中,較大的視覺詞典能夠保證檢索準(zhǔn)確率但導(dǎo)致低召回率,中等大小的詞典能夠提高召回率。為此,我們提出一種基于分離視覺詞典和稀疏表示的圖像檢索算法,同時(shí)保留大詞典和小詞典的優(yōu)勢。為了減少量化誤差和提高召回率,提出了基于非負(fù)正交匹配追蹤算法的稀疏表示模型,將每個(gè)特征同時(shí)量化到多個(gè)視覺單詞。為了進(jìn)一步提高檢索準(zhǔn)確率,提取基于局部梯度特征的BoW圖像表示和圖像全局結(jié)構(gòu)特征在相似性度量階段進(jìn)行融合。在圖像數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果表明,本文提出的基于分離視覺詞典和稀疏表示的圖像檢索算... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：122 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀分析
    1.3 主要研究內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
2 圖像檢索相關(guān)技術(shù)介紹
    2.1 圖像表示
        2.1.1 特征提取
        2.1.2 視覺詞典學(xué)習(xí)
        2.1.3 特征量化
        2.1.4 特征聚集
    2.2 特征融合
    2.3 圖像相似性
    2.4 圖像數(shù)據(jù)庫
        2.4.1 數(shù)據(jù)庫簡介
        2.4.2 評(píng)價(jià)度量指標(biāo)
    2.5 本章小結(jié)
3 基于分離視覺詞典和稀疏表示的圖像檢索
    3.1 引言
    3.2 相關(guān)工作
        3.2.1 視覺詞典學(xué)習(xí)
        3.2.2 GIST特征
        3.2.3 稀疏表示
    3.3 分離視覺詞典
    3.4 特征的提取和量化
    3.5 相似性匹配
    3.6 實(shí)驗(yàn)結(jié)果
        3.6.1 實(shí)驗(yàn)基準(zhǔn)
        3.6.2 實(shí)驗(yàn)參數(shù)設(shè)置
        3.6.3 稀疏表示量化和特征融合的性能實(shí)驗(yàn)
        3.6.4 分離視覺詞典的性能實(shí)驗(yàn)
    3.7 本章小結(jié)
4 基于壓縮感知特征融合的圖像檢索
    4.1 引言
    4.2 相關(guān)工作
        4.2.1 Color Names描述子
        4.2.2 壓縮感知理論
    4.3 加權(quán)VLAD
    4.4 壓縮感知轉(zhuǎn)換器
    4.5 實(shí)驗(yàn)結(jié)果
        4.5.1 實(shí)驗(yàn)參數(shù)設(shè)置
        4.5.2 加權(quán)VLAD性能實(shí)驗(yàn)
        4.5.3 基于壓縮感知特征融合的性能實(shí)驗(yàn)
    4.6 本章小結(jié)
5 基于多層次圖像塊聯(lián)合相似性匹配的圖像檢索
    5.1 引言
    5.2 相關(guān)工作
        5.2.1 SOP分塊算法
        5.2.2 視覺短語
        5.2.3 基于深度學(xué)習(xí)模型的圖像檢索
    5.3 基于復(fù)合視覺短語的圖像檢索
        5.3.1 復(fù)合描述子
        5.3.2 基于復(fù)合視覺短語的圖像檢索算法
    5.4 基于多層次圖像塊聯(lián)合相似性匹配的圖像檢索
        5.4.1 塊特征提取
        5.4.2 塊索引
        5.4.3 相似性匹配
    5.5 實(shí)驗(yàn)結(jié)果
        5.5.1 實(shí)驗(yàn)參數(shù)設(shè)置
        5.5.2 復(fù)合描述子性能實(shí)驗(yàn)
        5.5.3 基于復(fù)合視覺短語的圖像檢索實(shí)驗(yàn)
        5.5.4 基于多層次圖像塊聯(lián)合相似性匹配的圖像檢索實(shí)驗(yàn)
    5.6 本章小結(jié)
6 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
作者簡歷及攻讀博士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]圖像檢索技術(shù)研究進(jìn)展[J]. 周文罡,李厚強(qiáng),田奇.  南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(06)
[2]基于稀疏貝葉斯模型的特征選擇[J]. 祝璞,黃章進(jìn).  計(jì)算機(jī)工程. 2017(04)
[3]壓縮感知綜述[J]. 尹宏鵬,劉兆棟,柴毅,焦緒國.  控制與決策. 2013(10)
[4]壓縮傳感綜述[J]. 李樹濤,魏丹.  自動(dòng)化學(xué)報(bào). 2009(11)
[5]壓縮感知理論及其研究進(jìn)展[J]. 石光明,劉丹華,高大化,劉哲,林杰,王良君.  電子學(xué)報(bào). 2009(05)
[6]基于亞高斯隨機(jī)投影的圖像重建方法[J]. 方紅,章權(quán)兵,韋穗.  計(jì)算機(jī)研究與發(fā)展. 2008(08)



本文編號(hào)：3029048