本文關(guān)鍵詞：基于特征子空間的多媒體檢索方法研究

  更多相關(guān)文章： 基于內(nèi)容的圖像檢索 維數(shù)災(zāi)難 特征子空間 語(yǔ)義鴻溝 相關(guān)反饋

【摘要】：隨著互聯(lián)網(wǎng)科技的發(fā)展和普及以及大容量存儲(chǔ)設(shè)備和數(shù)字化設(shè)備的廣泛使用，使得多媒體數(shù)據(jù)，特別是圖像數(shù)據(jù)呈幾何級(jí)數(shù)增長(zhǎng)。因此，對(duì)圖像數(shù)據(jù)庫(kù)的有效管理和應(yīng)用變得尤為重要。一般的文字搜索引擎對(duì)于圖像數(shù)據(jù)來說，由于不適應(yīng)圖像數(shù)據(jù)豐富的底層視覺特征而效率較低。于是如何準(zhǔn)確、高效地從大量的圖像數(shù)據(jù)庫(kù)中搜索到所需的圖像成為近年來多媒體檢索領(lǐng)域中的研究熱點(diǎn)。 本文以傳統(tǒng)基于內(nèi)容的圖像檢索技術(shù)為基礎(chǔ)，同時(shí)考慮到視覺特征組合維數(shù)過高的特點(diǎn)以及進(jìn)而導(dǎo)致的“維數(shù)災(zāi)難”問題，進(jìn)行了圖像特征降維和語(yǔ)義子空間的研究。一方面，利用局部線性回歸模型計(jì)算目標(biāo)子空間的預(yù)測(cè)誤差；另一方面，通過融入標(biāo)記樣本和未標(biāo)記樣本的類間離散度最大化和類內(nèi)離散度最小化的約束條件，進(jìn)而提出了一種基于局部預(yù)測(cè)誤差最小化的半監(jiān)督最優(yōu)子空間算法。 此外，針對(duì)底層特征和高層語(yǔ)義之間的“語(yǔ)義鴻溝”問題，將基于粒子群優(yōu)化的支持向量機(jī)學(xué)習(xí)方法融入相關(guān)反饋中，有效地保持了不同類別之間差異較大，而同一類中個(gè)體整體上保持穩(wěn)定、個(gè)體有適當(dāng)差異的趨勢(shì)，提高了分類效果。 在實(shí)驗(yàn)結(jié)果的評(píng)價(jià)中，，采用了查準(zhǔn)率(Precision)和查全率(Recall)兩種標(biāo)準(zhǔn)。對(duì)比實(shí)驗(yàn)從多方面驗(yàn)證了本論文方法的有效性以及相對(duì)于幾種經(jīng)典的多媒體檢索方法的優(yōu)越性。
【關(guān)鍵詞】：基于內(nèi)容的圖像檢索 維數(shù)災(zāi)難 特征子空間 語(yǔ)義鴻溝 相關(guān)反饋
【學(xué)位授予單位】：武漢科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-14
• 1.1 研究背景及意義8-10
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀10-12
• 1.3 本文的主要工作12
• 1.4 本文的結(jié)構(gòu)安排12-14
• 第2章 多媒體檢索和子空間學(xué)習(xí)綜述14-22
• 2.1 底層特征分析15-17
• 2.2 相似性度量17-18
• 2.3 相關(guān)反饋18-19
• 2.4 子空間降維算法19-21
• 2.4.1 線性降維19-20
• 2.4.2 非線性降維20-21
• 2.5 本章小結(jié)21-22
• 第3章 半監(jiān)督的特征子空間學(xué)習(xí)算法22-35
• 3.1 問題的提出22-23
• 3.1.1 標(biāo)記樣本和未標(biāo)記樣本的三種學(xué)習(xí)方式22-23
• 3.1.2 基于 PSO-SVM 的相關(guān)反饋23
• 3.2 半監(jiān)督最優(yōu)子空間映射算法23-30
• 3.2.1 特征預(yù)處理23-26
• 3.2.2 局部預(yù)測(cè)誤差26-28
• 3.2.3 子空間降維方法中約束條件設(shè)計(jì)28-30
• 3.3 流形排序算法30-31
• 3.4 基于 PSO-SVM 的相關(guān)反饋算法31-34
• 3.5 本章小結(jié)34-35
• 第4章 實(shí)驗(yàn)結(jié)果分析35-46
• 4.1 系統(tǒng)框架和流程圖35-37
• 4.2 圖像數(shù)據(jù)集和特征提取37-38
• 4.3 實(shí)驗(yàn)結(jié)果和分析38-45
• 4.3.1 性能評(píng)價(jià)標(biāo)準(zhǔn)38-39
• 4.3.2 檢索性能分析39-45
• 4.4 本章小結(jié)45-46
• 第5章 總結(jié)與展望46-48
• 5.1 工作總結(jié)46
• 5.2 研究展望46-48
• 致謝48-49
• 參考文獻(xiàn)49-53
• 附錄 1 攻讀碩士學(xué)位期間發(fā)表的論文53-54
• 附錄 2 攻讀學(xué)位期間參加的科研項(xiàng)目54-55
• 大摘要55-58

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 向友君;謝勝利;;圖像檢索技術(shù)綜述[J];重慶郵電學(xué)院學(xué)報(bào)(自然科學(xué)版);2006年03期

2 郝玉保;王仁禮;馬軍;蘇斌;鄭建華;;改進(jìn)Tamura紋理特征的圖像檢索方法[J];測(cè)繪科學(xué);2010年04期

3 黃磊,吳順君,張林讓,馮大政;快速子空間分解方法及其維數(shù)的快速估計(jì)[J];電子學(xué)報(bào);2005年06期

4 張菁;沈蘭蓀;David Dagan Feng;;基于視覺感知的圖像檢索的研究[J];電子學(xué)報(bào);2008年03期

5 黃鴻;馮海亮;何同弟;;融合流形學(xué)習(xí)與相關(guān)反饋的人臉圖像檢索[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年05期

6 李向陽(yáng),莊越挺,潘云鶴;基于內(nèi)容的圖像檢索技術(shù)與系統(tǒng)[J];計(jì)算機(jī)研究與發(fā)展;2001年03期

7 任江濤;趙少東;許盛燦;印鑒;;基于二進(jìn)制PSO算法的特征選擇及SVM參數(shù)同步優(yōu)化[J];計(jì)算機(jī)科學(xué);2007年06期

8 曾岳;馮大政;;一種人臉本征空間的特征提取算法[J];計(jì)算機(jī)工程;2011年19期

9 陳佳;朱一和;王昊奮;晉薇;俞勇;;Effective and Efficient Multi-Facet Web Image Annotation[J];Journal of Computer Science & Technology;2012年03期

10 王向陽(yáng);楊紅穎;鄭宏亮;吳俊峰;;基于視覺權(quán)值的分塊顏色直方圖圖像檢索算法[J];自動(dòng)化學(xué)報(bào);2010年10期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 李波;基于流形學(xué)習(xí)的特征提取方法及其應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2008年

本文編號(hào)：842572