本文關(guān)鍵詞：基于相關(guān)性的海量圖像的可視化探索式搜索研究

  更多相關(guān)文章： Hadoop 譜聚類 視覺詞袋 探索式搜索 共生分析

【摘要】：目前，隨著網(wǎng)絡(luò)技術(shù)的發(fā)展以及數(shù)字移動(dòng)設(shè)備的廣泛使用，圖像數(shù)據(jù)呈爆炸式的增長(zhǎng)，單臺(tái)機(jī)器處理圖像的方法已經(jīng)無法應(yīng)對(duì)現(xiàn)實(shí)的需要；同時(shí)，當(dāng)前用戶搜索圖像的習(xí)慣是在常用的搜索引擎文本框中鍵入查詢關(guān)鍵詞，，之后提交并由搜索引擎返回大量經(jīng)過排序后的圖像列表。這些常用的搜索引擎是以“一次命中”為目標(biāo)設(shè)計(jì)的，當(dāng)一次查詢沒有命中時(shí)，用戶就需要重新設(shè)計(jì)查詢語句，因此這些常用搜索引擎在用戶有明確目標(biāo)的情況下才能返回令人滿意的檢索結(jié)果。然而，當(dāng)用戶不清楚如何達(dá)到目標(biāo)，又或者對(duì)目標(biāo)本身模糊不清時(shí)，如何組織和使用這些海量圖像，如何從其中找出符合用戶預(yù)期的圖像以及如何讓用戶從返回的大量圖像列表中快速理解、獲取圖像間的關(guān)系成為目前研究的熱點(diǎn)和難點(diǎn)。 嵌套在人機(jī)交互領(lǐng)域中的探索式搜索領(lǐng)域，是以超越Google，Bing等以文檔為核心的下一代搜索界面為目標(biāo)的，它以用戶的好奇或者用戶想獲取更多的信息為驅(qū)動(dòng)，更注重于與用戶之間的交互。可視化的主要目的是將數(shù)據(jù)進(jìn)行可視表示，方便人們快速辨別、瀏覽信息。而類似智能手機(jī)這類移動(dòng)設(shè)備具有強(qiáng)大的與用戶交互的功能，并且這類設(shè)備的持有者也越來越多，他們更傾向使用這類設(shè)備獲取信息。因此，在移動(dòng)設(shè)備上對(duì)圖像進(jìn)行可視化探索式搜索具有相當(dāng)重要的意義。 針對(duì)上述問題，本文做了如下三個(gè)方面的工作： （1）使用Hadoop平臺(tái)處理海量圖像，并利用譜聚類算法得到圖像的視覺詞袋，實(shí)現(xiàn)將抽象的圖像信息變成可視的“視覺詞匯”，解決單機(jī)處理海量圖像時(shí)存在內(nèi)存空間不足、處理時(shí)間過長(zhǎng)等問題。 （2）首次提出了使用共生分析的方法來定義圖像間的相關(guān)性，解決用戶難以理解圖像間關(guān)系的問題。 （3）在安卓手機(jī)上做了一個(gè)基于相關(guān)性的海量圖像的可視化探索式搜索原型系統(tǒng)，解決手機(jī)用戶在使用軟鍵盤時(shí)輸入的不便以及易出錯(cuò)等問題，增加了對(duì)用戶的友好度。 和現(xiàn)有的搜索系統(tǒng)相比，本文的搜索系統(tǒng)原型具有以下三個(gè)方面的優(yōu)勢(shì)：1.支持用戶與系統(tǒng)在圖形界面上進(jìn)行交互。2.能使用戶較清楚地區(qū)分查詢圖像和返回的圖像間關(guān)系。3.能進(jìn)一步誘導(dǎo)用戶自發(fā)的去進(jìn)行下一步的探索，得到更豐富更多感興趣的信息。實(shí)驗(yàn)結(jié)果表明，本文提出的方法能有效提高用戶獲取相關(guān)圖像以及圖像間關(guān)系的能力。
【關(guān)鍵詞】：Hadoop 譜聚類 視覺詞袋 探索式搜索 共生分析
【學(xué)位授予單位】：湘潭大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP391.41
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-13
• 1.1 課題的研究背景及意義8-10
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀10-12
• 1.2.1 海量數(shù)據(jù)處理研究現(xiàn)狀10-11
• 1.2.2 探索式搜索國(guó)內(nèi)外研究現(xiàn)狀11-12
• 1.3 主要工作及組織結(jié)構(gòu)12-13
• 第2章 圖像相關(guān)性的關(guān)鍵技術(shù)13-28
• 2.1 Bag of Visual words（視覺詞袋）13-14
• 2.2 Hadoop 平臺(tái)介紹14-21
• 2.2.1 HDFS15-18
• 2.2.1.1 HDFS 中的數(shù)據(jù)塊16
• 2.2.1.2 DataNode 和 NameNode16-18
• 2.2.2 MapReduce 框架介紹18-19
• 2.2.3 HBase19-21
• 2.3 SIFT(尺度不變特征轉(zhuǎn)換)算法21-25
• 2.3.1 構(gòu)建高斯差分尺度空間，檢測(cè)極值點(diǎn)21-22
• 2.3.2 特征點(diǎn)位置的確定22-23
• 2.3.2.1 低對(duì)比度的特征點(diǎn)的去除23
• 2.3.2.2 邊緣響應(yīng)點(diǎn)的去除23
• 2.3.3 特征點(diǎn)方向的確定23-24
• 2.3.4 特征描述符的生成24-25
• 2.4 NJW 譜聚類算法25-27
• 2.5 小結(jié)27-28
• 第3章 視覺詞袋以及圖像向量的生成28-37
• 3.1 Hadoop 下圖像 sift 特征的提取28-30
• 3.2 視覺詞匯的生成30-34
• 3.3 圖像視覺詞袋向量的生成34-35
• 3.4 實(shí)驗(yàn)數(shù)據(jù)分析35-36
• 3.5 小結(jié)36-37
• 第4章 圖像相關(guān)性關(guān)系圖的構(gòu)建37-47
• 4.1 圖像相關(guān)性的定義37-38
• 4.2 圖像相關(guān)性關(guān)系圖的構(gòu)建38-45
• 4.3 圖像相關(guān)性的檢索45-46
• 4.4 小結(jié)46-47
• 第5章 圖像可視化探索式搜索47-56
• 5.1 移動(dòng)平臺(tái)圖像可視化搜索界面48
• 5.2 可視化探索式搜索的交互過程48-53
• 5.3 實(shí)驗(yàn)結(jié)果分析53-55
• 5.3.1 實(shí)驗(yàn)結(jié)果客觀評(píng)價(jià)53-54
• 5.3.2 實(shí)驗(yàn)結(jié)果主觀評(píng)價(jià)54-55
• 5.4 小結(jié)55-56
• 第6章 總結(jié)與展望56-58
• 6.1 本文工作總結(jié)56
• 6.2 未來工作的展望56-58
• 參考文獻(xiàn)58-62
• 致謝62-63
• 附錄 A 讀研期間參與的科研項(xiàng)目63

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 侯建;帥仁俊;侯文;;基于云計(jì)算的海量數(shù)據(jù)存儲(chǔ)模型[J];通信技術(shù);2011年05期

2 王梅;朱信忠;趙建民;黃彩鋒;;基于Hadoop的海量圖像檢索系統(tǒng)[J];計(jì)算機(jī)技術(shù)與發(fā)展;2013年01期

3 姜婷婷;高慧琴;;探尋式搜索研究述評(píng)[J];中國(guó)圖書館學(xué)報(bào);2013年04期

本文編號(hào)：965227