本文關鍵詞：基于卷積神經(jīng)網(wǎng)絡和空間金字塔匹配的圖像排序，由筆耕文化傳播整理發(fā)布。

【摘要】：互聯(lián)網(wǎng)技術的發(fā)展和電子設備的廣泛應用,使得圖像的數(shù)量隨之呈指數(shù)增長。從海量的圖像中迅速并且準確地找到用戶所需要的圖像,顯得越來越重要。長期以來,受文本檢索的影響,大部分解決這個問題的技術重點關注于圖像的標注,根據(jù)關鍵字匹配圖像的標注詞來檢索圖像,即基于文本的圖像檢索。隨著圖像數(shù)量的爆炸式增長,這種方法的局限性也日益明顯。人工標注圖像的工作量隨著圖像數(shù)量的增長而增加,并且人為標注會受個人主觀因素的影響,進而造成檢索結果的不精確性�；谖谋镜膱D像檢索已經(jīng)越來越不能滿足人們的需求,因此,人們提出了基于內(nèi)容的圖像檢索。其思路是首先通過提取的圖像特征來表征圖像,進而用該特征計算圖像之間的相似性。由于自然環(huán)境中的顏色、光照、陰影等因素以及人的拍照角度等都會對圖像外觀產(chǎn)生影響,為了精確表征一幅圖像,人們設計了各種各樣的考慮不同影響因素的特征提取算法。但是,這些人為設計的特征表征圖像的能力有限,效果也不盡如人意。學習算法的提出,使得人們開始關注如何從原始圖像中直接學習出圖像的特征。深度學習中的卷積神經(jīng)網(wǎng)絡由于其強大的特征提取能力,在圖像分類等問題中取得了很大的成功。本文主要研究如何將卷積神經(jīng)網(wǎng)絡應用到圖像檢索領域,提出了一種基于卷積神經(jīng)網(wǎng)絡和空間金字塔匹配的圖像排序算法,該算法通過比較圖像塊之間的相似性,并且結合圖像塊之間的空間位置信息,來衡量圖像之間的相似性。首先訓練了一個基于卷積神經(jīng)網(wǎng)絡的衡量圖像塊之間相似性的模型,然后利用該模型,對一幅圖像中的所有圖像塊分別提取特征,得到圖像的特征集合。最后,對兩幅圖像的特征集合間進行匹配度的計算,來衡量這兩幅圖像之間的相似性。本文采用快速最近鄰查找算法來尋找匹配的特征,保證了查找的精度和效率。為了充分考慮匹配圖像塊的空間位置對衡量兩幅圖像之間相似度的影響,本文設計了一種類似于空間金字塔匹配的算法,來把匹配圖像塊的空間位置結合到最終的相似度度量中。實驗結果表明,與深度分類模型和深度排序模型相比,本文方法取得了更高的正確率,具有一定的研究和應用價值。
【關鍵詞】：圖像檢索 圖像匹配 特征提取 卷積神經(jīng)網(wǎng)絡 空間金字塔匹配
【學位授予單位】：北京工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41;TP183
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-15
• 1.1 研究背景與意義9-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.3 本文主要研究內(nèi)容13
• 1.4 論文的組織結構13-14
• 1.5 本章小結14-15
• 第2章 相關技術介紹15-27
• 2.1 引言15
• 2.2 卷積神經(jīng)網(wǎng)絡15-19
• 2.2.1 基本概述15-16
• 2.2.2 卷積神經(jīng)網(wǎng)絡結構16-19
• 2.3 快速最近鄰查找算法19-22
• 2.3.1 Kd樹19-21
• 2.3.2 Kd樹的查找21-22
• 2.4 空間金字塔匹配算法22-25
• 2.4.1 空間金字塔匹配方法概述22-23
• 2.4.2 空間金字塔匹配算法23-25
• 2.5 本章小結25-27
• 第3章 基于卷積神經(jīng)網(wǎng)絡和空間金字塔匹配的圖像排序算法27-35
• 3.1 引言27-28
• 3.2 用于相似性比較的模型28-30
• 3.3 匹配算法的原理與匹配過程30-34
• 3.4 本章小結34-35
• 第4章 算法實現(xiàn)與結果35-41
• 4.1 算法的實現(xiàn)35-36
• 4.2 實驗結果和對比36-39
• 4.2.1 保留率的選取36-37
• 4.2.2 匹配結果的對比37-39
• 4.3 本章小結39-41
• 結論41-43
• 參考文獻43-47
• 攻讀碩士學位期間所發(fā)表的學術論文47-49
• 致謝49-50

  本文關鍵詞：基于卷積神經(jīng)網(wǎng)絡和空間金字塔匹配的圖像排序，，由筆耕文化傳播整理發(fā)布。

本文編號：262679