隨著多媒體技術(shù)的發(fā)展,網(wǎng)絡(luò)中產(chǎn)生了大量的圖像,從而使得圖像信息的獲取變得尤為重要,如何精確快捷地從海量圖像中獲取到自己所需的內(nèi)容,這就涉及到圖像的分類與檢索問題。一直以來,傳統(tǒng)的圖像檢索方法都是基于文本的檢索。然而,隨著圖像數(shù)量不斷增多,基于文本的檢索方法已經(jīng)不能滿足人們的信息檢索需求�；趦�(nèi)容的圖像檢索技術(shù)通過系統(tǒng)對圖像進(jìn)行特征描述,并提取圖像的視覺特征來實(shí)現(xiàn)圖像檢索,克服了傳統(tǒng)的基于文本檢索中通過人工標(biāo)注圖像帶來的片面性、主觀性等缺點(diǎn)。近年來基于內(nèi)容的圖像檢索技術(shù)受到廣泛的關(guān)注,已成為該領(lǐng)域的一個(gè)熱門研究課題。首先,本文梳理了基于內(nèi)容的圖像檢索技術(shù)的發(fā)展及研究成果,研究了圖像檢索的相關(guān)技術(shù)以及圖像檢索中常用的PCA算法和BP神經(jīng)網(wǎng)絡(luò)算法。本文通過融合具有顏色表達(dá)直觀、計(jì)算簡單的HSV顏色直方圖和具有對圖像的旋轉(zhuǎn)、尺度縮放和亮度變化較強(qiáng)魯棒性的SIFT特征給出了一種融合算法,并針對HSV顏色直方圖無法表達(dá)顏色空間分布信息和SIFT特征匹配方法準(zhǔn)確性不足的問題,提出了一種改進(jìn)的融合算法。采用對圖像進(jìn)行重疊分塊的方法,突出圖像中心的視覺內(nèi)容,并改進(jìn)了 SIFT特征度量算法。然后將這兩種改... 

【文章頁數(shù)】：57 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 基于內(nèi)容的圖像檢索技術(shù)研究現(xiàn)狀
    1.3 本文的主要工作及章節(jié)安排
2 相關(guān)理論基礎(chǔ)
    2.1 基于內(nèi)容的圖像檢索技術(shù)
        2.1.1 圖像特征提取
        2.1.2 相似性度量
        2.1.3 性能評(píng)價(jià)標(biāo)準(zhǔn)
    2.2 PCA算法
    2.3 BP神經(jīng)網(wǎng)絡(luò)
        2.3.1 BP神經(jīng)網(wǎng)絡(luò)算法
        2.3.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
    2.4 本章小結(jié)
3 基于HSV顏色空間和SIFT特征實(shí)現(xiàn)的圖像檢索
    3.1 基于顏色和SIFT特征的融合算法
        3.1.1 HSV顏色直方圖
        3.1.2 SIFT特征
        3.1.3 相似匹配計(jì)算
        3.1.4 融合算法原理
    3.2 改進(jìn)的基于顏色和SIFT特征的融合算法
        3.2.1 基于分塊顏色直方圖特征提取
        3.2.2 SIFT特征匹配
    3.3 融合算法的圖像檢索實(shí)驗(yàn)
        3.3.1 圖像檢索系統(tǒng)設(shè)計(jì)
        3.3.2 實(shí)驗(yàn)數(shù)據(jù)
        3.3.3 實(shí)驗(yàn)結(jié)果與分析
    3.4 本章小結(jié)
4 基于SIFT降維和BP神經(jīng)網(wǎng)絡(luò)的圖像檢索
    4.1 基于PCA的SIFT特征提取降維算法
        4.1.1 運(yùn)用PCA對SIFT特征進(jìn)行降維
        4.1.2 仿真驗(yàn)證
    4.2 基于SIFT降維和BP網(wǎng)絡(luò)的圖像檢索
        4.2.1 基于SIFT降維的BP網(wǎng)絡(luò)設(shè)計(jì)
        4.2.2 基于SIFT降維和BP神經(jīng)網(wǎng)絡(luò)的圖像檢索算法
    4.3 基于SIFT降維和BP網(wǎng)絡(luò)的圖像檢索實(shí)驗(yàn)
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)
        4.3.2 實(shí)驗(yàn)步驟
        4.3.3 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 研究展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]基于新的空間關(guān)系特征的圖像檢索方法[J]. 郭倩,楊紅菊,梁新彥.  計(jì)算機(jī)應(yīng)用. 2016(07)
[2]改進(jìn)的基于顏色和SIFT特征的圖像檢索方法[J]. 鄭啟財(cái),曾智勇,池燕玲.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2015(11)
[3]基于分塊顏色核特征的圖像檢索方法[J]. 王琪,杜娟,徐國清,程彬.  現(xiàn)代電子技術(shù). 2015(15)
[4]基于中心-輪廓距離特征統(tǒng)計(jì)的形狀表示方法[J]. 郭樹旭,趙靜,李雪妍.  電子與信息學(xué)報(bào). 2015(06)
[5]一種基于PCA的組合特征提取文本分類方法[J]. 李建林.  計(jì)算機(jī)應(yīng)用研究. 2013(08)
[6]基于SIFT特征和顏色融合的圖像檢索方法[J]. 董傲霜,宋宏亮.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2013(S1)
[7]基于色彩和邊緣特征的圖像檢索方法[J]. 劉付民,張治斌.  計(jì)算機(jī)應(yīng)用. 2012(05)
[8]一種不變的基于傅立葉變換的區(qū)域形狀描述子[J]. 王斌.  電子學(xué)報(bào). 2012(01)
[9]主成分分析法（PCA）在SIFT匹配算法中的應(yīng)用[J]. 馬莉,韓燮.  電視技術(shù). 2012(01)
[10]基于分塊主顏色匹配的圖像檢索[J]. 林克正,張彩華,劉丕娥.  計(jì)算機(jī)工程. 2010(13)

博士論文
[1]圖像直方圖特征及其應(yīng)用研究[D]. 汪啟偉.中國科學(xué)技術(shù)大學(xué) 2014
[2]形狀特征描述及聚類算法研究[D]. 潘鴻飛.安徽大學(xué) 2011

碩士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的靜態(tài)手勢識(shí)別算法研究[D]. 高龍.寧夏大學(xué) 2017
[2]基于顏色和SIFT特征的圖像檢索技術(shù)及其分布式實(shí)現(xiàn)[D]. 李宇潔.東南大學(xué) 2017
[3]基于PCA-SIFT在圖像檢索上改進(jìn)算法的研究[D]. 張霜.吉林大學(xué) 2016
[4]基于神經(jīng)網(wǎng)絡(luò)方法的手勢行為識(shí)別技術(shù)研究[D]. 周龍.電子科技大學(xué) 2015
[5]基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)多示例學(xué)習(xí)的自然圖像分類算法研究[D]. 黃晗.安徽大學(xué) 2014
[6]基于SIFT降維和BP網(wǎng)絡(luò)的人臉識(shí)別方法的研究[D]. 馮博.河南大學(xué) 2014
[7]基于HSV顏色空間和SIFT特征的近似圖像檢索[D]. 王亞如.蘭州大學(xué) 2014
[8]基于紋理特征和BP神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像檢索[D]. 李琳.河南理工大學(xué) 2012
[9]基于紋理分類的圖像檢索技術(shù)研究[D]. 馬媛媛.河南理工大學(xué) 2010



本文編號(hào)：3657450