本文關(guān)鍵詞： 對等網(wǎng)絡(luò) 分布式哈希表 云計算 圖像檢索 局部敏感哈希相關(guān)反饋　出處：《北京郵電大學(xué)》2015年博士論文　論文類型：學(xué)位論文

【摘要】：移動互聯(lián)網(wǎng)的迅猛發(fā)展和移動智能產(chǎn)品的迅速推廣,使得新型應(yīng)用風(fēng)靡全球,促使互聯(lián)網(wǎng)中的圖像資源呈現(xiàn)指數(shù)級爆炸式增長,催生了以“大數(shù)據(jù)”為特色的網(wǎng)絡(luò)數(shù)據(jù)時代。大數(shù)據(jù)時代以及云計算技術(shù)為基于圖像檢索的應(yīng)用研究帶來了新的機遇和挑戰(zhàn)。圖像數(shù)量的快速增長使得傳統(tǒng)的以集中式索引模式構(gòu)建的數(shù)據(jù)中心面臨低效、擴展性差等問題。近幾年來,依據(jù)覆蓋網(wǎng)絡(luò)(Overlay network)的思想,借助分布式哈希表(Distributed Hash Table,DHT)技術(shù)為數(shù)據(jù)中心構(gòu)建一個純分布式架構(gòu)成為一種新型解決方案,更加適用于海量資源的檢索和管理需求。在基于DHT的結(jié)構(gòu)化分布式系統(tǒng)中,每個結(jié)點只負責(zé)部分資源索引和小范圍路由信息,實現(xiàn)整個分布式網(wǎng)絡(luò)的尋址和資源快速定位。不同于基于關(guān)鍵字的圖像檢索,基于內(nèi)容的圖像檢索技術(shù)能夠不借助文本描述找出與查詢示例內(nèi)容相似的圖像,更適宜于圖像檢索,已成為近年來圖像檢索的主流技術(shù)。因此,如何結(jié)合DHT檢索機制,實現(xiàn)基于內(nèi)容的圖像快速檢索和匹配,已成為當(dāng)今重要的研究課題。本文提出了一種基于內(nèi)容的大規(guī)模分布式圖像檢索框架,可以針對不同類型的圖像生成相應(yīng)的分布式索引,并采用覆蓋網(wǎng)路由協(xié)議發(fā)布索引和定位查詢。該框架基于自組織的云計算環(huán)境構(gòu)建,便于大規(guī)模部署,有效提高了基于內(nèi)容圖像檢索系統(tǒng)的可擴展性和容錯性。實現(xiàn)該框架包括如下關(guān)鍵問題：如何根據(jù)圖像視覺特征構(gòu)造分布式索引,并根據(jù)用戶反饋修改查詢；如何在保障負載均衡的情況下,將索引均勻地發(fā)布到各個結(jié)點上；如何有效降低通信代價并保障查詢效率等。圍繞上述問題,本文的創(chuàng)新工作概括如下：(一)提出了針對圖像紋理特征的大規(guī)模分布式檢索系統(tǒng)LRFIR (LSH-based Relevance Feedback for Image Retrieval),既支持內(nèi)容相似性檢索也支持語義相似檢索。LRFIR運用了多基元紋理直方圖進行圖像特征提取,利用一組局部敏感哈希函數(shù),將紋理相似的特征以較高的概率映射到同一個哈希值,從而生成了圖像的分布式紋理索引。DHT使得查詢請求只發(fā)送到可能含有該紋理特征的結(jié)點,降低了通信代價且保證了查詢準(zhǔn)確率。(二)采用信息檢索中的相關(guān)反饋機制克服低級特征和高級特征之間的鴻溝,實現(xiàn)分布式環(huán)境下圖像內(nèi)容的語義查詢。LRFIR相關(guān)反饋允許用戶在結(jié)果中選擇與查詢相關(guān)和不相關(guān)的圖像以幫助系統(tǒng)不斷更新查詢,使查詢不斷接近用戶語義。本文采用分別圖像庫Corel和Caltech 101 Object Categories進行了驗證,結(jié)果表明LRFIR能夠在較少的跳數(shù)內(nèi)完成檢索,并保證系統(tǒng)的負載均衡。(三)提出了針對圖像融合特征的高擴展性分布式檢索框架LFFIR (LSH-based Fusion Features for Image Retrieval)。LFFIR利用圖像融合特征的多特征性,從多個角度捕捉圖像內(nèi)容并將其引入DHT,更適合于檢索內(nèi)容豐富的自然景觀圖像。LFFIR包含索引構(gòu)造服務(wù)和查詢處理服務(wù),前者利用融合特征構(gòu)造圖像的分布式多特征索引,并將相似圖像的索引聚集到同一結(jié)點；后者負責(zé)處理查詢圖像,發(fā)布查詢消息,并將消息路由到最可能應(yīng)答查詢的結(jié)點。與M-Chord的對比實驗證實,LFFIR能以較低的查詢代價,完成準(zhǔn)確的檢索。(四)針對圖像的局部特征,提出了基于詞袋模型的分布式圖像檢索框架BVWIR (Bag of Visual Words based Image Retrieval),將詞袋模型整合到DHT中,利用局部敏感哈希函數(shù)特性為局部特征聚類并自動生成視覺詞典,更適合于對物體圖像的檢索。BVWIR將相似圖像塊以極高的概率發(fā)布到相同的視覺詞匯,而不需要任何全局信息。同時,為降低多個局部特征引起的高額查詢代價,該框架包含了兩種消息傳輸模式,并行模式和串行模式,以降低查詢代價且保證準(zhǔn)確率。
[Abstract]:The rapid promotion of the rapid development of mobile Internet and mobile intelligent products, make the new application all over the world, prompted the exponential explosion of image resources in the Internet, spawned a network data in "big data" as the characteristics of the era. The era of big data and cloud computing technology application research based on image retrieval has brought new the opportunities and challenges. The rapid growth of the number of images that to construct the centralized index mode of the traditional data center facing the problem of inefficient, poor scalability and so on. In recent years, based on the overlay network (Overlay network) thought, by means of a distributed hash table (Distributed Hash Table DHT) technology is a pure distributed architecture has become a a new solution for data center construction, retrieval and management needs is more suitable for the massive resources. Based on the structured distributed DHT system, each node only Responsible for part of the resource index and small range of routing information, and realize the distributed network resources addressing and fast positioning. Different from the keyword based image retrieval technology can find text description and query example content similar to the image without the aid of content-based image retrieval is more suitable for image retrieval, has become a mainstream technology in recent years, image retrieval therefore, how to combine the DHT retrieval mechanism, realize content-based image retrieval and matching based on fast, has become an important research topic today. This paper presents a large-scale distributed content image retrieval framework based on, can be for different types of images to generate the corresponding distributed index, and using the overlay routing protocol and query index released positioning. The framework self organizing cloud computing environment based on large-scale deployment, effectively improves the image retrieval based on content The system scalability and fault tolerance. The framework includes the following key problems: how to construct the image visual features according to the distributed index, and according to user feedback on how to modify the query; load balancing security situation, the index released evenly to every node; how to effectively reduce the communication cost and ensure the query efficiency of around. The above problems, the innovation of this work are summarized as follows: (a) is proposed for large-scale distributed image retrieval system LRFIR (LSH-based Relevance Feedback for Image Retrieval), which supports the content similarity retrieval also supports semantic similarity retrieval using.LRFIR multi textons histogram for image texture feature extraction, using a set of local sensitive hash function and texture similar characteristics with high probability mapping to the same hash value, thereby producing a distributed image The texture index.DHT makes the query request only sent to the node may contain texture features, reduce the communication cost and ensure the accurate query. (two) used in information retrieval and relevance feedback mechanism to overcome the gap between low-level features and high-level semantic features, realize the distributed environment image content relevance feedback allows the user to query.LRFIR select the image and query related and unrelated in the results to help the system to continuously update query, the query is close to the user. This paper uses the semantic image library of Corel and Caltech were 101 Object Categories were verified, the results show that LRFIR can achieve retrieval in less hops, and ensure the load balancing system (three.) is proposed for distributed scalable image fusion feature retrieval framework LFFIR (LSH-based Fusion Features for Image Retrieval.LFFIR) using image fusion Features of photosynthetic characteristics, capture the image content from multiple angles and the introduction of DHT, more suitable for retrieval of natural landscape images with rich.LFFIR contains the index construction and query processing service service, the former uses the distributed fusion structure of the image of the characteristics of multi feature index, and the similarity index of the image gathered in the same node; the latter is responsible for processing the query image, issued the query message, and the message is routed to the most likely response query nodes. Confirmed the experimental results compared with the M-Chord, LFFIR to lower the cost of query, complete and accurate retrieval. (four) according to the local characteristics of the image, the image retrieval framework of distributed BVWIR model based on bag of words (Bag of Visual Words based Image Retrieval), the bag of words model integrated with DHT, using the function characteristic of locality sensitive hashing for local feature clustering and automatic generation of visual dictionary is more suitable On the object image retrieval.BVWIR similar image blocks with a high probability of release to the same visual vocabulary, and does not require any global information. At the same time, to reduce the high query cost caused by a number of local features, the framework includes two types of message transmission mode, parallel mode and serial mode, in order to reduce the query cost and to ensure the accuracy.

【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 韓法旺;;基于云計算模式的圖像檢索研究[J];情報科學(xué);2011年10期

2 何巖;;以計算機為基礎(chǔ)的色彩圖像檢索方法與研究[J];計算機光盤軟件與應(yīng)用;2013年12期

3 郭海鳳;李廣水;仇彬任;;基于融合多特征的社會網(wǎng)上圖像檢索方法[J];計算機與現(xiàn)代化;2013年12期

4 柏正堯,周紀(jì)勤;基于復(fù)數(shù)矩不變性的圖像檢索方法研究[J];計算機應(yīng)用;2000年10期

5 夏峰,張文龍;一種圖像檢索的新方法[J];計算機應(yīng)用研究;2002年11期

6 鄧誠強,馮剛;基于內(nèi)容的多特征綜合圖像檢索[J];計算機應(yīng)用;2003年07期

7 斯白露,高文,盧漢清,曾煒,段立娟;基于感興趣區(qū)域的圖像檢索方法[J];高技術(shù)通訊;2003年05期

8 劉怡,于沛;基于“知網(wǎng)”的新聞圖像檢索方法[J];河南師范大學(xué)學(xué)報(自然科學(xué)版);2003年02期

9 張榮,鄭浩然,李金龍,王煦法;進化加速技術(shù)在圖像檢索中的應(yīng)用[J];計算機工程與應(yīng)用;2004年16期

10 黃德才,胡嘉,鄭月鋒;交互式圖像檢索中相關(guān)反饋進展研究[J];計算機應(yīng)用研究;2005年09期

相關(guān)會議論文 前10條

1 陳旭文;朱紅麗;;一種高效的圖像檢索方法[A];中國儀器儀表學(xué)會第九屆青年學(xué)術(shù)會議論文集[C];2007年

2 周向東;張亮;張琪;劉莉;殷慷;施伯樂;;一種新的圖像檢索相關(guān)反饋方法[A];第十九屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2002年

3 陳世亮;李戰(zhàn)懷;閆劍鋒;;一種基于本體描述的空間語義圖像檢索方法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

4 趙海英;彭宏;;基于最優(yōu)近似反饋的圖像檢索[A];’2004系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];2004年

5 許相莉;張利彪;于哲舟;周春光;;基于商空間粒度計算的圖像檢索[A];第八屆全國信息隱藏與多媒體安全學(xué)術(shù)大會湖南省計算機學(xué)會第十一屆學(xué)術(shù)年會論文集[C];2009年

6 李凌偉;周榮貴;劉怡;;基于概念的圖像檢索方法[A];第十九屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2002年

7 楊關(guān)良;李忠杰;徐小杰;;基于代表色的圖像檢索方法研究[A];首屆信息獲取與處理學(xué)術(shù)會議論文集[C];2003年

8 彭瑜;喬奇峰;魏昆娟;;基于多示例學(xué)習(xí)的圖像檢索方法[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

9 胡敬;武港山;;基于語義特征的風(fēng)景圖像檢索[A];2009年研究生學(xué)術(shù)交流會通信與信息技術(shù)論文集[C];2009年

10 許天兵;;一種基于語義分類的圖像檢索方法[A];中國圖象圖形學(xué)會第十屆全國圖像圖形學(xué)術(shù)會議（CIG’2001）和第一屆全國虛擬現(xiàn)實技術(shù)研討會（CVR’2001）論文集[C];2001年

相關(guān)博士學(xué)位論文 前10條

1 崔超然;圖像檢索中自動標(biāo)注、標(biāo)簽處理和重排序問題的研究[D];山東大學(xué);2015年

2 楊迪;基于內(nèi)容的分布式圖像檢索[D];北京郵電大學(xué);2015年

3 李展;基于多示例學(xué)習(xí)的圖像檢索與推薦相關(guān)算法研究[D];西北大學(xué);2012年

4 郭麗;基于內(nèi)容的商標(biāo)圖像檢索研究[D];南京理工大學(xué);2003年

5 邵虹;基于內(nèi)容的醫(yī)學(xué)圖像檢索關(guān)鍵技術(shù)研究[D];東北大學(xué);2005年

6 韋娜;基于內(nèi)容圖像檢索關(guān)鍵技術(shù)研究[D];西北大學(xué);2006年

7 梁洪;基于內(nèi)容的醫(yī)學(xué)圖像檢索及語義建模關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2010年

8 譚立球;基于本體的圖像檢索相關(guān)技術(shù)研究[D];中南大學(xué);2009年

9 劉為;基于內(nèi)容圖像檢索關(guān)鍵技術(shù)的研究[D];吉林大學(xué);2010年

10 齊恒;基于內(nèi)容圖像檢索的關(guān)鍵技術(shù)研究[D];大連理工大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 趙鴻;基于尺度不變局部特征的圖像檢索研究[D];華南理工大學(xué);2015年

2 孫劍飛;基于圖像索引的熱點話題檢索方法研究[D];蘭州大學(xué);2015年

3 章進洲;圖像檢索中的用戶意圖分析[D];南京理工大學(xué);2015年

4 苗思楊;移動圖像檢索中的漸進式傳輸方式研究[D];大連海事大學(xué);2015年

5 都業(yè)剛;基于顯著性的移動圖像檢索[D];大連海事大學(xué);2015年

6 王夢蕾;基于用戶反饋和改進詞袋模型的圖像檢索[D];南京理工大學(xué);2015年

7 許鵬飛;基于草圖的海量圖像檢索方法研究[D];浙江大學(xué);2015年

8 馮進麗;基于BoF的圖像檢索與行為識別研究[D];山西大學(xué);2015年

9 喬維強;基于低級特征和語義特征的醫(yī)學(xué)圖像檢索[D];北京理工大學(xué);2015年

10 蔣國寶;基于內(nèi)容的概念建模和圖像檢索重排序[D];復(fù)旦大學(xué);2014年

，

本文編號：1492945