本文選題：圖像檢索 + 多特征融合　； 參考：《哈爾濱理工大學》2016年博士論文

【摘要】：從圖像檢索方法產(chǎn)生至今,已經(jīng)形成了三個重要的分支:基于文本的圖像檢索、基于內(nèi)容的圖像檢索、基于語義的圖像檢索�；谖谋镜膱D像檢索,用文本來描述用戶的需求,如圖像名、圖像特征等,但因為文本表達能力的局限以及文本標注過程中的歧義性,往往造成檢索結果和用戶需求的不符合;基于語義的圖像檢索,在圖像視覺特征基礎上進一步提煉其高級的語義表達能力,但檢索過程復雜且方法體系發(fā)展尚不完善;基于內(nèi)容的圖像檢索,以顏色、紋理、形狀等作為圖像的特征表達,以此為依據(jù)開展檢索并作為相似性判斷的依據(jù),是當前圖像檢索領域的研究熱點�；趦�(nèi)容的圖像檢索方法,為提升查準率和查全率需要同時使用多種特征。這些特征的融合策略和融合規(guī)則,是制約基于內(nèi)容圖像的檢索方法性能的關鍵問題。本文以基于內(nèi)容的圖像檢索方法為研究對象,以多特征融合框架設計、融合規(guī)則設計為核心研究內(nèi)容,以檢測領域中的應用為研究背景,開展了如下的研究工作:第一,在單一特征的圖像檢索方法框架基礎上,研究多特征融合的圖像檢索理論框架,深入分析多特征融合過程中的特征選擇、特征提取、特征向量生成、相似性比較等問題。從特征向量融合和相似性測度融合兩個角度,構建多特征融合圖像檢索理論的通用框架。依托層次分析法,構建圖像檢索方法的評價框架。第二,綜合考慮查準率和檢索時間,提出了基于顏色特征和邊緣特征融合的圖像檢索方法。此方法在相似性測度中,將紅色、綠色、藍色三個顏色分量特征和邊緣細節(jié)特征融合在一起,以此提升檢索結果的準確性。同時,為了降低檢索過程的執(zhí)行時間,顏色特征和邊緣特征的提取都放在二次小波分解的低頻分量圖像上。第三,綜合考慮查全率和檢索時間,提出了基于小波基特征的圖像檢索方法。此方法融合了兩類抽象的小波基特征,作為圖像檢索過程中的相似性判斷依據(jù),充分發(fā)揮了小波基特征的自適應能力,使得整個方法對不同類別的圖像都具有較強的針對性。同時,小波基特征通過泰勒級數(shù)近似替代,也具備較好的速度優(yōu)勢。第四,綜合考慮查準率和查全率,提出了多特征ESN融合的圖像檢索方法。此方法融合了顏色特征、紋理特征、形狀特征,并用ESN網(wǎng)絡訓練得出三種特征的融合權重,不僅增強了相似性判斷的全面性也增強了檢索過程的適應性。
[Abstract]:Since the emergence of image retrieval methods, three important branches have been formed: text-based image retrieval, content-based image retrieval, and semantic-based image retrieval. In text-based image retrieval, the user's needs are described by text, such as image name, image feature, etc. However, because of the limitation of text expression ability and the ambiguity in the process of text annotation, the result of retrieval is often inconsistent with the user's demand. Semantic image retrieval further refines its advanced semantic expression ability on the basis of image visual features, but the retrieval process is complex and the method system is not perfect, and content-based image retrieval is based on color and texture. Shape, as the feature expression of image, is the research hotspot in the field of image retrieval, based on which the retrieval is carried out and the similarity is judged. Content-Based Image Retrieval (CBIR) requires multiple features to improve precision and recall. The fusion strategy and fusion rules of these features are the key problems that restrict the performance of content-based image retrieval methods. In this paper, the content-based image retrieval method is taken as the research object, the multi-feature fusion framework design, the fusion rules design as the core research content, and the application in the detection field as the research background, the following research work is carried out: first, Based on the framework of a single feature image retrieval method, the theoretical framework of multi-feature fusion image retrieval is studied, and the problems of feature selection, feature extraction, feature vector generation and similarity comparison in the process of multi-feature fusion are analyzed in depth. Based on feature vector fusion and similarity measure fusion, a general framework of multi-feature fusion image retrieval theory is constructed. Based on Analytic hierarchy process (AHP), the evaluation framework of image retrieval method is constructed. Secondly, an image retrieval method based on color feature and edge feature fusion is proposed. In the similarity measure, the red, green and blue color component features and edge detail features are fused together to improve the accuracy of retrieval results. At the same time, in order to reduce the execution time of the retrieval process, the extraction of color features and edge features are placed on the low-frequency image of quadratic wavelet decomposition. Thirdly, considering recall rate and retrieval time, an image retrieval method based on wavelet basis feature is proposed. This method combines two kinds of abstract wavelet basis features, which can be used as the basis of similarity judgment in the process of image retrieval, and gives full play to the adaptive ability of wavelet basis features, which makes the whole method have strong pertinence for different kinds of images. At the same time, the wavelet basis feature is replaced by Taylor series approximation, which also has a good speed advantage. Fourthly, an image retrieval method based on multi-feature ESN fusion is proposed considering recall ratio and recall rate. This method combines color features, texture features and shape features. The fusion weights of the three features are obtained by ESN network training, which not only enhance the comprehensiveness of similarity judgment, but also enhance the adaptability of retrieval process.
【學位授予單位】：哈爾濱理工大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP391.41

【相似文獻】

相關期刊論文 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;2011年10期

2 何巖;;以計算機為基礎的色彩圖像檢索方法與研究[J];計算機光盤軟件與應用;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,周紀勤;基于復數(shù)矩不變性的圖像檢索方法研究[J];計算機應用;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];河南師范大學學報(自然科學版);2003年02期

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

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

相關會議論文 前10條

1 陳旭文;朱紅麗;;一種高效的圖像檢索方法[A];中國儀器儀表學會第九屆青年學術會議論文集[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反饋方法[A];第十九屆全國數(shù)據(jù)庫學術會議論文集（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)庫學術會議論文集（技術報告篇）[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)仿真技術及其應用學術交流會論文集[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術大會湖南省計算機學會第十一屆學術年會論文集[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)庫學術會議論文集（技術報告篇）[C];2002年

7 楊關良;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術會議論文集[C];2003年

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

9 胡敬;武港山;;基于語義特征的風景圖像檢索[A];2009年研究生學術交流會通信與信息技術論文集[C];2009年

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

相關博士學位論文 前10條

1 崔超然;圖像檢索中自動標注、標簽處理和重排序問題的研究[D];山東大學;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;2015年

3 張旭;網(wǎng)絡圖像檢索關鍵技術研究[D];西安電子科技大學;2014年

4 吳夢麟;基于半監(jiān)督學習的醫(yī)學圖像檢索研究[D];南京理工大學;2015年

5 汪友寶;基于多分辨率和顯著特征的圖像檢索方法研究[D];上海大學;2015年

6 張運超;面向海量圖像檢索的視覺編碼方法分析與優(yōu)化[D];北京理工大學;2015年

7 高毫林;基于哈希技術的圖像檢索研究[D];解放軍信息工程大學;2014年

8 李清亮;圖像檢索中判別性增強研究[D];吉林大學;2016年

9 劉爽;多特征融合圖像檢索方法及其應用研究[D];哈爾濱理工大學;2016年

10 李展;基于多示例學習的圖像檢索與推薦相關算法研究[D];西北大學;2012年

相關碩士學位論文 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;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;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;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;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;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;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;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;2015年

9 喬維強;基于低級特征和語義特征的醫(yī)學圖像檢索[D];北京理工大學;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];復旦大學;2014年

，

本文編號：1887779