隨著社會信息化的發(fā)展和便攜式智能圖像獲取設(shè)備的普及,一方面人們作為圖片的創(chuàng)造者可以隨時隨地分享圖片,造成互聯(lián)網(wǎng)海量圖像資源的形成,另一方面人們作為圖片的使用者,需要從這海量的資源中尋找滿足自己需求的圖片。這給圖像資源的管理、組織與檢索帶來了挑戰(zhàn)。因此,圖像相關(guān)技術(shù)的研究越來越多,圖像檢索就是其中的一個方面。目前,圖像檢索研究已經(jīng)取得相當不錯的成果。但從研究的學科分布來看,主要集中于計算機科學領(lǐng)域,且注重于技術(shù)層面的改進,而圖書情報領(lǐng)域?qū)D像檢索稍有研究,且主要集中于理論層面的探討。因此,本論文擬立足于圖書情報領(lǐng)域,在保證圖像檢索精度的同時,對圖像檢索的研究進行一些新的嘗試,如通過“圖文結(jié)合”方式組織圖像檢索。本文首先對國內(nèi)外現(xiàn)有相關(guān)研究文獻進行了比較全面的調(diào)研與梳理,歸納與總結(jié)了現(xiàn)有圖像檢索技術(shù)和圖像語義自動標注方法的優(yōu)勢與不足。其次,選取人們?nèi)粘Ｉ钪斜容^關(guān)注的多個主題(霧霾、內(nèi)澇、花卉和秋葉)作為研究對象,從互聯(lián)網(wǎng)采集各個主題帶有“文字說明”的圖像。然后,對圖像及文本信息分別進行處理,主要包括三個方面:(1)處理圖像的描述文本信息,形成圖像語義特征標注,主要涉及關(guān)鍵詞提取和關(guān)鍵詞語義擴展。(2)對圖像特征進行處理,形成圖像視覺特征標注,主要包括本文提出的改進顏色直方圖算法、現(xiàn)有的LBP紋理特征和灰度共生矩陣算法提取過程,重點描述了改進算法,即利用局部顏色熵對分塊圖像進行自適應(yīng)加權(quán)來改進顏色直方圖。(3)綜合圖像視覺特征構(gòu)造SVM多分類模型,主要是為了將所構(gòu)造的圖像分類模型用于基于內(nèi)容的圖像檢索,通過在圖像低層視覺特征和語義類別間建立關(guān)聯(lián),縮小這種圖像檢索方式帶來的語義鴻溝,以提高檢索性能。最后,在圖像標注的基礎(chǔ)上,設(shè)計并實現(xiàn)了圖像檢索系統(tǒng),支持多種檢索方式:基于文本的圖像檢索和基于內(nèi)容的圖像檢索(以圖搜圖)以及兩者組合檢索方式,重點對以圖搜圖中的關(guān)鍵技術(shù)進行探討,并提供“圖文結(jié)合”的方式組織圖像檢索結(jié)果,希望這種更加細粒度的結(jié)果呈現(xiàn)方式能夠改善用戶體驗。另外,文章通過相關(guān)實驗驗證了系統(tǒng)的可行性和所提方法的有效性。
【學位單位】：南京理工大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：G252.7
【部分圖文】：

雖然圖像檢索的研宄已經(jīng)取得了相當不錯的成果，但從整體研宄情況來看，現(xiàn)有的??研宄主要集中在計算機學科領(lǐng)域。以ＣＮＫＩ數(shù)據(jù)庫為檢索源、“圖像檢索”為主題詞的??檢索結(jié)果為例，得到的搜索結(jié)果如圖１．１所示，可以看出對于圖像檢索的研究，７６％來??自計算機領(lǐng)域，而圖書情報界的研宄相對較少，但也占據(jù)重要陣地。作為圖像檢索研??宄重要的學科載體，計算機領(lǐng)域和圖書情報界兩者具有不同的側(cè)重點。計算機領(lǐng)域的??研宄更加側(cè)重于圖像檢索技術(shù)層面的改進，所以為圖像檢索領(lǐng)域的發(fā)展做出了重要的??貢獻，而圖書情報界的研宄主要從圖像檢索領(lǐng)域的發(fā)展、圖像檢索的基本理論及方??法、在數(shù)字圖書館中圖像檢索的應(yīng)用等理論性的角度進行分析，對技術(shù)環(huán)節(jié)的研宄較??為薄弱［１］。除了計算機領(lǐng)域側(cè)重的純技術(shù)角度考慮之外，圖像檢索還可以從更多的角度??進行研宄，圖書情報界可以利用其學科優(yōu)勢，更多地從信息組織、檢索結(jié)果優(yōu)化等角??度來進行研宄。因此

碩士學位論文?面向主題的圖像標注與檢索??上述顏色直方圖是基于圖像全局顏色信息的統(tǒng)計，缺乏空間信息的描述，這會造??成不同圖像具有相似的顏色直方圖，所以會對圖像檢索的結(jié)果產(chǎn)生一定誤差。因此，??本文提出用局部顏色熵對分塊圖像進行自適應(yīng)加權(quán)，通過對各圖像塊的顏色信息加權(quán)??來表示整個圖像的顏色直方圖，從而實現(xiàn)對上述ＨＳＶ顏色直方圖的改進。??傳統(tǒng)的分塊策略是將圖像均勻劃分為塊，但這種均勻分塊方法忽略了人們的??圖像視覺關(guān)注點差異，沒有體現(xiàn)不同區(qū)域的重要性。為了凸顯圖像不同區(qū)域的重要程??度，本文采用文獻［８６］提出的等面積矩形環(huán)圖像分塊方法，如圖３．４所示，該文獻認為??圖像中心區(qū)域應(yīng)賦予更大的權(quán)重，對各圖像子塊的權(quán)值分配采用固定權(quán)值法，按矩形??環(huán)由里到外的次序依次遞減，來突出圖像的主體和背景區(qū)域，但這種固定值加權(quán)方法??不適用于本研宄。本文部分實驗數(shù)據(jù)如圖３．５所示，圖像目標區(qū)域的分布呈現(xiàn)多樣化，??比如圖３．５?（ａ）是杜鵑花圖片，其主體部分大致位于圖像中心；圖３．５?（ｂ）內(nèi)澇圖片主??體大致分布在圖像中下方區(qū)域；圖３．５（ｃ）銀杏葉圖片主體主要分布于圖像兩側(cè)；圖３．５??（ｄ）?￣?（ｆ）主體分布較為均勻，占據(jù)整個圖像區(qū)域，所以在本研宄中圖像中心區(qū)域并??不一定是圖像的主體區(qū)域。因此，本文擬采用顏色熵對圖像子塊進行自適應(yīng)加權(quán)。??

傳統(tǒng)的分塊策略是將圖像均勻劃分為塊，但這種均勻分塊方法忽略了人們的??圖像視覺關(guān)注點差異，沒有體現(xiàn)不同區(qū)域的重要性。為了凸顯圖像不同區(qū)域的重要程??度，本文采用文獻［８６］提出的等面積矩形環(huán)圖像分塊方法，如圖３．４所示，該文獻認為??圖像中心區(qū)域應(yīng)賦予更大的權(quán)重，對各圖像子塊的權(quán)值分配采用固定權(quán)值法，按矩形??環(huán)由里到外的次序依次遞減，來突出圖像的主體和背景區(qū)域，但這種固定值加權(quán)方法??不適用于本研宄。本文部分實驗數(shù)據(jù)如圖３．５所示，圖像目標區(qū)域的分布呈現(xiàn)多樣化，??比如圖３．５?（ａ）是杜鵑花圖片，其主體部分大致位于圖像中心；圖３．５?（ｂ）內(nèi)澇圖片主??體大致分布在圖像中下方區(qū)域；圖３．５（ｃ）銀杏葉圖片主體主要分布于圖像兩側(cè)；圖３．５??（ｄ）?￣?（ｆ）主體分布較為均勻，占據(jù)整個圖像區(qū)域，所以在本研宄中圖像中心區(qū)域并??不一定是圖像的主體區(qū)域。因此，本文擬采用顏色熵對圖像子塊進行自適應(yīng)加權(quán)。??卜．??，?－－??【３【２?ＩＩ?．Ｘ??、、、、＇、??Ｕｌ?ｘｊ??圖３．４等面積矩形環(huán)圖像分塊方法??（ｄ
【參考文獻】

相關(guān)期刊論文 前10條

1 吳偉;聶建云;高光來;;一種基于改進的支持向量機多分類器圖像標注方法[J];計算機工程與科學;2015年07期

2 張永庫;李云峰;孫勁光;;基于改進顏色聚合向量與貢獻度聚類的圖像檢索算法[J];計算機科學;2015年02期

3 張少博;全書海;石英;楊陽;李云路;程姝;;基于顏色矩的圖像檢索算法研究[J];計算機工程;2014年06期

4 項明;姚雪存;崔振東;華銓平;;利用相關(guān)反饋技術(shù)和形狀特征的服裝圖像檢索算法[J];紡織學報;2014年02期

5 沈新寧;王小龍;杜建洪;;基于顏色自相關(guān)圖和互信息的圖像檢索算法[J];計算機工程;2014年02期

6 郭玉堂;韓昌剛;;基于CCA子空間和GMM的自動圖像標注[J];計算機工程;2013年06期

7 余勝;曾接賢;謝莉;;基于多特征融合的圖像檢索算法[J];計算機工程;2012年24期

8 張鑫;溫顯斌;孟慶霞;;基于顏色特征的圖像檢索方法研究[J];計算機科學;2012年11期

9 劉穎;范九倫;;基于內(nèi)容的圖像檢索技術(shù)綜述[J];西安郵電學院學報;2012年02期

10 陳世亮;郭向東;董洋溢;;結(jié)合Web背景知識的圖像語義標注[J];計算機工程與應(yīng)用;2013年04期

相關(guān)博士學位論文 前2條

1 趙玉鳳;圖像檢索中自動標注技術(shù)的研究[D];北京交通大學;2009年

2 莢濟民;基于互聯(lián)網(wǎng)數(shù)據(jù)集的圖像標注技術(shù)研究[D];中國科學技術(shù)大學;2009年

相關(guān)碩士學位論文 前10條

1 王維;基于內(nèi)容的圖像搜索系統(tǒng)設(shè)計與實現(xiàn)[D];北京交通大學;2016年

2 鄧姜平;基于場景分類的圖像語義自動標注及檢索的研究[D];湖南大學;2015年

3 孔文杰;基于文本與視覺信息的圖像檢索技術(shù)研究[D];山東師范大學;2015年

4 王崇錦;面向圖像檢索的視覺特征提取及語義標注[D];長春工業(yè)大學;2015年

5 郝秀琪;基于多特征的圖像檢索研究[D];大連理工大學;2015年

6 王璇;基于內(nèi)容圖像檢索中的對象提取與檢索算法研究[D];北京工業(yè)大學;2013年

7 鐘銳;基于語義的圖像檢索系統(tǒng)基礎(chǔ)技術(shù)研究[D];重慶大學;2012年

8 時賀;基于內(nèi)容的支持向量機圖像檢索方法研究[D];中南大學;2011年

9 陳曾;基于自動圖像標注與翻譯技術(shù)的語義圖像檢索研究[D];西南交通大學;2011年

10 龍春琳;基于顏色信息熵與邊緣信息熵的圖像檢索技術(shù)研究[D];西安電子科技大學;2010年

本文編號：2874141