本文關(guān)鍵詞：基于內(nèi)容的圖像檢索方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】： 隨著多媒體信息技術(shù)和互聯(lián)網(wǎng)技術(shù)的發(fā)展,特別是海量數(shù)據(jù)庫的出現(xiàn),圖像信息越來越得到重視,如何從大量的圖像中快速有效地查找出人們感興趣的圖像成為了急需解決的問題,基于內(nèi)容的圖像檢索技術(shù)應(yīng)運(yùn)而生,并成為多媒體信息處理領(lǐng)域的研究熱點(diǎn)。本文主要研究圖像檢索中的圖像相似性分析和圖像局部信息特征的應(yīng)用。具體研究包括: 在研究基于圖的數(shù)據(jù)分析方法基礎(chǔ)上,提出了結(jié)合流形排序和區(qū)域匹配的二次排序檢索策略。利用圖像特征數(shù)據(jù)的流形分布結(jié)構(gòu)對圖像進(jìn)行相似性排序,并通過區(qū)域匹配關(guān)系圖獲得圖像的區(qū)域匹配權(quán)值修正排序結(jié)果。在相關(guān)反饋中,利用反饋得到的相關(guān)圖像和不相關(guān)圖像信息調(diào)整圖像流形排序得分和圖像區(qū)域?qū)τ诿枋鰣D像內(nèi)容的權(quán)值,進(jìn)一步提高檢索準(zhǔn)確率。 給出了兩種有效利用多示例學(xué)習(xí)進(jìn)行圖像檢索的方法。第一種方法通過小波方法提取圖像的顯著點(diǎn),以顯著點(diǎn)區(qū)域作為示例,采用EM-DD方法進(jìn)行多示例學(xué)習(xí),利用學(xué)習(xí)結(jié)果進(jìn)行圖像的相似性排序;第二種方法首先對圖像進(jìn)行有效分割,以分割區(qū)域作為示例,利用示例的多樣性密度和特征相似性生成以多示例包為頂點(diǎn)的加權(quán)圖,并應(yīng)用圖的方法進(jìn)行多示例學(xué)習(xí)。兩種方法都在驗(yàn)證實(shí)驗(yàn)中取得了良好的檢索結(jié)果。 在研究信息檢索和分類中的隱語義分析方法的基礎(chǔ)上,給出一種將概率隱語義分析的思想用于基于區(qū)域的圖像檢索的方法。該方法通過分析區(qū)域-圖像同現(xiàn)概率的隱變量模型,并利用期望最大算法迭代計(jì)算隱含圖像語義空間。通過求最大后驗(yàn)概率的方法近似建立區(qū)域-圖像關(guān)聯(lián)數(shù)據(jù)與隱含圖像語義空間特征之間的映射關(guān)系,并對圖像進(jìn)行基于隱語義特征的流形排序,提高圖像檢索有效性。 上述方法在計(jì)算機(jī)上利用Matlab、Visual C++等工具,并采用Corel圖像庫作為實(shí)驗(yàn)圖像進(jìn)行了仿真實(shí)驗(yàn),結(jié)果表明所提方法可以提高圖像檢索準(zhǔn)確率。
【關(guān)鍵詞】：基于內(nèi)容圖像檢索 流形排序 區(qū)域匹配圖 相關(guān)反饋 多示例學(xué)習(xí) 隱語義分析
【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2008
【分類號】：TP391.41
【目錄】：

• 摘要5-6
• Abstract6-8
• 目錄8-10
• 圖表索引10-12
• 第1章 緒論12-26
• 1.1 研究背景及意義12-14
• 1.2 基于內(nèi)容圖像檢索的概述14-20
• 1.2.1 基于內(nèi)容圖檢索的系統(tǒng)結(jié)構(gòu)14-15
• 1.2.2 基于內(nèi)容圖像檢索的關(guān)鍵問題15-20
• 1.3 基于內(nèi)容圖像檢索研究現(xiàn)狀20-23
• 1.4 本文的主要研究內(nèi)容和創(chuàng)新點(diǎn)23-26
• 第2章 基于圖的數(shù)據(jù)分析26-36
• 2.1 基于圖的數(shù)據(jù)降維26-32
• 2.1.1 等距映射27-28
• 2.1.2 線性局部嵌入28-30
• 2.1.3 拉普拉斯特征映射30-31
• 2.1.4 保局投影方法31-32
• 2.2 基于圖的數(shù)據(jù)相似性分析32-35
• 2.2.1 數(shù)據(jù)的流形排序算法32-33
• 2.2.2 流形排序算法分析33-34
• 2.2.3 流形排序示例34-35
• 2.3 本章小結(jié)35-36
• 第3章 結(jié)合流形排序和區(qū)域匹配的圖像檢索36-58
• 3.1 方法概述36-37
• 3.2 基于顏色和紋理的圖像分割37-44
• 3.2.1 JSEG分割37-39
• 3.2.2 改進(jìn)的分割方法39-43
• 3.2.3 分割結(jié)果及分析43-44
• 3.3 結(jié)合流形排序和區(qū)域匹配的檢索方法44-53
• 3.3.1 全局特征排序44-47
• 3.3.2 結(jié)合區(qū)域特征的排序47-51
• 3.3.3 相關(guān)反饋51-53
• 3.4 實(shí)驗(yàn)結(jié)果53-57
• 3.5 本章小結(jié)57-58
• 第4章 多示例學(xué)習(xí)方法研究58-70
• 4.1 多示例學(xué)習(xí)概念58-59
• 4.2 多示例學(xué)習(xí)方法59-65
• 4.2.1 多樣性密度方法59-61
• 4.2.2 支持向量基多示例學(xué)習(xí)方法61-65
• 4.3 結(jié)合流形排序的多示例學(xué)習(xí)方法65-68
• 4.3.1 問題分析65-67
• 4.3.2 方法實(shí)現(xiàn)67-68
• 4.4 本章小結(jié)68-70
• 第5章 基于多示例學(xué)習(xí)的圖像檢索方法實(shí)現(xiàn)70-84
• 5.1 基于顯著點(diǎn)多示例學(xué)習(xí)的圖像檢索實(shí)現(xiàn)70-77
• 5.1.1 圖像顯著點(diǎn)提取70-72
• 5.1.2 基于顯著點(diǎn)特征的檢索72-73
• 5.1.3 基于顯著點(diǎn)多示例學(xué)習(xí)的檢索策略73-75
• 5.1.4 實(shí)驗(yàn)結(jié)果75-77
• 5.2 基于分割區(qū)域多示例學(xué)習(xí)的圖像檢索實(shí)現(xiàn)77-82
• 5.2.1 區(qū)域特征提取78-80
• 5.2.2 基于區(qū)域多示例學(xué)習(xí)檢索策略80-81
• 5.2.3 實(shí)驗(yàn)結(jié)果81-82
• 5.3 本章小結(jié)82-84
• 第6章 基于隱含語義的圖像檢索84-94
• 6.1 隱語義分析方法84-88
• 6.1.1 隱語義分析84-85
• 6.1.2 概率隱語義分析85-88
• 6.2 基于區(qū)域-圖像隱語義的圖像檢索88-92
• 6.2.1 區(qū)域和圖像的關(guān)聯(lián)描述88-89
• 6.2.2 圖像概率隱語義模型89-91
• 6.2.3 圖像隱語義檢索91-92
• 6.3 實(shí)驗(yàn)結(jié)果92-93
• 6.4 本章小結(jié)93-94
• 第七章 總結(jié)與展望94-96
• 7.1 論文總結(jié)94-95
• 7.2 后續(xù)研究工作95-96
• 參考文獻(xiàn)96-104
• 致謝104-106
• 在讀期間發(fā)表的學(xué)術(shù)論文與取得的研究成果106

【引證文獻(xiàn)】

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 劉崢;圖像的語義標(biāo)注及其改善問題研究[D];山東大學(xué);2011年

2 曾成斌;多攝像機(jī)協(xié)同的行人檢測技術(shù)研究[D];北京郵電大學(xué);2011年

3 陳慧中;基于內(nèi)容的月球遙感影像檢索關(guān)鍵技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前6條

1 左浩;模糊聚類與粒子群算法在圖像分割中的應(yīng)用研究[D];江西理工大學(xué);2011年

2 高如如;基于內(nèi)容的圖像檢索技術(shù)研究[D];中國科學(xué)技術(shù)大學(xué);2011年

3 李鶴;基于B/S架構(gòu)的藥片檢索系統(tǒng)[D];北京郵電大學(xué);2012年

4 陳思維;基于內(nèi)容圖像檢索技術(shù)算法的研究與實(shí)現(xiàn)[D];南京理工大學(xué);2012年

5 岳柱;基于內(nèi)容的圖像檢索技術(shù)研究[D];陜西科技大學(xué);2013年

6 莊小芳;基于混合圖結(jié)構(gòu)的圖像相似度的研究[D];福建師范大學(xué);2013年

  本文關(guān)鍵詞：基于內(nèi)容的圖像檢索方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：436011