Wordnet在圖像語義分析中的應用.pdf

1、傳統(tǒng)上基于內(nèi)容圖像檢索(content-basedimageretrieval，CBIR)系統(tǒng)因存在著使用者查詢與圖像特征間的語義鴻溝，所以通常無法滿足使用者的需求。語義鴻溝為CBIR系統(tǒng)主要的缺點，在本文中探討一個方法去連結(jié)這樣的語義鴻溝。我們將根據(jù)萃取網(wǎng)頁中圖像周圍文字的語義來克服CBIR系統(tǒng)語義鴻溝的缺陷。
　　 本論文研究一新的Wordnet語義學習方法，利用一群已標記的圖像產(chǎn)生可能的語義訊息來偵訊圖片中的主要語義物件，

2、并據(jù)以應用到內(nèi)容導向圖像檢索的應用上。在本方法中，將資料庫的圖像分為兩類——已標示(labeled)語義群與未標示(unlabeled)群圖像，對每一個已標記的圖像我們設(shè)計一基于低階特征語義學習模型。資料庫里的所有圖像都會先經(jīng)過圖像切割方法切割成多個區(qū)塊，進而抽取代表這些區(qū)塊的三種不同形態(tài)的低階視覺特征（顏色、形狀、紋理），根據(jù)這些低階視覺特征的統(tǒng)計資料建造出語義偵測模型來預測分析隱藏在資料庫里的語義信息。由于人類對于圖像中所包含的語義

3、特征是很主觀的，所以使用具人工標記的圖像的低階特征所建立的統(tǒng)計模型來進行圖像做注解常有模糊不清的問題。為解決這個問題，本論文運用一個區(qū)域權(quán)重估測演算法，選取具最大的語義信息重要區(qū)域，抽取其特征后，進行隱含語義內(nèi)涵區(qū)域式內(nèi)容導向圖像檢索。在檢索的過程中，只有重要區(qū)域的特征才用來當作計算圖像間語義距離的特征向量，此語義學習架構(gòu)對內(nèi)容導向圖像檢索系統(tǒng)提供了一個連結(jié)高階語義概念與低階圖像特征的橋梁。實驗結(jié)果顯示我們所使用的方法與其他相似的語義學