基于語義的Web圖像分類研究.pdf

1、隨著數(shù)碼成像產(chǎn)品和大容量存儲設備價格的日益低廉，每天都會產(chǎn)生成千上萬的數(shù)字照片，導致互聯(lián)網(wǎng)上多媒體信息的數(shù)量呈爆炸性增長。此外，圖像搜索引擎(如Yahoo!、Google)和在線照片管理與共享應用軟件(如Flickr)，促使圖像信息資源在網(wǎng)絡環(huán)境中隨處可見。網(wǎng)絡用戶可以方便地建立自己的數(shù)字照片集，并在線與他人共享和交流。但如何高效地表示、索引和檢索Web圖像，有必要分析圖像的內(nèi)容，挖掘隱含在圖像中的語義信息?；谡Z義的圖像分類是從海量的

2、Web圖像中發(fā)現(xiàn)有用信息的重要途徑，具有巨大的應用前景。當前，圖像分類雖然在低層視覺特征的提取上較為成熟，但高層語義信息獲取的有效性卻常常無法滿足實際需求。其次，Web圖像通常具有大規(guī)模、高維數(shù)、非線性的特性，并且在內(nèi)容上又表現(xiàn)出豐富性和多樣性。因此，基于語義的Web圖像分類既是一個迫切需要解決的關鍵問題，也是一個極具挑戰(zhàn)性的研究課題。
　　 本文針對當前Web圖像分類中存在的問題，提出了相應的解決方案，獲取了一定的創(chuàng)新性成果。

3、本文的主要貢獻概括如下：
　　 (1)為了縮短存在于圖像的低層視覺特征與高層語義信息之間的“語義鴻溝”，首先按照語義信息的抽象程度給出了一個三層的圖像語義模型。然后，基于該模型，闡述了用來表述圖像內(nèi)容的具有代表性的語義信息表示方法。最后，從分析Web圖像的特點入手，深入研究圖像差異性產(chǎn)生的原因，這是獲取高效的Web圖像分類方法的前提。
　　 (2)圖像特征優(yōu)化是處理Web圖像分類中的高維圖像數(shù)據(jù)的重要手段。圖像特征優(yōu)化可

4、被形式化定義成一個五元組模型。采用鄰域重建和半徑遞增搜索策略，提出了一種基于球狀鄰域的局部線性嵌入(GNLLE)。GNLLE不僅適用于稀疏數(shù)據(jù)集，而且具有較強的抗外界噪聲能力和良好的拓撲結構穩(wěn)定性。由于非線性維數(shù)約簡通常采用基于點對的相似性計算去定義距離度量，又提出了一種基于球狀鄰域和路徑聚類的局部線性嵌入(GNPCLLE)。由于GPNCLLE充分利用了數(shù)據(jù)相關性，有效減輕了數(shù)據(jù)集的整體拓撲結構的失真現(xiàn)象。在Web圖像集上的實驗結果顯示

5、了GNLLE和GNPCLLE的可行性和有效性。
　　 (3)準確地從Web圖像中提取感興趣區(qū)域(ROI)是提升Web圖像分類性能的關鍵。提出了一種新的圖像分割策略，包含粗分割和精分割兩個階段。在第一階段中，采用基于顏色和紋理特征的塊聚類方法將一幅圖像劃分成四個區(qū)域，并依照攝影構圖法則將ROI從背景中區(qū)分出來。此階段用來確定目標區(qū)域。在第二階段中，利用形狀信息和矢量方法構建了一個活動輪廓模型，圖像能量來自于色度梯度，外部能量來自于

6、三角形內(nèi)心引力和補力。此階段用來精確地提取目標的邊界。通過對Web圖像進行實驗，驗證了提出的圖像分割方法的有效性。
　　 (4)面向圖像集的批處理分類越來越受到研究者的關注。為了提高Web圖像分類的準確率，提出了一個建立在圖像語義的不同粒度層次上的分層次圖像分類模型。定義了兩種新的非線性流形：多類對象流形和單類場景模型。在對象層上的分類中，根據(jù)不同語義類別圖像之間的類內(nèi)差異和類間差異，利用擴展的局部線性嵌入(ELLE)算法構建了

7、一個多類對象流形。在場景層上的分類中，依照不同場景為同一種語義類別的圖像構建了一個單類場景流形，并基于區(qū)域增長和線性擾動，提出了一種線性子流形自動生成(LLSE)算法。提出的面向對象的分層次圖像分類模型的性能在Web圖像集上進行了測試。
　　 (5)針對Web圖像分類的復雜性，提出了一種基于雙流形學習的圖像分類方法，將圖像分類問題從高維空間轉換到低維空間中解決。首先，利用正例類圖像和反例類圖像之間的顯著差異，分開建立兩個帶有不同