基于顯著圖分類(lèi)模型的圖像檢索研究.pdf

1、傳統(tǒng)的基于內(nèi)容圖像檢索往往是提取圖像的底層視覺(jué)紋理、顏色和形狀等特征,然后利用特征距離評(píng)價(jià)并排序輸出結(jié)果,然而,這種方法往往達(dá)不到人們的要求,存在人類(lèi)與機(jī)器理解差異的語(yǔ)義鴻溝問(wèn)題,這也是圖像檢索技術(shù)研究的難點(diǎn)。為了研究此類(lèi)問(wèn)題,本文在嘗試改進(jìn)課題組局部不變特征點(diǎn)和視覺(jué)注意模型的情況下,探索了有監(jiān)督SVM機(jī)器學(xué)習(xí)方法和無(wú)監(jiān)督PLSA概率潛在語(yǔ)義分析模型,同時(shí)開(kāi)發(fā)完善出一套檢索測(cè)試系統(tǒng)。本文的主要研究工作如下:
　　 (1)基于顯著

2、圖的加權(quán)前背景分離檢索方法。提出基于顯著圖下,將圖像的顯著和非顯著區(qū)域分離,并分別統(tǒng)計(jì)紋理和顏色特征,再通過(guò)前背景加權(quán)以及特征間加權(quán)的方式融合進(jìn)行檢索。在統(tǒng)計(jì)過(guò)程中主要利用了LBP紋理特征和HSV-72維顏色特征,并將結(jié)果與傳統(tǒng)的方法進(jìn)行實(shí)驗(yàn)比較分析。
　　 (2)基于SVM分類(lèi)模型的圖像檢索研究。本文為了建立底層特征與高層語(yǔ)義間的聯(lián)系,在傳統(tǒng)的圖像檢索流程中,加入機(jī)器學(xué)習(xí)分類(lèi)層面。本文主要構(gòu)建并融合了顏色分類(lèi)SVM模型和紋理分

3、類(lèi)SVM模型。其中SVM模型中選用HOG(Histogramof Oriented Gradient)局部不變描述子,顏色特征的選擇是分塊三階顏色矩,并將融合后的模型指導(dǎo)于圖像檢索,平均分類(lèi)準(zhǔn)確率達(dá)到85％,與傳統(tǒng)的方法比較結(jié)果顯示大多數(shù)情況下不僅僅檢索效果更優(yōu)而且檢索的結(jié)果更加符合人類(lèi)的語(yǔ)義理解。
　　 (3)基于概率潛在語(yǔ)義模型的圖像檢索研究。為了在圖像檢索中引入機(jī)器的語(yǔ)義理解,本文研究了概率潛在語(yǔ)義分析模型,讓機(jī)器自動(dòng)學(xué)習(xí)

4、并進(jìn)行語(yǔ)義分類(lèi)。概率潛在語(yǔ)義模型中關(guān)鍵的一個(gè)步驟是將圖像特征模擬成文本單詞,主要是將特征提取并聚類(lèi)特征成為視覺(jué)單詞,并統(tǒng)計(jì)每個(gè)圖像中包含的每一種視覺(jué)單詞的個(gè)數(shù)形成詞頻表,最后讓PLSA模型自動(dòng)學(xué)習(xí)訓(xùn)練庫(kù)中的視覺(jué)單詞詞頻表,并按照要求的語(yǔ)義得到每個(gè)圖像在語(yǔ)義上的概率分布。
　　 同時(shí),使用C++,SQL Server2000,Visual Studio2010,Opencv2.3.1開(kāi)發(fā)完善出本文的測(cè)試檢索系統(tǒng),并提供傳統(tǒng)的一些算