基于內容的圖像檢索中若干關鍵問題研究.pdf

1、基于內容的圖像檢索(Content-based Image Retrieval，cBIR)是當前的一個熱點研究領域。論文首先對CBIR作了總體的介紹，包括CBIR的起源、系統(tǒng)模塊、研究現(xiàn)狀，原型系統(tǒng)、研究機構及相關的國際刊物和國際會議。然后針對CBIR中當前存在的主要問題，在理論和算法上對底層特征、維數災難、語義特征及相關反饋問題進行了深入的研究。在實際應用方面，主要研究了CBIR技術在農業(yè)病蟲害遠程診斷中的應用，該研究對促進該領域的智

2、能化發(fā)展具有重要的意義。 本文的創(chuàng)新之處主要體現(xiàn)在以下五個方面： 1、在底層特征描述方面，提出了彩色共生矩陣特征的改進方法一加權彩色共生矩陣特征。在深入討論了CBIR中常用底層特征的演化軌跡之后，在詳細分析了彩色共生矩陣特征及改進的彩色共生矩陣特征的基礎上，論文提出了加權共生矩陣特征，即在構造全局相似度時，對角線元素和非對角線元素的相似性賦予不同的權重，而權重的大小就取決于圖像的視覺復雜度。實驗證明加權彩色共生矩陣特征

3、使得圖像庫中和查詢圖像具有相似顏色和視覺復雜度的圖像將變得更加相關，而和查詢圖像不具有相似顏色和視覺復雜度的圖像和查詢圖像將變得更加不相關。 2、在維數災難問題方面，首先將有監(jiān)督的局部線性嵌入方法用于圖像檢索中的特征降維。由于有監(jiān)督的局部線性嵌入(SuperVised Locally Linear Embedding，sLLE)算法在降維的同時可以保持局部領域的線性特性，使得高維空間中相鄰的樣本在低維空間中仍然相鄰，論文將SLL

4、E算法用于對底層高維特征進行降維。實驗結果表明降維后的特征在檢索準確度上具有更好的表現(xiàn)。其次在用特征選擇方法解決維數災難問題方面，提出了一種基于圖像復雜度參數的特征選擇方法。特征中被選擇維數的確定是基于圖像視覺感知的，它根據圖像特征的每一維在不同圖像范圍中的統(tǒng)計頻率得到的，因此選擇后的特征維數不是一個常數，它是根據查詢圖像的不同而不同。從實驗結果可以看出經過選擇后的特征在檢索準確度上有了一定的提高，同時大幅度降低了特征的維數和查詢的時間

5、，減小了算法復雜度。 3、在矩陣分解算法方面，提出了非負矩陣分解算法(Non-negative MatrixFactrization，NMF)的改進算法一有監(jiān)督的非負矩陣分解算法(SNMF)。標準的非負矩陣分解算法是一種尋找全局數據基于部分表示的有效方法，但是它在應用中會存在兩個問題，一個是隨機初始化的問題，另外一個是基空間的維數問題。論文提出了一種有監(jiān)督的非負矩陣分解算法來解決這兩個問題。在這種算法中，對初始的基矩陣采用概念

6、向量矩陣進行初始化，不僅使得非負矩陣分解算法可以更加快速有效的收斂，同時也確定了基空間的維數。理論分析和實驗結果表明了有監(jiān)督的非負矩陣分解算法在尋找全局數據基于部分的表示時提供了一個有限制同時又有彈性的起點。 4、在尋找從底層特征到高層語義的映射方面，提出了基于SNMF的隱含語義索引方法。論文對隱含語義索引技術(Latent Semantic Indexing，LSI)技術進行了深入的研究，在分析了基于奇異值分解(Singul

7、ar Value Decomposition，SVD)的LSI技術在圖像檢索中應用的缺點后，根據NMF算法的非負性特點及基矩陣的意義，并考慮到標準的NMF在應用中存在的問題，論文提出了基于SNMF的隱含語義索引方法，用SNMF作為SVD的替代算法來推導圖像中隱含的語義結構，從而尋找底層特征與高層語義間的聯(lián)系。實驗結果表明所提出的方法要優(yōu)于基于SVD的隱含語義索引方法。 5、在相關反饋方面，提出了基于NMF的相關反饋方法。在詳細