基于SOFM自組織特征映射網(wǎng)絡(luò)的圖像語(yǔ)義分割與標(biāo)識(shí).pdf

1、語(yǔ)義網(wǎng)絡(luò)無(wú)疑將成為網(wǎng)絡(luò)的下一個(gè)進(jìn)化階段，圖像的語(yǔ)義搜索是語(yǔ)義網(wǎng)絡(luò)構(gòu)建的一個(gè)重要方面，而圖像的語(yǔ)義分割與標(biāo)識(shí)又是實(shí)現(xiàn)圖像語(yǔ)義搜索的基礎(chǔ)。由于網(wǎng)絡(luò)上圖片的數(shù)量巨大，并且圖片的處理很耗時(shí)，因此，圖像語(yǔ)義分割與標(biāo)識(shí)的難度較大。目前在圖像的語(yǔ)義分割與標(biāo)識(shí)方面的研究很多，但是大多都只是針對(duì)特定領(lǐng)域的，而且在性能以及分割、標(biāo)識(shí)的準(zhǔn)確率上也還存在很大的不足。早期的圖像語(yǔ)義標(biāo)識(shí)系統(tǒng)大多數(shù)都是只針對(duì)整幅圖片進(jìn)行的，沒(méi)有將圖像分割和語(yǔ)義標(biāo)識(shí)相結(jié)合來(lái)考慮。這些

2、系統(tǒng)一般只對(duì)圖像的全局特征或是局部像素點(diǎn)特征的摘要進(jìn)行語(yǔ)義學(xué)習(xí)和預(yù)測(cè)，因此比較粗糙，對(duì)特征的學(xué)習(xí)不夠充分。也有少數(shù)系統(tǒng)是對(duì)像素點(diǎn)級(jí)別的特征進(jìn)行語(yǔ)義學(xué)習(xí)和預(yù)測(cè)的，這樣雖然可以確保特征的學(xué)習(xí)足夠充分，但是語(yǔ)義的預(yù)測(cè)過(guò)程很耗時(shí)。本文在對(duì)這些問(wèn)題進(jìn)行了較為深入的研究、分析后，提出并構(gòu)建了一個(gè)基于SOFM自組織特征映射網(wǎng)絡(luò)的圖像語(yǔ)義分割及標(biāo)識(shí)系統(tǒng)。本文在圖像分割方面提出了基于SOFM(Self-Organizing Feature Map)自組織

3、特征映射網(wǎng)絡(luò)的圖像分割方法，該方法不僅克服了很多圖像分割算法的需要圖像分割數(shù)作為輸入?yún)?shù)的缺點(diǎn)，而且由于充分考慮了圖像的高斯、高斯—拉普拉斯、高斯一階導(dǎo)等多方位的17維特征使得圖片的分割效果很好。同時(shí)因?yàn)樵撍惴ńY(jié)合使用了K-Means聚類算法所以運(yùn)行效率也很高。另外，在圖像語(yǔ)義標(biāo)識(shí)方面，本文采用分開(kāi)考慮圖像語(yǔ)義訓(xùn)練和語(yǔ)義預(yù)測(cè)的方法。語(yǔ)義訓(xùn)練階段采用基于像素點(diǎn)級(jí)別特征的充分學(xué)習(xí)辦法，而語(yǔ)義預(yù)測(cè)時(shí)采用選取圖像分割塊的代表點(diǎn)特征——分割塊中心