基于顯著區(qū)域提取和pLSA的圖像檢索方法.pdf

1、隨著多媒體技術(shù)和互聯(lián)網(wǎng)技術(shù)的不斷進(jìn)步，數(shù)字圖像資源正以幾何級(jí)的速度增長(zhǎng)，這就對(duì)如何進(jìn)行大量圖像數(shù)據(jù)的快速檢索與瀏覽提出了新的技術(shù)挑戰(zhàn)。在基于內(nèi)容的圖像檢索(Content-Based Image Retrieval，CBIR)中，相當(dāng)多的情況下用戶并不關(guān)心圖像全局相似與否，而更多關(guān)注的是圖像中具有一定語(yǔ)義的區(qū)域是否相似。為了彌補(bǔ)全局特征在描述圖像內(nèi)容上的不足，本文提出了一種基于顯著區(qū)域語(yǔ)義特征的圖像檢索方法。首先，利用譜殘差和多分辨率分

2、析方法提取圖像的顯著區(qū)域；然后，用概率潛在語(yǔ)義分析(probabilistic Latent Semantic Analysis，pLSA)從圖像的區(qū)域集合中發(fā)現(xiàn)潛在語(yǔ)義模型；最后，根據(jù)潛在語(yǔ)義模型得到所有圖像區(qū)域中潛在語(yǔ)義出現(xiàn)概率來(lái)構(gòu)建顯著區(qū)域的潛在語(yǔ)義特征，并使用該特征構(gòu)建SVM分類(lèi)器模型進(jìn)行圖像檢索。
　　 本文以譜殘差模型為出發(fā)點(diǎn)，闡述了顯著區(qū)域提取、區(qū)域潛在語(yǔ)義特征構(gòu)建以及基于顯著區(qū)域圖像檢索的方法，主要研究成果如下：

3、
　　 (1)顯著區(qū)域的提取。根據(jù)人類(lèi)視覺(jué)系統(tǒng)的特點(diǎn)，提出了一種融合譜殘差和多分辨率分析的顯著目標(biāo)檢測(cè)方法。該方法通過(guò)在不同尺度上計(jì)算圖像的亮度、顏色以及方向特征的譜殘差，構(gòu)建多分辨率顯著性圖譜序列，然后用線性插值方法將不同分辨率的特征顯著圖疊加得到三個(gè)特征顯著圖，再利用k-均值聚類(lèi)算法將每個(gè)特征顯著圖聚為兩類(lèi)，選擇聚類(lèi)中心距離最大的特征顯著圖作為最終的顯著圖，最后經(jīng)過(guò)動(dòng)態(tài)閾值處理獲得圖像的顯著目標(biāo)區(qū)域。融合譜殘差和多分辨率分析

4、的顯著目標(biāo)檢測(cè)方法是本文的創(chuàng)新點(diǎn)。
　　 (2)區(qū)域潛在語(yǔ)義特征構(gòu)建。在得到圖像的顯著區(qū)域之后，使用無(wú)監(jiān)督的pLSA對(duì)這些圖像區(qū)域所構(gòu)成的集合進(jìn)行潛在語(yǔ)義挖掘，以此構(gòu)建區(qū)域潛在語(yǔ)義特征。
　　 (3)基于顯著區(qū)域的圖像檢索。將正負(fù)樣本看作兩類(lèi)，圖像檢索可看作一個(gè)實(shí)時(shí)分類(lèi)問(wèn)題。使用支持向量機(jī)(Support Vector Machine，SVM)對(duì)訓(xùn)練圖像的區(qū)域潛在語(yǔ)義特征進(jìn)行學(xué)習(xí)，得出訓(xùn)練樣本集中每個(gè)樣本對(duì)于決策的影響，