基于圖像內(nèi)容的底層特征與高層語義的關聯(lián)研究及應用.pdf

1、隨著計算機技術、多媒體技術和國際互聯(lián)網(wǎng)的飛速發(fā)展，包括圖像在內(nèi)的各種多媒體數(shù)據(jù)的數(shù)量正在快速增長。在人們擁有了對海量信息共享機會的時候，如何有效地、快速地從大規(guī)模的圖像數(shù)據(jù)庫中檢索出需要的圖像是目前的一個迫切問題?；趦?nèi)容的圖像檢索技術正是解決這一問題的有效途徑。本文主要針對基于內(nèi)容的圖像分析與檢索中的關鍵技術展開基礎研究，并積極實踐。 基于內(nèi)容的圖像檢索中，針對圖像的底層可視特征與高層語義特征之間的鴻溝，運用了一種新的基于模糊

2、支持向量機(FSVM)的語義關聯(lián)方法。一方面，對圖像底層特征的提取進行研究，使色彩空間中的非均勻量化算法更符合人的視覺感知特性和主觀感受，并有效地降低了算法復雜度，提高了語義關聯(lián)效率；另一方面，對圖像檢索中的底層特征與高層語義之間的關聯(lián)進行分析，從機器學習的角度提出了一種新的基于模糊支持向量機(FSVM)的語義關聯(lián)方法，進而用于語義關聯(lián)中改進了系統(tǒng)的性能。并與基于支持向量機(SVM)的語義關聯(lián)方法相比較，重點分析了支持向量機語義關聯(lián)中存

3、在的誤分、拒分現(xiàn)象，在傳統(tǒng)支持向量機中引入模糊隸屬度函數(shù)，解決了不可分區(qū)域問題。另外,還對圖像底層特征的選取做了實驗和比較。通過對圖像底層特征的分析，提取了顏色和形狀特征向量(221維)，將它們作為模糊支持向量機的輸入向量，對圖像類進行學習，建立圖像底層特征與高層語義的關聯(lián)。并應用于鳥類、花卉、海洋以及建筑物等幾個典型的語義類別檢索，實驗結果表明，該方法可適應于不同用戶的圖像檢索，在相同的條件下可以達到比支持向量機方法更為理想的語義關聯(lián)