圖像情感語(yǔ)義本體研究.pdf

1、隨著網(wǎng)絡(luò)技術(shù)的不斷成熟和發(fā)展，產(chǎn)生了大量的數(shù)字化圖像，如何對(duì)這些圖像信息進(jìn)行有效的組織、存儲(chǔ)和檢索，是目前研究的熱點(diǎn)問題。傳統(tǒng)的基于文本索引的圖像檢索已經(jīng)不能滿足大規(guī)模的圖像檢索需要，基于內(nèi)容的圖像檢索技術(shù)，由于圖像的低階視覺特征和高階語(yǔ)義特征之間存在差距，必將產(chǎn)生“語(yǔ)義鴻溝”問題，使得檢索結(jié)果很難符合用戶的檢索要求。
　　 為了解決“語(yǔ)義鴻溝”問題，人們提出基于語(yǔ)義的圖像檢索，試圖用多種方法實(shí)現(xiàn)圖像低層視覺特征和高層語(yǔ)義之間的

2、映射。目前，常用的映射方法有：采用支持向量機(jī)(support vector machine，SVM)的方法,構(gòu)造語(yǔ)義分類器；采用圖像的分類和聚類，將圖像進(jìn)行語(yǔ)義歸并；關(guān)聯(lián)圖像和語(yǔ)義建模；利用相關(guān)反饋技術(shù)(relevance feedback)，通過用戶評(píng)價(jià)檢索結(jié)果，進(jìn)行圖像語(yǔ)義學(xué)習(xí)；建立潛在語(yǔ)義索引(latent semantic indexing,LST)；利用圖像的感興趣區(qū)域(region of interest)，區(qū)分圖像區(qū)域重要

3、程度，以此來彌補(bǔ)語(yǔ)義鴻溝。
　　 這些方法都或多或少存在這樣那樣的不足，如SVM方法，當(dāng)輸入的信息空間維數(shù)較大時(shí)使得訓(xùn)練時(shí)間長(zhǎng)。分類、聚類需要大量訓(xùn)練樣本。LST方法不適合于大圖像庫(kù)等。這些方法的共同特點(diǎn)，是將圖像的低層視覺特征和圖像的高層語(yǔ)義作為兩個(gè)獨(dú)立的客體，割裂了兩個(gè)客體之間的內(nèi)在關(guān)系。
　　 為此本文提出了利用本體，將圖像情感和低階特征整合為一個(gè)整體，利用本體內(nèi)部的語(yǔ)義關(guān)系和推理能力來減小“語(yǔ)義鴻溝”。
　

4、　 本文提出了利用MPEG-7和FCA融合構(gòu)建圖像情感領(lǐng)域本體的方法。構(gòu)建了以本體為核心的圖像情感語(yǔ)義檢索模型。最后通過實(shí)驗(yàn)驗(yàn)證了此構(gòu)建方法的可行性和此模型的有效性。
　　 對(duì)于“MPEG-7和FCA融合構(gòu)建圖像情感領(lǐng)域本體的方法”。是針對(duì)圖像領(lǐng)域特有的標(biāo)準(zhǔn)MPEG-7，利用了此標(biāo)準(zhǔn)的通用性、規(guī)范性等特點(diǎn)，而提出的一種建立領(lǐng)域本體的方法。將MPEG-7與FCA結(jié)合的可行性體現(xiàn)在：利用了Mpeg-7的標(biāo)準(zhǔn)性和豐富的描述子、描述方

5、案作為構(gòu)建圖像頂層本體的數(shù)據(jù)源，體現(xiàn)了頂層本體的規(guī)范性、通用性和可擴(kuò)展性；由于FCA中的內(nèi)涵和外延體現(xiàn)了本體構(gòu)建中概念和屬性的關(guān)系，所以可利用FCA自動(dòng)生成概念格算法自動(dòng)構(gòu)建圖像情感語(yǔ)義應(yīng)用本體。
　　 對(duì)于“建立以本體為核心的圖像情感語(yǔ)義檢索模型”。是利用了本體可以將某個(gè)特定領(lǐng)域的概念和術(shù)語(yǔ)規(guī)范化，刻畫概念之間內(nèi)在的聯(lián)系。利用本體所具有的語(yǔ)義特性，將圖像低階特征和高層語(yǔ)義銜接起來，同時(shí)利用本體的推理能力，將情感語(yǔ)義檢索的范圍和