基于本体的图像检索

论文摘要

计算机技术、多媒体技术以及互联网技术的飞速发展导致了大量的图像信息的出现,如何有效地、快速地从大规模图像数据库中检索出需要的图像是目前一个急需解决的重要问题。本文提出了一种新的基于本体的图像检索方法,主要的研究工作如下:(1)提出基于本体的图像检索模型,我们采用有向无环图(directed acyclic graph,DAG)表示图像本体,其中图中节点表示概念,用语义概念(关键字)、语义向量、低层特征表示;节点之间的连线表示概念之间的关系。这种本体图像模型包含视觉低层特征、高层语义概念,既能充分利用图像本身的低层特征,又能符合人的图像视觉理解,从而填补视觉底层特征与高层语义之间的“语义鸿沟”;为了能更精确地提取图像基元、标注图像基元及图像、计算图像的相似性,我们通过颜色直方图提取颜色特征,采用基于Gabor小波提取纹理特征,采用Zernike矩提取形状特征。(2)提出了改进的遗传FCM聚类算法,并用它进行图像分割,提取分割后有意义的图像基元,该方法在一定程度上克服了FCM收敛到局部最优的缺点,很好地解决了FCM对初值敏感的问题;接着对FCM的聚类有效性进行了探讨,给出了确定最佳聚类数的有效性函数;最后提出了改进的基于FCM聚类的图像分割算法。(3)提出了图像本体的构建方法。采用颜色、纹理、形状为特征,提出基于半监督约束聚类的K均值算法对图像基元进行聚类,并采用统计方法建立每一类与语义概念(关键词)的对应关系,然后以语义向量作为特征,再次使用改进的K均值算法对图像进行聚类,得到图像本体的层次结构。(4)提出基于Adaboost集成支持向量机(SVM)的相关反馈算法,对Adaboost算法进行改进,Adaboost算法采用新的参数求解方法,弱分类器的加权参数不但与错误率有关,还与其对正样本的识别能力有关。使用用户标记的图像进行学习训练,得到新的决策函数,根据决策函数值的大小反馈给用户。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究意义
• 1.2 国内外研究现状
• 1.2.1 基于内容的图像检索技术
• 1.2.2 基于语义的图像检索技术
• 1.2.3 基于本体的图像检索技术
• 1.3 本文主要研究内容及创新点
• 1.3.1 本文主要的研究内容
• 1.3.2 本文的创新点
• 1.4 本文的主要内容及组织结构
• 第二章 图像本体的描述
• 2.1 引言
• 2.2 本体的基本概念
• 2.2.1 本体的定义
• 2.2.2 本体的建模元语
• 2.2.3 本体的分类
• 2.2.4 构造本体的规则
• 2.2.5 本体中概念之间的关系
• 2.3 领域本体的描述
• 2.4 基于本体的图像描述模型
• 2.4.1 颜色特征
• 2.4.2 Gabor小波纹理特征
• 2.4.3 Zernike矩形状特征
• 2.5 结论
• 第三章 基于遗传FCM算法的图像基元提取
• 3.1 引言
• 3.2 模糊C均值聚类算法（FCM）
• 3.3 改进的遗传FCM算法
• 3.3.1 改进的遗传FCM算法
• 3.3.2 编码及种群初始化
• 3.3.3 适应度的计算
• 3.3.4 混合选择算子
• 3.3.5 交叉算子
• 3.3.6 变异算子
• 3.3.7 个体的优化
• 3.4 最佳聚类数的确定
• 3.4.1 典型的有效性函数
• 3.4.2 改进的有效性函数
• 3.5 基于遗传FCM的图像分割算法
• 3.6 实验结果
• 3.7 结论
• 第四章 基于改进K均值聚类算法的图像本体构建
• 4.1 引言
• 4.2 基于改进K-均值算法的图像基元聚类
• 4.2.1 初始聚类中心的选择
• 4.2.2 数据集之间的语义约束
• 4.2.3 基于改进K-均值算法的图像基元聚类
• 4.3 图像本体的构建
• 4.3.1 图像基元的聚类和标注
• 4.3.2 图像本体的构建
• 4.4 实验结果
• 4.5 结论
• 第五章基于Adaboost和SVM的相关反馈
• 5.1 引言
• 5.2 支持向量机
• 5.2.1 线性可分SVM
• 5.2.2 SVM训练算法
• 5.3 Adaboost算法
• 5.3.1 传统的Adaboost算法
• 5.3.2 改进的Adaboost算法
• 5.3.3 对Adaboost性能的分析
• 5.4 基于Adaboost算法和SVM的相关反馈
• 5.4.1 基于Adaboost算法集成SVM的分类算法
• 5.4.2 相关反馈
• 5.5 实验结果分析
• 5.6 结论
• 第六章 总结与展望
• 6.1 本文工作总结
• 6.2 研究与展望
• 参考文献
• 致谢
• 攻读学位期间的主要研究成果