基于多智能算法及图像融合技术的图像检索方法研究

论文摘要

随着计算机、网络及多媒体技术的发展,数字图像的数量正以指数级在增长,如何从图像数据库的海量数据中检索图像已经成为当前检索领域一个很重要的问题。传统的检索方式是基于文本的检索,利用文字对图像进行手工标注,然而手工标注工作量大且具有很强的主观性,对于海量数据来说,这种方法显然是不可行的。在此背景下,基于内容的图像检索技术应运而生,该方法从图像自身的内容出发,提取图像的特征,并利用特征进行检索。目前,国内外很多机构都在做这方面的研究,并取得很多研究成果,然而检索的精度和效率仍是制约该方法应用的一个很重要的问题。针对当前基于内容的图像检索技术中检索精度和效率低的问题,结合图像处理技术及机器学习领域的知识,提出一系列改进方法,其研究内容主要包括以下五个方面:（1）针对单特征无法准确描述图像的问题,基于图像的颜色、纹理和形状三个特征,提出了基于多特征的图像检索方法。实验结果表明,该方法与基于单特征的检索方法相比,具有更高的检索精度。（2）针对多特征描述图像带来的各个特征之间权重设定的问题,结合遗传算法,提出了一种基于遗传反馈的图像检索方法,达到自动调整权重,修正图像相似度公式的目的。该方法在检索精度和效率上都表现出较好的性能。（3）针对在检索过程中普通的向量修正公式无法正确反映用户需求的问题,提出了一种基于遗传反馈结合图像融合的图像检索技术,根据用户的反馈结果,结合图像融合技术,对查询向量进行修正。该算法在保证查询精度的基础上,具有更高的检索效率。（4）在检索过程中将特征库与图像库分离,提出一种基于遗传算法的K-Means算法,利用该算法对图像进行分类,提取代表特征组,提高检索效率。（5）以强化学习理论为基础,结合遗传算法、聚类和图像融合技术,构建一个主动学习的智能检索框架,最终实现智能检索。

论文目录

• 中文摘要
• Abstract
• 第一章 引言
• 1.1 选题背景与意义
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 论文主要研究内容
• 1.4 文章内容安排
• 第二章 基于内容的图像检索的关键技术
• 2.1 CBIR 的基本检索原理
• 2.2 特征提取技术
• 2.2.1 图像模型
• 2.2.2 颜色特征
• 2.2.3 纹理特征
• 2.2.4 形状特征
• 2.2.5 空间分布特征
• 2.3 特征匹配技术
• 2.3.1 度量定理
• 2.3.2 特征归一化
• 2.3.3 相似度度量方法
• 2.4 相关反馈技术
• 2.5 性能评价准则
• 2.6 本章小结
• 第三章 基于遗传反馈的图像检索算法
• 3.1 遗传算法
• 3.2 用于图像检索的遗传算法
• 3.2.1 染色体个体编码
• 3.2.2 适应度函数设计
• 3.2.3 遗传算法基本操作
• 3.2.4 进化终止准则
• 3.2.5 用于图像检索的遗传算法
• 3.3 基于遗传反馈的多特征图像检索算法
• 3.4 实验结果及分析
• 3.5 本章小结
• 第四章 基于遗传反馈结合图像融合的图像检索算法
• 4.1 小波变换
• 4.1.1 小波变换基础
• 4.1.2 Harr 小波变换
• 4.2 图像融合
• 4.3 基于HAAR 小波变换的图像融合算法
• 4.4 基于遗传反馈结合图像融合的图像检索算法
• 4.5 实验结果及分析
• 4.6 本章小结
• 第五章 基于智能优化算法及图像融合技术的图像检索算法
• 5.1 聚类分析
• 5.1.1 聚类算法基础
• 5.1.2 K-Means 算法
• 5.1.3 基于遗传算法的K-Means 算法
• 5.2 强化学习
• 5.2.1 强化学习基础
• 5.2.2 Q 学习算法
• 5.2.3 AR-Q-Learning
• 5.3 基于智能优化算法及图像融合技术的图像检索算法
• 5.4 实验结果及分析
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 工作展望
• 参考文献
• 攻读硕士期间发表（录用）的论文和参加的科研项目
• 致谢