基于内容的图像检索的主动学习方法

论文摘要

随着20世纪多媒体技术及Internet网络的发展,可获取的图像和其它多媒体数据越来越多,数据库容量不断增大,如何组织、表达、存储、管理、查询和检索这些海量的多媒体数据,是对传统数据库技术的一个重大挑战。基于内容的图像检索是多媒体信息处理中的一个研究热点。图像、视频作为信息数据中最直观、最形象的内容,对它们的检索和查询是多媒体信息处理中一个亟待解决的问题。基于内容的图像检索（CBIR）利用图像的视觉特征如颜色,形状,纹理等来找到相似的图像,虽然视觉特征对于找到相同语义的图像有一定帮助,然而该方法至今仍然有许多问题没有解决,如语义鸿沟,特征提取,检索方法等等。现有的基于内容的图像检索（CBIR）方法主要是通过相关反馈和分类方法相结合进行图像检索。本文将主动学习的方法（Active learning）[21,22,23]引入相关反馈[16],为了解决相关反馈时正样例的数量远少于负样例的数量的问题,即图像的不平衡性问题,本文提出了两种主动学习方法:“正例增强的Angle-diversity算法”和“基于URL的正例增强算法”。另外,由于SVM优越的分类性能,本文采用SVM分类方法进行图像检索,文章对现有的SVM算法进行了分析,指出了SVM算法在CBIR中对于正样例缺乏排序能力的缺点,并且提出了新的SVM排序方法。本文的实验在两个数据集上进行,分别为10000幅图像的标准Corel数据集和从网上下载下来的11000多幅图像的Web数据集,通过实验可以看到,本文提出的主动学习方法和新的SVM排序方法在一定程度上提高了图像检索的性能。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.1.1 基于内容的图像检索概念
• 1.1.2 基于内容的图像检索的基本流程
• 1.2 研究问题
• 1.3 本文工作
• 1.4 文章结构
• 第2章 相关背景与相关工作
• 2.1 特征提取
• 2.1.1 基本概念
• 2.1.2 颜色特征提取
• 2.1.3 文理特征提取
• 2.1.4 形状特征提取
• 2.2 相关反馈
• 2.2.1 基本概念
• 2.2.2 主动学习的Speculative Algorithm
• 2.2.3 主动学习的Simple Active Algorithm
• 2.2.4 主动学习的Angle-diversity Algorithm
• 2.2.5 主动学习的Error Reduction Algorithm
• 2.2.6 主动学习的Boundary Correction Algorithm
• 2.2.7 主动学习的Concept-dependent Active Leanring
• 2.2.8 其他主动学习相关工作
• 2.3 分类方法
• 2.3.1 贝叶斯分类器
• 2.3.2 神经网络分类器
• 2.3.3 SVM分类器
• 2.3.4 线性SVM
• 2.3.5 one-class SVM
• 2.3.6 Bias SVM
• 2.3.7 ε-SVR
• 2.3.8 SVOR
• 2.3.9 其他方法
• 2.4 Web图像检索
• 第3章 改进的Angle-diveristy主动学习方法
• 3.1 基于正例增强的Angle-diversity算法
• 3.2 超平面平移算法
• 3.3 本章小结
• 第4章 基于URL的正例增强算法
• 4.1 潜在正样例寻找方法（HPPS）
• 4.2 基于URL的网站权值计算方法（USS）
• ij的计算'>4.3 基于URL相似性参数α_ij的计算
• 4.4 SVM新的排序方法
• 4.4.1 SVM排序方法的缺点
• 4.4.2 新的SVM排序方法
• 4.5 本章小结
• 第5章 系统实现与实验结果
• 5.1 系统实现
• 5.2 实验条件
• 5.3 实验结果
• 5.3.1 正例增强的Anlge-diversity算法实验结果
• 5.3.2 超平面平移算法实验结果
• 5.3.3 基于URL的正例增强算法实验结果
• 5.3.4 SVM新排序方法实验结果
• 5.4 实验总结
• 第6章 总结与未来工作
• 6.1 内容总结
• 6.2 未来工作
• 参考文献
• 附录
• A 发表论文
• B 参加项目
• 致谢