基于高层语义的自然图像检索方法研究

论文摘要

随着Internet和多媒体技术的迅速发展产生了大量的数字图像库,基于内容的图像检索技术（CBIR）应运而生,但在实际应用CBIR系统中发现,用户必须提供一幅待查询的图像,再通过对待查询的图像提取一定的底层特征,找出特征空间中与提供查询的图像最接近的图像。但当用户没有一幅查询图像时,只有对要查询图像一些较为模糊的概念,则CBIR显得无能为力,近年来不少学者把图像检索上升到图像的更高一层的抽象—图像高层语义。如何解决图像低层视觉特征和高层语义特征存在的“语义鸿沟”已成为语义图像检索问题的关键,以往的映射方法是把一幅图像归于一类语义图像。在自然风景图像中包含丰富的高层语义信息,其归类不是很明显,例如一幅包括山,水,蓝天的自然风景图像分别以某种隶属度归入几类语义图像。文中提出根据自然图像的底层信息自动获得高层语义完成自然风景图像多语义分类,最终实现对自然风景图像的有效检索。本文主要工作包括:（1）根据自然风景图像中的目标区域颜色较单一提出不断对彩色图像采用最优阈值化进行一次粗分割提取最大目标区域,再利用改进的K-均值算法对提取目标子区域进行精确分割,实验结果表明该方法对自然彩色图像能够有效的提取目标物体,并对噪声图像具有一定的鲁棒性。（2）在此基础上,通过在分割区域上提取图像的局部颜色和形状特征,再利用改进的模糊神经网络建立低层视觉特征和高层语义特征之间的映射,实现了图像属性信息的有效传递和高层语义的自动获取。部分类别的检索准确率接近90%,查全率也达到了75%,实验结果证明了该方法对自然图像检索的有效性及先进性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究的背景与意义
• 1.2 国内外研究情况
• 1.3 目前研究存在的问题
• 1.4 主要研究内容
• 1.5 论文的结构安排
• 第二章 基于语义图像检索系统简介
• 2.1 图像语义模型
• 2.1.1 层次语义模型
• 2.1.2 图像语义提取模型
• 2.2 图像语义表示
• 2.2.1 文本表示法
• 2.2.2 传统的知识表示法
• 2.2.3 MPEG-7
• 2.3 图像语义的提取方法
• 2.3.1 对象和空间关系语义的提取方法
• 2.3.2 场景和行为语义提取
• 2.3.3 情感语义提取
• 2.4 本章小结
• 第三章 彩色图像分割方法
• 3.1 图像分割方法简述
• 3.2 阈值分割
• 3.3 基于边缘的分割方法
• 3.4 区域增长图像分割方法
• 3.4.1 区域归并法
• 3.4.2 区域分裂法
• 3.4.3 区域分裂与归并法
• 均值聚类分割算法'>3.5 K_均值聚类分割算法
• 3.6 基于改进的K-均值聚类的图像分割方法
• 3.6.1 最优阈值化
• 3.6.2 连通区域象素标记
• 3.6.3 改进的K-均值聚类算法
• 3.6.4 小图像区域消解
• 3.6.5 实验分析
• 3.7 本章小结
• 第四章 底层视觉特征到高层语义的映射
• 4.1 底层视觉特征提取
• 4.1.1 颜色矩
• 4.1.2 区域的矩
• 4.1.3 特征向量内部归一化
• 4.2 基于模糊神经网络的“语义鸿沟”映射方法
• 4.2.1 模糊集的基本知识
• 4.2.2 模糊神经网络发展历程
• 4.2.3 模糊神经网络分类
• 4.2.4 混合模糊神经网络模型设计
• 4.2.5 加入动量项的BP改进学习算法
• 4.2.6 高层语义自动获取
• 4.3 本章小结
• 第五章 自然图像检索系统设计及实验分析
• 5.1 语义提取过程
• 5.1.1 图像预处理
• 5.1.2 训练模糊神经网络
• 5.1.3 语义自动提取
• 5.2 检索结果及分析
• 5.3 本章小结
• 第六章 结论与展望
• 参考文献
• 致谢
• 附录A 攻读硕士学位期间公开发表的学术论文