面向图像标注的图像分割与特征提取技术研究

论文摘要

近年来,随着数字媒体技术的发展,数字相机等图像获取设备逐渐走入千家万户,数字图像的数量以指数级的速度迅速增长,不仅如此,互联网技术的发展也使得网络上充斥着大量的图像,如何对这些图像进行有效地管理,以及如何从图像海洋中找到自己需要的图像,已经成为亟待解决的问题,图像标注技术就是在这样一种背景下应运而生。图像标注是利用计算机自动分析图像的内容,用易于人们理解的语义词对图像所包含的对象进行标记的技术,它集成了数字图像处理、模式识别、机器学习等多个领域的知识,并且由于图像低层特征与高层语义特征之间“鸿沟”的存在,使得它成为计算机视觉研究领域的一个难点。目前,图像标注的基本流程是从已标注的图像(整体或分割后得到的图像区域)中提取颜色、纹理等视觉特征,然后结合特征和已有的标注信息进行机器训练学习,建立特征模型,最后对待标注图像进行特征提取后根据得到的特征模型,用一系列语义词进行标注。在这个过程中,图像分割和特征提取是非常重要的技术,对图像进行分割后,可以更加突出图像中包含对象的特征,而对视觉特征正确的提取与表示,可以提高标注的效率和性能,为此本文对这两方面的技术进行了研究。本文首先分类介绍了目前已有的图像分割算法,在实现采用的图论分割算法时,提出了一种新的基于最小区域的合并机制,并且在GPU上对算法进行了加速实现,使得算法在分割效果和时间效率上都有了很大提高。另外,按照MPEG7标准中提出的特征描述子对图像低层视觉特征进行提取与描述,保证了数据的规范性和可扩展性,并通过在得到的特征向量中添加10维位置权重,解决了由于图像纹理和颜色特征相似而引起的分类标注混淆问题。文中我们采用了SVM (Support Vector Machine支持向量机)分类器来训练模型和对图像区域进行分类标注,并通过统计标注结果的正确率验证了本文的工作。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题的研究背景与意义
• 1.2 研究现状
• 1.3 本文的主要研究内容
• 1.4 本文组织结构
• 第2章 基于图的图像分割
• 2.1 图像分割的定义与作用
• 2.2 图像分割的方法
• 2.3 基于图和最小区域合并机制的图像分割
• 2.3.1 Graph-based分割算法
• 2.3.2 基于最小区域限制的合并机制
• 2.3.3 算法实现与实验结果
• 2.4 图像分割算法的GPU并行加速
• 2.4.1 算法的并行加速设计
• 2.4.2 GPU具体实现及实验结果
• 2.5 本章小结
• 第3章 图像视觉特征提取与描述
• 3.1 常用的图像视觉特征及其提取方法
• 3.2 基于MPEG-7标准的图像特征提取与描述
• 3.2.1 MPEG-7简介及其构成
• 3.2.2 MPEG-7的视觉描述子
• 3.3 特征提取与位置权重添加
• 3.4 本章小结
• 第4章 图像标注与实验结果
• 4.1 图像标注
• 4.2 实验结果分析
• 4.2.1 未添加位置权重情况
• 4.2.2 添加位置权重情况
• 4.3 本章小结
• 第5章 总结与展望
• 参考文献
• 致谢
• 攻读学位期间发表的主要学术论文
• 攻读学位期间参加的项目
• 学位论文评阅及答辩情况表