基于区域的图像检索相关技术研究

论文摘要

随着计算机技术、多媒体技术等的飞速发展与广泛应用,数字图像的数量正以惊人的速度增长,如何对这些海量图像数据信息进行合理而高效的管理、组织、分析和检索,正逐渐成为研究的热点课题。这篇论文主要针对基于区域的图像检索系统中的相关技术进行了研究,包括图像底层视觉特征提取,图像区域分割,相似度计算以及相关反馈等技术。图像底层视觉特征抽取技术是基于区域的图像检索中的一个关键步骤,针对于当前图像分割算法速度较慢而不具备实时性的情况,提出了一种新的基于L*a*b*色彩空间的分块抽取特征方案,降低待处理的样本数据量,从而有效减少图像区域分割所耗费的时间。在基于区域的图像分割方面,提出了一种新的快速图像区域分割算法。这种方法在抽取图像的底层视觉特征的基础上,首先运用Mean-shift算法进行聚类,获得聚类簇数和初始蔟中心,然后再利用改进的K均值算法进行聚类,实现图像的快速分割。实验结果表明提出的新方法不仅分割速度快,而且得到的分割结果稳定,避免了过度分割。在图像相似度计算方面,介绍了一种基于区域整合的相似度计算方法。这种方法综合考虑了图像分割后得到的所有区域。实验结果表明这是一种性能较好的度量方法。在相似性计算的基础上,提出了受限随机浏览的思想。这种受限随机浏览方式能让用户快速了解图像库并允许用户挑选查询例子图像。在相关反馈方面,提出一种基于支持向量机与反馈日志分析的相关反馈的图像查询方法,其目的是利用人机交互与反馈历史数据,使检索的结果更加贴近用户的需求。在上述研究的基础上,设计并实现了一个基于区域的图像检索系统（region-based image retrieval system,RBIR）。系统利用SQL Server建立特征数据库,存放图像的特征。实验证明系统具有较好的检索性能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 图像检索技术发展概述
• 1.2 国内外研究现状
• 1.3 研究内容
• 1.4 论文的组织结构
• 第二章 基于图像分块的视觉特征提取
• 2.1 颜色特征
• 2.1.1 颜色空间
• 2.1.2 颜色空间量化
• 2.1.3 颜色特征的提取方法
• 2.2 纹理特征
• 2.2.1 纹理分析的主要方法
• 2.2.2 纹理特征抽取具体方法
• 2.3 形状特征
• 2.4 小结
• 第三章 快速图像区域分割算法
• 3.1 图像分割概述
• 3.2 聚类
• 3.2.1 聚类的定义
• 3.2.2 K-均值算法
• 3.2.3 Mean-Shift 算法
• 3.3 提出的快速图像区域分割算法
• 3.3.1 FRISA 算法的基本思想
• 3.3.2 图像分块以及块特征抽取方法
• 3.3.3 图像分割算法核心步骤
• 3.3.4 图像区域特征的抽取
• 3.3.5 图像分割实验结果与分析
• 3.4 小结
• 第四章 相似性计算、受限随机浏览及相关反馈机制
• 4.1 相似性计算
• 4.1.1 常见的相似性计算方法
• 4.1.2 基于区域整合的相似度计算方法
• 4.1.3 基于区域的相似度计算实验
• 4.2 受限随机浏览
• 4.3 相关反馈
• 4.3.1 相关反馈的概述
• 4.3.2 SVM 概述
• 4.3.3 基于SVM 与反馈日志的相关反馈
• 4.4 小结
• 第五章 图像检索系统实现与评价
• 5.1 RBIRS 系统设计与实现
• 5.1.1 系统的整体框架与最终用户界面
• 5.1.2 系统图像数据库、特征库与反馈日志管理
• 5.1.3 RBIRS 系统的实现的主要功能模块
• 5.2 系统性能评价
• 5.3 小结
• 第六章 总结及展望
• 6.1 总结
• 6.2 将来进一步的研究工作
• 参考文献
• 附录
• 致谢