图像语义标注中的块—全局特征提取方法研究

论文摘要

图像语义标注近几年一直是图像语义检索中的难点和热点。它涉及到机器学习、统计模型、信息检索、计算机视觉等方面,可应用的领域非常广,比如可以通过标注海量数据库中的图片,对图片进行有效地分类管理和检索;可以进行医学图像分析或者犯罪侦查图像分析等等。自动图像语义标注的基本思想是将图像低层视觉特征转化成为图像中所包含的高层语义信息。它包含两个主要过程,即低层视觉特征提取和低层视觉特征到高层语义特征的映射。本文主要研究的是图像语义标注中的块-全局特征提取方法以及分类器训练样本数据优化技术。首先结合人类视觉感知研究中提到的一个视觉目标的全局特征会先于它的局部特征被获取到,即使存在干扰或者丢失一些细节,基于全局视角的解释更符合整个情景的语义结构的理论,本文提出采用PCA、2DPCA作为块-全局特征提取方法进行图像标注实验,并与使用SIFT算法提取局部特征的图像标注准确率进行了对比。实验结果证明,块-全局特征同时具有全局特征和局部特征的优点,相比局部特征它可以得到更高的标注准确率,并且可以对一幅图像标注多个有效语义标签。另外利用支持向量机（SVM）的小样本分类特性,提出使用自组织映射（SOM）神经网络来实现无监督的学习向量量化（LVQ）技术,利用它的聚类功能,将获取到的聚类中心点作为图像的特征代表点训练SVM,并进行标注实验,实验结果比没有经过LVQ数据优化的标注实验效果好。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 论文主要工作
• 1.4 论文组织结构
• 第2章 图像特征提取方法
• 2.1 图像特征
• 2.1.1 颜色特征
• 2.1.2 形状特征
• 2.1.3 纹理特征
• 2.2 图像特征提取中的PCA 算法
• 2.3 图像特征提取中的2DPCA 算法
• 2.4 图像的SIFT 特征
• 2.5 本章小结
• 第3章 块-全局图像特征提取方法
• 3.1 实验概述
• 3.2 算法描述
• 3.3 实验结果与分析
• 第4章 LVQ 数据优化技术
• 4.1 LVQ 技术概述
• 4.2 实验描述
• 4.3 实验结果与分析
• 总结与展望
• 研究工作总结
• 前景展望
• 参考文献
• 攻读学位期间发表的论文与研究成果清单
• 致谢