基于图学习的唐卡图像自动标注技术研究

论文摘要

本文在总结图像标注相关技术的基础上,提出了适合唐卡图像的的自动标注算法,以图学习自动标注算法为框架,结合多特征融合的思想实现了唐卡宗教类图像头饰的自动标注。具体来说,本文的工作内容主要包括三个方面:第一,通过对大量唐卡图像的研究和统计,建立了科学的唐卡图像标注集,为唐卡图像的数字化研究提供了样本和基础;第二,将图学习的自动标注算法引入到基于感兴趣区域的唐卡图像标注领域,为唐卡图像的自动标注建立了图学习分类器框架;第三,以唐卡宗教类图像的头饰区域为例,实现了自动标注的全过程,用户只需要提供一幅唐卡全图,就可以自动完成头饰的标注工作,其中,图像分割采用的是基于视觉注意力机制下的显著区域检测算法,特征提取算法应用了多特征融合技术,标注阶段采用了图学习理论的自动标注框架。作为唐卡图像自动标注技术的探索性研究,本文充分考虑到了系统的全面性和健壮性,基于显著区域检测的图像自动分割算法具有良好的平移和旋转不变性,适合佛像头部的偏移和摆动,同时识别结果中也加入了拒识别的判断,把它和正常标注结果区别对待。图学习的标注算法也为多感兴趣区域的唐卡标注建立了研究框架,为未来的继续研究提供了便利。与此同时,经试验统计证明,最终的标注结果令人满意。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题的背景和意义
• 1.2 图像检索技术简述
• 1.3 图像标注技术简述
• 1.4 本文的主要研究内容和组织结构
• 第二章 图像自动标注技术综述
• 2.1 国内外研究现状
• 2.2 图像标注的基本框架
• 2.3 图像标注模型的设计思路
• 2.3.1 基于生成模型的图像标注
• 2.3.2 基于分类识别的图像标注
• 2.4 现有图像标注算法和相关研究方向
• 2.4.1 基于全局特征的图像标注
• 2.4.2 基于分块的图像标注
• 2.4.3 多标签学习
• 2.4.4 隐含语义分析
• 2.4.5 多示例学习的图像标注
• 2.4.6 基于Web 的图像标注
• 2.5 唐卡图像标注研究的分析
• 2.6 本章小结
• 第三章 基于图学习的图像标注框架
• 3.1 图学习的基本理论
• 3.2 基于图学习的图像标注框架
• 3.2.1 邻接矩阵WN ? N的计算
• 3.2.2 图学习思想应用到图像标注领域的分析
• 3.2.3 图学习标注算法的改善
• 3.3 图学习标注算法在唐卡领域的应用
• 3.4 本章小结
• 第四章 基于视觉注意力机制的图像区域监测
• 4.1 生理视觉注意力系统简述
• 4.2 经典的Itti 模型
• 4.2.1 高斯金字塔结构
• 4.2.2 低层视觉特征提取
• 4.2.3 显著图的生成
• 4.2.4 显著区域的检测
• 4.3 Itti 模型的分析
• 4.4 唐卡图像基于显著图理论的图像分割
• 4.4.1 显著图的生成
• 4.4.2 显著区域监测
• 4.5 本章小结
• 第五章 唐卡图像自动标注技术研究与实验
• 5.1 唐卡图像标注样本集的建立
• 5.2 唐卡图像头饰自动分割的实现
• 5.2.1 基于显著图算法的头饰自动分割
• 5.2.2 唐卡头饰自动分割结果分析
• 5.3 基于图学习分类器框架的头饰标注
• 5.3.1 颜色变化率特征
• 5.3.2 图像信息熵特征
• 5.3.3 头饰峰值特征
• 5.3.4 头饰峰值颜色强度特征
• 5.3.5 唐卡头饰的多特征融合
• 5.4 标注系统实验和结果分析
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 本文所做的工作
• 6.2 问题分析与展望
• 参考文献
• 附录
• 在校期间的研究成果
• 致谢