自动图像语义标注的方法研究与应用

论文摘要

随着互联网的普及和多媒体技术的发展,多媒体信息在生活中的作用越来越大,人们对图像等多媒体数据的需求也越来越强烈。然而,传统的文本检索技术已经不能够适应多媒体信息的检索的需要。大规模图像数据库的发展也给传统的信息分析与检索技术提出了新的挑战。基于内容的多媒体检索方式的出现,解决了人们通过视觉特征检索图像的问题,但是,由于视觉特征不能够完全代表图像高层语义,基于内容的检索方式仍然不能解决高层语义图像检索的问题,而基于语义的图像检索则是解决这一问题的最佳出路。基于语义图像检索的关键问题是如何从底层视觉特征中提取出高层语义。按照高层语义来源,目前主要有三种语义提取方式,分别是基于外部信息源的语义提取、基于人工交互的语义提取和基于知识的语义提取。自动图像标注技术的出现是为了自动获取图像的语义信息,从而在语义级别上对检索做出支持。基于视觉特征的图像语义标注就是要从图像视觉特征提取出高层语义信息的关键词用来表示图像的语义。为了能够获取图像特征和文本描述之间的对应关系,许多机器学习方法被引入到这一领域中来。本文介绍了自动图像语义标注的研究背景;然后介绍基于知识的语义提取中使用到的图像分割、视觉特征提取的一般方法和具有代表性的自动图像语义标注模型,并在此基础上提出了本文的语义标注方案;为了提高图像分割的效率,提出了一种新的基于样本点缩减策略的窗口式聚类算法应用于图像分割中;本文还将基于语义的评分体系引入自动图像语义标注中,建立了基于评分的自动图像语义标注模型;最后,在理论研究的基础上,在语义图像检索的实际应用方面进行了进一步实践,开发了基于语义的图像检索系统SIRS。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及选题意义
• 1.2 研究现状及存在问题
• 1.3 主要研究内容及特色
• 1.4 本文结构安排
• 第二章 图像语义提取技术与应用
• 2.1 基于知识的图像语义提取一般步骤
• 2.2 图像分割
• 2.2.1 图像分割的定义
• 2.2.2 图像分割方法
• 2.3 图像视觉特征提取
• 2.3.1 颜色特征
• 2.3.2 纹理特征
• 2.3.3 形状特征
• 2.4 基于视觉特征的自动图像语义标注
• 2.4.1 图像语义标注模型
• 2.4.2 图像语义标注技术面临的问题
• 2.5 图像语义提取方案选择
• 2.6 小结
• 第三章 基于窗口式聚类的图像分割方法
• 3.1 引言
• 3.2 窗口式聚类算法
• 3.2.1 基本K-windows聚类算法
• 3.2.2 K-windows算法的发展
• 3.3 基于样本点缩减的窗口式聚类方法
• 3.3.1 样本点缩减策略
• 3.3.2 PRWC基本思想
• 3.3.3 算法中参数值的确定
• 3.4 PRWC在图像分割中的应用
• 3.4.1 分割效果对比与分析
• 3.4.2 算法时间效率比较与分析
• 3.4.3 初始化窗口半径对算法的影响
• 3.5 小结
• 第四章 基于评分体系的图像语义标注模型
• 4.1 引言
• 4.2 基于评分体系的图像语义标注
• 4.2.1 结合语义的聚类
• 4.2.2 基于评分的自动图像标注
• 4.3 实验结果分析
• 4.3.1 实验数据集及实验方法
• 4.3.2 自动图像标注
• 4.3.3 基于自动图像标注的图像检索
• 4.4 小结
• 第五章 基于语义的图像检索系统
• 5.1 系统功能界定和系统架构设计
• 5.1.1 SIRS系统功能界定
• 5.1.2 系统架构设计
• 5.2 开发环境及使用技术
• 5.2.1 系统开发环境
• 5.2.2 DB2 Express-C和pureXML技术
• 5.3 系统实现及功能展示
• 5.3.1 语义-图像检索
• 5.3.2 图像-图像检索
• 5.3.3 网络图像检索
• 5.4 小结
• 第六章 结论与展望
• 6.1 研究工作总结
• 6.2 工作展望
• 参考文献
• 攻读硕士期间科研成果
• 致谢