图象检索中高层语义和低层可视特征提取研究.pdf

|芏|象榆索中商层语义和低层an虻特征的提取_[iJ|究：摘莹 摘要 (基于内容的图象检索(cBIR)是一个复杂而又富有挑战性的问题。当前通常的研 究思路是，通过提取图象的低级可视特征(例如，颜色、纹理、形状等)来表示图象的 内容，但是这些所谓“内容”反映的只是图象的一些客观统计特性，并不能真『F被人类 视觉理解。我们发现，CBIR的本质是在自动提取图象低层可视特征的基础上，从图象 库中找出与查询图象相关或相似的图象。这实际上蕴涵着一个基本前提——语义相关的 图象具有相似的可视特征。这就使得图象语义分类成为可能。图象分类是一种受限的图 象理解，目的是根据图象的可视特征将图象归并到某一语义类，从而实现图象语义特征 的提取，这不仅有助于图象库的语义组织，而且能实现图象的自动标注，从而极大地改 善图象检索的性能，使CBIR真正成为一种实用的技术。 基于以上动机疗本文着重研究了如何从计算机自动提取的图象可视特征得到图象的 高层语义特征，并以此为中心对图象检索相关问题进行了深入地探讨。下面简要介绍作 者在论文研究期间所从事的主要工作以及取得的进展： (1)一种新的图象纹理谱描述子 ． 本文提出的纹理谱描述子通过比较邻域内象素点灰度的变化来刻画象素点的纹理； (而不是常用的绝对灰度值，使得提取图象的纹理谱特征成为可能：注重邻域内像素灰度 的显著变化，能有效地刻画图象的粗糙度，这些特点都说明本文的纹理谱描述子和人类 视觉对图象纹理的感知是一致的。1 7 (2)用最大权二部图匹配度量图象的相似性 ． 本文提出了一种基于最大权二部图匹配的多区域图象相似性度量算法；(它考虑图象 的局部特征和图象的空间分布信息，在度量图象的相似性时，综合考虑图象各区域的内 容，这种方法不但降低了由于分割不精确带来的影响，而且降低了用户操作的难度。j (3)非线性图象相似性度量 本文先用非线性映射。将特征向量从输入空问映射到高维特征空间，在不真『F实现 非线性映射巾的情况下，用核函数代替点积，计算图象的相似度。滇优点是在不增加计 算复杂性的情况下显著提高了图象相似性度量函数的判别能力，图象检索实验证明了我 们的观点。L 》 (4)用支持向量机进行图象语义分类 本文利用支持向量机(sVM)在统计学习方面表现出的优越性能，结合图象的颜色、 纹理特征谱，将图象归并到具有一定语义特征的类，取得了较好的效果。 (5)用基于核函数的判别式分析(KDA)解决多类问题。 ／虽然支持向量机在图象分类中表现出了较好的性能，但是它解决的是两类问题，而 现实申的图象类别是多种多样的，如果用两两分类的方法，结果所得到的是多个分类器， 题，避免了贝叶斯判决后验概率的估计，而且用核函数的思想将判别式分析从线性情况 鲻蒙检寡中岛摇语义张抵崖掣锐特挺妁蚶戤{出气 推广铡非线性情况，从蕊更具有实用性。i (6)改进的基予参数调整的糨关反馈算法 (莹于参数调整的相关反馈是关联图象低层可视特征和离层语义特缝另外～秘常朋 的思想，然两已有的方法大多没有考虑反例，在调整查询向量和备特征分量的权重时， 没专考虑反例与正铡的不问分布特点，而且没有考虑历史反馈信息。针对现有算法的不 足一本文提蹦了新的查询囱攮t秘权傻调整策昭，并取得了较好的效粟。 另外，本文提出并实现了爆象的边缘特征提取算法，以及一种基于视觉一致性的彩 。 叁譬词：基量内容管图象检索?纹理谱：颜色萤纯，边缘检测了图象分割，图象相似性 度量，二部陶匿配y图象分类y svM，KDA，嫉涵数y翱关反馈 Low—levelVisua