基于关键点映射的全概率模型多示例图像检索方法-软件工程专业论文.docxVIP

安徽大学硕士学位论文 安徽大学硕士学位论文 摘要 IIIIIII III IIII IIIII IIl 摘要 Y301 9895 自我们进入21世纪以来，计算机科学发生了翻天覆地的变化，人们对计算 机视觉方面的研究越来越广泛，而图像检索，它作为计算机视觉研究领域的一个 热门课题，也受到了广大学者的重视。从急剧增长的图像库中选择自己感兴趣的 图像成为人们迫切的需求，然而由于图像的语义非常丰富，这使得基于内容的图 像检索成为一个非常具有挑战性的难题。经典的图像检索的方法有基于文本标注 的检索和传统方式的基于图像内容的检索，前者的缺点是需要依赖于大量的人工 文本标注工作，而后者尽管采用了图像的颜色、纹理、形状等特征，但是检索的 准确度被图像的多语义性所局限。 多示例学习是一种较新的机器学习框架，它认为训练集是由一组具有标记的 包组成的，每个包中均含有一组示例，但是示例的标记具有不确定性，正包中至 少有一个正示例，负包中的示例均是负示例，这一描述恰好与图像多语义性的特 点相符合，因此利用多示例学习来解决语义图像检索的问题是可行的。目前研究 者将多示例学习应用于图像检索，通过应用不同的多示例包生成方法和多示例学 习方法对多示例图像检索算法进行改进，经典的包生成方法有SBN(Single Blob with Neighbors)、RR(Reasoning with Regions)等方法，经典的多示例学习方法有 EM．DD、MILES等算法。 在多示例包的生成方法上，SBN的方法具有提取简单、运行速度快的特点， 准确率比较一般；而RR方法比SBN方法的准确率高，提取速度却相对较慢， 然而上述两种方法均未考虑图像本身所具有的感兴趣区域，因此本文利用关键点 和超像素区域生成包，使包具有感兴趣的特性。对于EM．DD、MILES等多示例 学习算法，EM—DD需要大量的时间计算多样性密度点，而MILES通过在训练集 的示例原型空间上做投影计算，获得多示例包的包特征，把多示例问题转换为标 准监督学习的问题，相较之下MILES算法具有更成熟的理论、实现方法更加简 单的特点，但是示例原型空间中存在示例数目大、噪音多的问题降低了MILES 算法的效率和准确率。本文虽然利用了MILES算法的思想，但是采用了视觉语 万方数据 安徽大学硕士学位论文 安徽大学硕士学位论文 基于关键点映射的全概率模型多示例图像检索方法 义库模型来解决MILES算法存在的示例原型空间中示例数目大、噪音多问题， 另外，针对MILES算法并未充分利用示例间的相关性和示例在包中的重要程度 的缺点，本文利用全概率模型提取包特征，并从理论的角度证明了基于全概率模 型的多示例相似度计算是计算示例与聚类中心相关度的一般方法。 本文提出基于关键点映射的全概率模型多示例图像检索方法，把图像看成多 示例包，图像上的区域看成示例，首先对每一张图像进行SLIC超像素分割，通 过寻找图像上的关键点，并在该图像上进行区域映射，把关键点所在的超像素区 域取出，提取该区域的颜色、纹理特征，生成该图像的多示例包；然后利用视觉 语义模型和全概率模型获得包特征，以及使用基于流行排序的显著程度计算方法， 减少了一些显著程度值较低却含有关键点的超像素对包特征的影响；最后使用支 持向量机进行学习，获得查询模型，并对检索结果按相关性大小进行排序。 本文方法的优点是：本文中多示例包是由用户最可能的感兴趣区域所生成， 因此充分利用了关键点所属区域的感兴趣信息；其次，本文中使用了视觉语义模 型，解决了原MILES算法在计算包特征时存在的示例原型空间中示例数目大、 噪音多的问题；另外，本文利用全概率模型提取包特征，充分考虑了示例问的相 关性和示例在包中的重要程度。通过在Corel数据集和SIVAL数据集上与其他 方法进行比较，实验表明本文的方法具有较好的检索准确率。 关键词：图像检索：多示例学习；超像素；关键点；全概率 II 万方数据 安徽大学硕士学位论文 安徽大学硕士学位论文 Abstract Abstract Great changes have been taken place in computer science since we