基于极限学习机的图像标注研究-计算机科学与技术专业论文.docxVIP

湘潭大学 学位论文原创性声明 本人郑重声明:所呈交的论文是本人在导师的指导下独立进行研究所取得的 研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或 集体己经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均 己在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名:态乡能保 日期:20.1S年5月二?t日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保 留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借 阅。本人授权湘潭大学可以将本学位论文的全部或部分内容编入有关数据库进行 检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 出名:在乡庄农 导师签名:念志、鸡  日期:)Dls年 1了月二Z 日 日期:20位年夕月二 6 日 .‘ . I I 摘要 当今是图像爆炸式增长的时代，急切需要与之相适应的图像管理和检索能 力。图像标注不仅可以为普通用户提供与之使用习惯更加符合的以 Web 图像搜 索为代表的图像检索服务，还将为图像数据的组织、索引、管理带来革命性的变 化，甚至能够推动图像理解及整个计算机视觉领域的发展。此外，图像标注在商 业应用、数字图书馆、军事、生物医学、网络监控、国家安全等方面也有重要的 意义。 本文首先介绍了图像标注的一些基础知识，包括图像分割，特征提取，标注 模型以及评价标准等。图像分割分为固定划分和 N-Cut 算法，在特征提取方面， 介绍了颜色、纹理、形状等特征。评价标准主要是查全率和查准率。本文重点介 绍了图像标注的模型，其中三个主要的模型分别是基于分类的图像标注，基于概 率模型的图像标注和基于主题的图像标注。前两个模型试图直接寻找图像（或图 像区域）与文本标注词之间的关系，而基于主题的图像标注模型则通过引入潜在 主题概念建立高层语义与低层视觉特征之间的联系，从而实现自动图像标注。 目前，基于机器学习的图像标注方法得到了广泛的应用和发展。其中，学习 器模型的选择就显得非常重要了。本文围绕如何提高标注效果和效率展开了研 究，并提出一种基于极限学习机（ELM）的图像标注算法。本方法的特征向量 采用的是颜色特征、纹理特征以及 SIFT 特征组成的复合特征向量，能比较全面 的反映图像的特征，有效提高了检索的效率。模型训练中，采用 ELM 算法，因 其结构简单、学习速度快，大大缩小了模型训练和标注的时间。随着 ELM 的发 展，理论研究和实践表明，ELM 不但可以用于神经网络中，而且在多分类应用 中也有不错的性能表现。本文实验结果表明，采用 ELM 算法不但在时间开销上 有着巨大的优势，同时其良好的泛化性能提高了算法的准确性，二者的综合效果 使得图像标注的性能得到了有效提升。最后，在本文算法的基础上设计和实现了 图像检索演示系统。 关键字：图像标注；标注模型；ELM；图像检索 II II Abstract Today is the era of explosive growth in the image.It is urgent to advance the research of images so that the capability of images management and understanding could keep consistent with the increasement of images. Image annotation can not only provide a more comfortable service represented by web image search for common users, but also will bring revolutionary changes to the organization,indexing, management of the image data, even promoting the image understanding and the entire field of computer vision progress. In addition, image annotation is also important in commercial applications, digital libraries, military, biomedical, network monitoring, and other aspects of national security. In this paper,I first introduced some basic