基于支持向量机语义分类的两种图像检索方法-厦门大学学报自然.PDF

第 49 卷 　第 4 期 ( ) Vol . 49 　No . 4 厦门大学学报 自然科学版 　20 10 年 7 月 J our nal of Xiamen U niver sit y (N at ural Science) J ul . 20 10 　 基于支持向量机语义分类的 两种图像检索方法 廖绮绮 ,李翠华 (厦门大学信息科学与技术学院 ,福建 厦门 36 1005) 摘要 : 为了更好的解决基于内容的图像检索问题 ,提出了 2 种基于语义的图像检索方法. 第 1 种是基于支持向量机 ( SVM) 语义分类的图像检索方法. 该方法首先提取训练图像库的底层特征信息 ,然后利用 SV M 对所提取的特征进行训 练 ,构造多分类器. 在此基础上 ,利用分类器对测试图像自动分类 ,得到图像属于各个类别的概率 ,实现图像检索. 第 2 种 是利用图像 自动标注方法进行检索. 在基于语义的图像 自动标注中 ,先对训练集进行人工标注 ,对测试图像利用 SV M 分类器进行分类 ,并找到与该图像最相似的 N 张构成图像集 ,对该图像集的标注进行统计 ,找到关键词 ,从而提供概念 化的图像标注以用于检索. 通过在标准图像检索库和 自建图像库上的实验结果表明 , 以上 2 种基于语义的图像检索方法 是高效的. 关键词 :图像检索 ;语义特征 ;支持向量机 ;分类器 TP 39 1. 4 1 　　　　 A 　　　　　 (20 10) 中图分类号 : 文献标识码 : 文章编号 : 　　伴随 Int er net 的高速发展 , 图像信息快速增长 ,从 这也是计算机视觉 、模式识别领域的一个难点. 图像自 海量的数字图像集合中快速提取有价值的知识已成为 动标注技术的出现是为了自动获取图像的语义信息 , 人们的迫切需求. 自20 世纪 90 年代起 ,基于内容的图 从而在语义级别上对检索做出支持 ,许多机器学习方 ( ) 像检索 cont entba sed ret rieval 技术应运而生 , 成为 法由于能很好地获取图像特征和文本描述之间的对应 智能信息处理领域的研究热点. 传统的图像检索过程 , [3 ] [4 ] 关系 ,因而被引入这一领域 ,如 Mori 等 提出的同 先通过人工对图像进行文字标注 ,再用关键字来检索 ( ) 现模型 Cooccurrence mo del ,将图像划分成规则区 图像 ,这种依据图像描述的字符匹配提供检索结果的 域 ,然后将这些区域进行分类 ,根据不同类别的图像区 方法 ,简称“字找图”, 既耗时又主观多义. 基于内容的 域和关键词的共生概率来计算图像应该被赋予某一关 图像检索克服“字找图”方式的不足 ,直接从待查找的