基于文本的Web图片搜索引擎的研究报告.docVIP

- . z 基于文本的Web图片搜索引擎的研究 摘 要 如需全文或定做各专业论文，可联系QQ 2537024709 本文研究工作是针对Web图片搜索引擎的应用背景，以构建大型Web图片搜索引擎为目标，提出基于文本检索方式的Web图片搜索引擎设计方案。 文中介绍和研究了一系列与Web图片搜索引擎相关的技术，包括网页抓取、相关性排序〔VSM和LSI〕、信息提取、信息索引等，这些技术将被应用到文中提出的系统设计方案中。 本文重点地研究如何从HTML文档中提取图片相关信息，保证高效和准确的实现图片检索。在对真实数据进展实验和分析的根底上，提出了假设干关键技术，用于系统的设计，现归纳如下： 本文提出的方法通过细致地分析HTML文件的img标记、a标记、网页标题、网页的超文本、图片URL、meta标记、关联的a和img构造、table构造、图片周围文本等局部的构造特点，并利用真实数据进展实验验证，总结了9条提取模式，用于从这些构造中提取与图片相关的信息，以保证提取到的信息相关性程度较高。研究了三种具体的提取方法：基于DOM的方法、基于字符串的方法和基于Wrapper的方法。 提出了过滤无用图片的方法，提高了系统中图片的可用度。该方法将图片文件大小小于*一阈值，图片的长或宽小于*一阈值，图片的长宽比例超过*一阈值以及同一网页内通过img引用次数超过*一阈值的图片作为无用图片剔除。 通过统计分析总结出HTML文件中表现出的一些潜在规律，比方JPG和GIF的区别、a和img标记的不同意义以及图片引用次数的不同意义。得到如下结论：JPG重要性大于GIF；a标记来源图片的重要性大于img标记的图片；a引用次数越高的图片重要性越高，而img引用次数高的图片需要经过过滤才能保证重要性较高。 粗略地探讨了将LSI算法应用于图片搜索引擎来整合文字和内容信息的方法，并通过简单实验进展了效果验证。 设计并实现了一个基于文本的Web图片搜索引擎，给出了系统的总体构造图，并对获取网页、提取信息、图片抓取和死链检查、生成缩略图、建立索引和提供查询这6个工作流程进展了详细的描述，最后对系统的使用效果和性能进展了简单评测。 关键词：Web图片搜索引擎 图像检索 基于文本 基于内容 信息提取 - . z Abstract In the thesis, we form a scheme to design a large-scale Web image search engine system using mainly te*t-based technology. We introduce and research a series of techniques related to Web image search engine, such as crawling, relevance ranking (VSM and LSI), information e*traction and inde*ing. Those techniques will be used in our system design. We concentrate on how to e*tract information relevant to images from HTML documents more effectively and precisely. According to e*periments and analysis on real data, we propose several key techniques as below for designing the system: We analyze carefully the structure of HTML ponents including img tag, a tag, title of web page, anchor te*t of web page, URL of image, meta tag, table tag, surrounding te*t of img tag etc. And sum up nine e*traction patterns to fetch information relevant to images. We also research three e*tracting methods: DOM based method, String ba