基于統(tǒng)計學(xué)習(xí)的圖像語義挖掘研究.pdf

1、圖像挖掘是應(yīng)用數(shù)據(jù)挖掘技術(shù)實現(xiàn)圖像理解的多學(xué)科交叉研究課題，它融合了數(shù)據(jù)挖掘、圖像處理、計算機視覺、圖像檢索、機器學(xué)習(xí)、模式識別、數(shù)據(jù)庫與人工智能等研究領(lǐng)域。圖像挖掘的核心任務(wù)是從圖像底層特征中，高效的獲取高層圖像空間對象及其關(guān)系，提取出圖像序列中隱含的、先前未知的、潛在有用的知識、圖像關(guān)系或其它隱含的圖像模式。本文針對圖像的“語義鴻溝”問題，提出了圖像語義挖掘框架，分別研究了圖像語義層式統(tǒng)計模型、圖像語義對象獲取、圖像語義相似測度等內(nèi)

2、容。并將以上研究成果應(yīng)用于圖像檢索，設(shè)計了XML驅(qū)動的圖像語義檢索系統(tǒng)原型。本課題是國家973項目“語義網(wǎng)格的基礎(chǔ)理論、模型與方法研究”子項目“基于Agent的網(wǎng)格化服務(wù)組織與管理”的研究內(nèi)容之一，是該框架下“語義驅(qū)動的應(yīng)用服務(wù)”在圖像挖掘與檢索服務(wù)中的研究案例。 本論文的主要研究結(jié)果與創(chuàng)新點包括：1.探討了用于縮小圖像“語義鴻溝”的語義層式統(tǒng)計模型根據(jù)圖像內(nèi)容不同的語義粒度，定義了四個層次的內(nèi)容描述機制：圖像子塊層、元語義層、

3、高級語義層和語義類別層。采用有限混合模型(FMMs)建立各語義層次之間的統(tǒng)計映射關(guān)系，利用優(yōu)化的EM算法自動返回FMMs的最優(yōu)模型結(jié)構(gòu)，實現(xiàn)模型參數(shù)估計。層式語義分類實驗證明，該模型具有良好的圖像內(nèi)容描述性能，能有效的縮小圖像內(nèi)容的“語義鴻溝”。 2.設(shè)計了具有良好訓(xùn)練性能的優(yōu)化算法HAB通過定義更為周全的評估函數(shù)，獲取最優(yōu)化的權(quán)重更新值，使每一次迭代訓(xùn)練都集中在最需要學(xué)習(xí)的樣本上，提高了訓(xùn)練的效率，降低了訓(xùn)練誤差；同時通過對已

4、經(jīng)被正確分類的訓(xùn)練樣本的性能評估，控制其權(quán)重在一個合理的范圍之內(nèi)，避免了過擬合現(xiàn)象的出現(xiàn)，提高了訓(xùn)練的魯棒性能。通過與AdaBoost的比較性實驗，HAB算法在訓(xùn)練誤差與抗干擾能力方面具有更好的性能。 3.給出了應(yīng)用HAB算法的圖像語義對象獲取方法，提高了圖像語義對象的識別性能。 引入“特征致密區(qū)”與“特征稀疏區(qū)”的概念，通過圖像子塊采樣的方式描述訓(xùn)練圖像的底層特征。對訓(xùn)練圖像特征進行“兩級處理”，獲取用于訓(xùn)練的“特征池

5、”。利用HAB算法所具有的良好訓(xùn)練效果，迭代訓(xùn)練特定語義對象的識別器。通過實驗，訓(xùn)練之后的識別器具有良好的語義對象獲取性能，識別精確度和返回率有了很大的提高。 4.研究了基于語義相似測度的圖像語義類別統(tǒng)計描述將圖像特征分為“核心特征集”與“輔助特征集”，基于以核心特征為主，其他特征為輔的模式，提出并定義了綜合度量圖像相似程度的“語義相似測度”準則。通過與底層相似度量方法的比較實驗，該度量方法提高了相似圖像的語義相關(guān)性。作為研究實

6、例，為風(fēng)景圖像定義了6個語義類別和9個核心元語義，通過“語義相似測度”，度量圖像與圖像、圖像與語義類別、語義類別與語義類別之間的相似程度，獲取了圖像語義類別的統(tǒng)計描述。 5.應(yīng)用圖像語義挖掘的方法，設(shè)計了XML驅(qū)動的圖像語義檢索原型將圖像內(nèi)容的層式描述、語義對象的自動獲取、語義相似測度等研究成果通過XML技術(shù)融入到圖像檢索系統(tǒng)中，增強了檢索系統(tǒng)的語義可拓展性，提高了圖像檢索精度，并為不同語義層次的檢索服務(wù)提供了條件。通過檢索實驗