圖像語義檢索和分類技術(shù)研究.pdf

1、圖像語義檢索和分類是近年來的一個研究熱點，是多媒體信息檢索領(lǐng)域的一個重要組成部分，并受到越來越廣泛的關(guān)注。由于圖像語義具有的復雜性，在提取、表示和應用上都比較困難，因此，圖像語義的檢索和分類成為一個極具挑戰(zhàn)性的研究課題。 早期的基于文本的圖像檢索方法存在著兩大難題：一是對圖像進行人工標注工程浩大；二是人工標注存在著主觀性和不精確性。為此在 20 世紀 90 年代發(fā)展了基于內(nèi)容的圖像檢索技術(shù)，通過自動提取圖像視覺特征，并進行相似性

2、匹配，來獲得檢索結(jié)果。該方法摒棄了基于文本的檢索中需要對每幅圖像進行人工標注的繁重工作，避免了人工標注的主觀性。該項技術(shù)得到了迅速的發(fā)展，逐漸成為圖像檢索領(lǐng)域的主流技術(shù)，并開發(fā)了大量的檢索系統(tǒng)。 但是，由于圖像的底層特征與人類的理解之問存在著很大的差異，圖像所包含的語義內(nèi)容無法用圖像的底層特征來準確表述，即在圖像的底層視覺特征和圖像包含的語義之間存在著“語義鴻溝”。針對這一問題，提出了圖像語義檢索和分類技術(shù)。圖像語義檢索和分類技

3、術(shù)將語義信息與底層特征相結(jié)合，對圖像進行檢索和分類。該技術(shù)的重點在于如何提取、表達，以及利用語義信息。 本文對圖像語義檢索和分類課題中的若干問題進行了探討，包括圖像的語義提取、語義表示，以及圖像語義檢索和分類技術(shù)。 全文的貢獻主要體現(xiàn)在以下幾點： 1．提出了一種基于粒子群優(yōu)化算法的圖像語義分類方法。該方法利用提出的一種基于模糊粒子群優(yōu)化算法 (FPSOC)，對圖像進行語義分類。本文提出的方法采用粒子群優(yōu)化算法對圖

4、像進行自動聚類，無需人工干預，且所需要的參數(shù)較少。一方面針對圖像語義具有模糊性的特點，以及依據(jù)圖像的特征向量來劃分圖像的類別具有一定的模糊性的特點，將模糊概念引入到粒子群優(yōu)化算法中，從而可以更好的處理圖像語義分類問題。另一方面，針對特征維數(shù)過高問題，采取了特征選擇機制，并在圖像的聚類過程中動態(tài)確定特征的重要程度。 2．提出了一種基于粗糙模糊集的圖像語義對象獲取方法。該方法首先通過模糊化方法將圖像底層特征構(gòu)造為模糊數(shù)據(jù)立方體，然后

5、利用粗糙模糊集的方法，對該模糊數(shù)據(jù)立方體進行處理，將圖像分割成語義區(qū)域，獲取圖像的語義對象，用以生成圖像包(bag)。本文定義了新的粗糙模糊集的依賴函數(shù)，并將新定義的粗糙模糊集應用于對圖像的分割，從而獲取語義對象。通常圖像特征維數(shù)較高，對圖像處理的效率和精度會有影響。該方法可以有效的處理圖像的高維問題。另外，不同于傳統(tǒng)的基于粗糙集的屬性約簡方法通常用來處理離散數(shù)據(jù)。本文提出的基于粗糙模糊集的方法可以直接用于處理連續(xù)數(shù)據(jù)。 3．提

6、出了一種采用多示例學習的圖像語義檢索方法。該方法將圖像語義檢索轉(zhuǎn)化成一個多示例學習問題。根據(jù)提出的語義層次模型，首先采用多示例學習方法獲取圖像簡單語義，然后將簡單語義映射為復合語義。該方法利用多示例學習問題來處理圖像語義提取和檢索，一方面由于多示例學習的高準確性可以得到較為準確的結(jié)果，另一方面由于多示例學習只需要知道每個包的標簽，而無需知道每個示例的類別標簽，故減少了對對象識別效果的依賴。同時，只需對整幅圖像進行標注，而不用對圖像中的每