基于內(nèi)容的圖像檢索中若干關(guān)鍵問題研究.pdf

1、基于內(nèi)容的圖像檢索(Content-based Image Retrieval，cBIR)是當(dāng)前的一個(gè)熱點(diǎn)研究領(lǐng)域。論文首先對CBIR作了總體的介紹，包括CBIR的起源、系統(tǒng)模塊、研究現(xiàn)狀，原型系統(tǒng)、研究機(jī)構(gòu)及相關(guān)的國際刊物和國際會(huì)議。然后針對CBIR中當(dāng)前存在的主要問題，在理論和算法上對底層特征、維數(shù)災(zāi)難、語義特征及相關(guān)反饋問題進(jìn)行了深入的研究。在實(shí)際應(yīng)用方面，主要研究了CBIR技術(shù)在農(nóng)業(yè)病蟲害遠(yuǎn)程診斷中的應(yīng)用，該研究對促進(jìn)該領(lǐng)域的智

2、能化發(fā)展具有重要的意義。 本文的創(chuàng)新之處主要體現(xiàn)在以下五個(gè)方面： 1、在底層特征描述方面，提出了彩色共生矩陣特征的改進(jìn)方法一加權(quán)彩色共生矩陣特征。在深入討論了CBIR中常用底層特征的演化軌跡之后，在詳細(xì)分析了彩色共生矩陣特征及改進(jìn)的彩色共生矩陣特征的基礎(chǔ)上，論文提出了加權(quán)共生矩陣特征，即在構(gòu)造全局相似度時(shí)，對角線元素和非對角線元素的相似性賦予不同的權(quán)重，而權(quán)重的大小就取決于圖像的視覺復(fù)雜度。實(shí)驗(yàn)證明加權(quán)彩色共生矩陣特征

3、使得圖像庫中和查詢圖像具有相似顏色和視覺復(fù)雜度的圖像將變得更加相關(guān)，而和查詢圖像不具有相似顏色和視覺復(fù)雜度的圖像和查詢圖像將變得更加不相關(guān)。 2、在維數(shù)災(zāi)難問題方面，首先將有監(jiān)督的局部線性嵌入方法用于圖像檢索中的特征降維。由于有監(jiān)督的局部線性嵌入(SuperVised Locally Linear Embedding，sLLE)算法在降維的同時(shí)可以保持局部領(lǐng)域的線性特性，使得高維空間中相鄰的樣本在低維空間中仍然相鄰，論文將SLL

4、E算法用于對底層高維特征進(jìn)行降維。實(shí)驗(yàn)結(jié)果表明降維后的特征在檢索準(zhǔn)確度上具有更好的表現(xiàn)。其次在用特征選擇方法解決維數(shù)災(zāi)難問題方面，提出了一種基于圖像復(fù)雜度參數(shù)的特征選擇方法。特征中被選擇維數(shù)的確定是基于圖像視覺感知的，它根據(jù)圖像特征的每一維在不同圖像范圍中的統(tǒng)計(jì)頻率得到的，因此選擇后的特征維數(shù)不是一個(gè)常數(shù)，它是根據(jù)查詢圖像的不同而不同。從實(shí)驗(yàn)結(jié)果可以看出經(jīng)過選擇后的特征在檢索準(zhǔn)確度上有了一定的提高，同時(shí)大幅度降低了特征的維數(shù)和查詢的時(shí)間

5、，減小了算法復(fù)雜度。 3、在矩陣分解算法方面，提出了非負(fù)矩陣分解算法(Non-negative MatrixFactrization，NMF)的改進(jìn)算法一有監(jiān)督的非負(fù)矩陣分解算法(SNMF)。標(biāo)準(zhǔn)的非負(fù)矩陣分解算法是一種尋找全局?jǐn)?shù)據(jù)基于部分表示的有效方法，但是它在應(yīng)用中會(huì)存在兩個(gè)問題，一個(gè)是隨機(jī)初始化的問題，另外一個(gè)是基空間的維數(shù)問題。論文提出了一種有監(jiān)督的非負(fù)矩陣分解算法來解決這兩個(gè)問題。在這種算法中，對初始的基矩陣采用概念

6、向量矩陣進(jìn)行初始化，不僅使得非負(fù)矩陣分解算法可以更加快速有效的收斂，同時(shí)也確定了基空間的維數(shù)。理論分析和實(shí)驗(yàn)結(jié)果表明了有監(jiān)督的非負(fù)矩陣分解算法在尋找全局?jǐn)?shù)據(jù)基于部分的表示時(shí)提供了一個(gè)有限制同時(shí)又有彈性的起點(diǎn)。 4、在尋找從底層特征到高層語義的映射方面，提出了基于SNMF的隱含語義索引方法。論文對隱含語義索引技術(shù)(Latent Semantic Indexing，LSI)技術(shù)進(jìn)行了深入的研究，在分析了基于奇異值分解(Singul

7、ar Value Decomposition，SVD)的LSI技術(shù)在圖像檢索中應(yīng)用的缺點(diǎn)后，根據(jù)NMF算法的非負(fù)性特點(diǎn)及基矩陣的意義，并考慮到標(biāo)準(zhǔn)的NMF在應(yīng)用中存在的問題，論文提出了基于SNMF的隱含語義索引方法，用SNMF作為SVD的替代算法來推導(dǎo)圖像中隱含的語義結(jié)構(gòu)，從而尋找底層特征與高層語義間的聯(lián)系。實(shí)驗(yàn)結(jié)果表明所提出的方法要優(yōu)于基于SVD的隱含語義索引方法。 5、在相關(guān)反饋方面，提出了基于NMF的相關(guān)反饋方法。在詳細(xì)