基于顯著區(qū)域提取和pLSA的圖像檢索方法.pdf

1、隨著多媒體技術和互聯網技術的不斷進步，數字圖像資源正以幾何級的速度增長，這就對如何進行大量圖像數據的快速檢索與瀏覽提出了新的技術挑戰(zhàn)。在基于內容的圖像檢索(Content-Based Image Retrieval，CBIR)中，相當多的情況下用戶并不關心圖像全局相似與否，而更多關注的是圖像中具有一定語義的區(qū)域是否相似。為了彌補全局特征在描述圖像內容上的不足，本文提出了一種基于顯著區(qū)域語義特征的圖像檢索方法。首先，利用譜殘差和多分辨率分

2、析方法提取圖像的顯著區(qū)域；然后，用概率潛在語義分析(probabilistic Latent Semantic Analysis，pLSA)從圖像的區(qū)域集合中發(fā)現潛在語義模型；最后，根據潛在語義模型得到所有圖像區(qū)域中潛在語義出現概率來構建顯著區(qū)域的潛在語義特征，并使用該特征構建SVM分類器模型進行圖像檢索。
　　 本文以譜殘差模型為出發(fā)點，闡述了顯著區(qū)域提取、區(qū)域潛在語義特征構建以及基于顯著區(qū)域圖像檢索的方法，主要研究成果如下：

3、
　　 (1)顯著區(qū)域的提取。根據人類視覺系統(tǒng)的特點，提出了一種融合譜殘差和多分辨率分析的顯著目標檢測方法。該方法通過在不同尺度上計算圖像的亮度、顏色以及方向特征的譜殘差，構建多分辨率顯著性圖譜序列，然后用線性插值方法將不同分辨率的特征顯著圖疊加得到三個特征顯著圖，再利用k-均值聚類算法將每個特征顯著圖聚為兩類，選擇聚類中心距離最大的特征顯著圖作為最終的顯著圖，最后經過動態(tài)閾值處理獲得圖像的顯著目標區(qū)域。融合譜殘差和多分辨率分析

4、的顯著目標檢測方法是本文的創(chuàng)新點。
　　 (2)區(qū)域潛在語義特征構建。在得到圖像的顯著區(qū)域之后，使用無監(jiān)督的pLSA對這些圖像區(qū)域所構成的集合進行潛在語義挖掘，以此構建區(qū)域潛在語義特征。
　　 (3)基于顯著區(qū)域的圖像檢索。將正負樣本看作兩類，圖像檢索可看作一個實時分類問題。使用支持向量機(Support Vector Machine，SVM)對訓練圖像的區(qū)域潛在語義特征進行學習，得出訓練樣本集中每個樣本對于決策的影響，