SVM在圖像注釋與檢索中的應(yīng)用研究.pdf

1、隨著互聯(lián)網(wǎng)以及多媒體技術(shù)的高速發(fā)展，圖像、視頻、音頻等數(shù)據(jù)數(shù)以萬計的增長，如何從大量的信息中快速、有效地檢索到所需的內(nèi)容成為目前迫切需要解決的熱點問題。其中，基于內(nèi)容的圖像檢索一直是多媒體技術(shù)研究的熱點，它利用算法自動提取圖像的低層特征并建立索引，檢索時利用特征匹配算法進(jìn)行相似性度量，選擇相似度值高的圖像作為檢索結(jié)果。但是低層圖像特征與高層語義之間的語義鴻溝嚴(yán)重影響了檢索的精度。為了解決這個難題，人們常常在檢索算法中引入機(jī)器學(xué)習(xí)、相關(guān)反

2、饋技術(shù)來學(xué)習(xí)語義概念、縮小語義鴻溝，最終提高檢索精度。
　　 支持向量機(jī)(以下簡稱SVM)作為比較成熟的一個分類方法在圖像分類、檢索中得到了廣泛的應(yīng)用，也取得了不錯的研究成果。本文重點研究了SVM在圖像注釋與檢索中的應(yīng)用方法，分析并比較了目前現(xiàn)有工作的優(yōu)缺點。圖像檢索本身亦可以看作是一個將圖像分為相關(guān)圖像和不相關(guān)圖像的分類問題，SVM的基本思想就是通過最大化相關(guān)圖像和不相關(guān)圖像之間的分類間隔找到能夠?qū)深悎D像最大限度正確分開的分

3、類超平面。在圖像注釋中，SVM主要用作圖像分類，根據(jù)分類對象的不同，可以實現(xiàn)圖像整體層注釋和區(qū)域?qū)幼⑨?。在圖像檢索中，SVM常用來和相關(guān)反饋相結(jié)合，通過用戶交互不斷學(xué)習(xí)修正分類超平面，從而改善檢索效果。
　　 針對基于SVM的相關(guān)反饋檢索中存在的訓(xùn)練樣本少、反饋次數(shù)有限等問題，本文提出了一種新的算法結(jié)合多個支持向量機(jī)與主動學(xué)習(xí)來增強檢索性能。該算法針對不同的特征視圖的不同統(tǒng)計屬性采用不同的核函數(shù)來分別訓(xùn)練SVM。本文同時提出了一

4、個新的計算確信度的方法來評估每個SVM的分類結(jié)果，以確保每次都能選取包含信息最豐富(即確信度最低)的樣本讓用戶標(biāo)記；另外，為了盡可能地充分利用未標(biāo)記樣本，在每次檢索后都選取確信度最高的一批不相關(guān)樣本來擴(kuò)充SVM的訓(xùn)練樣本集，從而達(dá)到減少反饋次數(shù)，使檢索結(jié)果盡快達(dá)到用戶需求的目的。
　　 根據(jù)本文提出的檢索算法，我們開發(fā)了一個基于多個SVM和相關(guān)反饋的圖像檢索系統(tǒng)，并設(shè)計了多個實驗來檢驗算法有效性，同時與其他算法進(jìn)行了比較。通過對