結(jié)合底層特征和高層語義的圖像檢索技術(shù)研究.pdf

1、隨著計算機技術(shù)和多媒體技術(shù)的快速發(fā)展，多媒體圖像的數(shù)量也以得到了極大地增長，如何從海量的圖像庫中快速、準確的檢索到所需求的圖像成為了當今多媒體技術(shù)中研究的熱點問題。傳統(tǒng)的基于文本的圖像檢索技術(shù)需要管理員手工對圖像進行標注，不僅消耗了大量的人力，而且人工標注圖像的主觀性很大，對于不同的管理員，標注的結(jié)果可能不同?；趦?nèi)容的圖像檢索技術(shù)是依靠圖像的低層視覺特征（顏色、紋理、形狀等）來進行檢索的，但是人對圖像的認識是一個利用自己的先驗知識推理

2、圖像語義的過程，這樣導致了圖像的底層視覺特征和圖像語義之間的“語義鴻溝”。
　　為了減小“語義鴻溝”，本文將圖像的高層語義和底層視覺特征結(jié)合起來，利用支持向量機（SVM）將圖像的底層特征映射為高層語義。
　　本文首先對語義的層次模型進行了分析，并且介紹了提取圖像語義的一些常用方法。在分析了圖像顏色、紋理、形狀等特征提取方法的基礎(chǔ)上，提出采用結(jié)合圖像邊緣和角點信息的低層特征提取方法，分別用不變矩和環(huán)形顏色直方圖來表示圖像的邊緣

3、和角點信息。
　　本文重點研究了支持向量機的多分類技術(shù)，針對一些傳統(tǒng)方法支持向量機多分類的缺點，例如：正負樣本分布不均勻、識別率低、訓練時間長等，提出了一種新的二叉樹結(jié)構(gòu)的SVM分類方法。以樣本的空間分布為切入點，利用K-Mean聚類分析樣本語義類之間的空間分布，采用聚類中心的歐氏距離作為量度，在樹形結(jié)構(gòu)SVM的根節(jié)點中首先確定空間距離最大的兩個類別，將這兩個類別分別確定為SVM正類和負類的中心，其他類根據(jù)它們與此兩類的距離被分配