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(jì)算機(jī)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(zhǔn)確的檢索到所需求的圖像成為了當(dāng)今多媒體技術(shù)中研究的熱點(diǎn)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(duì)圖像進(jìn)行標(biāo)注，不僅消耗了大量的人力，而且人工標(biāo)注圖像的主觀性很大，對(duì)于不同的管理員，標(biāo)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(jìn)行檢索的，但是人對(duì)圖像的認(rèn)識(shí)是一個(gè)利用自己的先驗(yàn)知識(shí)推理

2、圖像語義的過程，這樣導(dǎo)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(jī)（SVM）將圖像的底層特征映射為高層語義。
　　本文首先對(duì)語義的層次模型進(jìn)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(diǎn)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(diǎn)信息。
　　本文重點(diǎn)研究了支持向量機(jī)的多分類技術(shù)，針對(duì)一些傳統(tǒng)方法支持向量機(jī)多分類的缺點(diǎn)，例如：正負(fù)樣本分布不均勻、識(shí)別率低、訓(xùn)練時(shí)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(diǎn)，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(diǎn)中首先確定空間距離最大的兩個(gè)類別，將這兩個(gè)類別分別確定為SVM正類和負(fù)類的中心，其他類根據(jù)它們與此兩類的距離被分配