基于SOFM自組織特征映射網(wǎng)絡的圖像語義分割與標識.pdf

1、語義網(wǎng)絡無疑將成為網(wǎng)絡的下一個進化階段，圖像的語義搜索是語義網(wǎng)絡構建的一個重要方面，而圖像的語義分割與標識又是實現(xiàn)圖像語義搜索的基礎。由于網(wǎng)絡上圖片的數(shù)量巨大，并且圖片的處理很耗時，因此，圖像語義分割與標識的難度較大。目前在圖像的語義分割與標識方面的研究很多，但是大多都只是針對特定領域的，而且在性能以及分割、標識的準確率上也還存在很大的不足。早期的圖像語義標識系統(tǒng)大多數(shù)都是只針對整幅圖片進行的，沒有將圖像分割和語義標識相結合來考慮。這些

2、系統(tǒng)一般只對圖像的全局特征或是局部像素點特征的摘要進行語義學習和預測，因此比較粗糙，對特征的學習不夠充分。也有少數(shù)系統(tǒng)是對像素點級別的特征進行語義學習和預測的，這樣雖然可以確保特征的學習足夠充分，但是語義的預測過程很耗時。本文在對這些問題進行了較為深入的研究、分析后，提出并構建了一個基于SOFM自組織特征映射網(wǎng)絡的圖像語義分割及標識系統(tǒng)。本文在圖像分割方面提出了基于SOFM(Self-Organizing Feature Map)自組織

3、特征映射網(wǎng)絡的圖像分割方法，該方法不僅克服了很多圖像分割算法的需要圖像分割數(shù)作為輸入?yún)?shù)的缺點，而且由于充分考慮了圖像的高斯、高斯—拉普拉斯、高斯一階導等多方位的17維特征使得圖片的分割效果很好。同時因為該算法結合使用了K-Means聚類算法所以運行效率也很高。另外，在圖像語義標識方面，本文采用分開考慮圖像語義訓練和語義預測的方法。語義訓練階段采用基于像素點級別特征的充分學習辦法，而語義預測時采用選取圖像分割塊的代表點特征——分割塊中心