论文部分内容阅读
图像的高层语义与低层特征之间存在着巨大的“语义鸿沟”,这是图像检索发展过程中一个无法回避的问题。随着研究的深入,人们发现基于内容的图像检索(Content-BasedImageRetrieval,CBIR)技术由于“语义鸿沟”的存在已经开始不能满足用户的检索需要,因为人们更习惯于根据图像的语义而不是颜色、纹理等低层特征来进行检索。而基于文本的图像检索(Text-BasedImageRetrieval,TBIR)虽能以文本方式对图像的语义进行人工标注,但其存在着工作量大及人工标注具有主观性等局限性。所以,进行面向语义的图像检索(Semantic-BasedImageRetrieval,SBIR)技术的研究具有重要的理论价值和应用前景。
目前,SBIR技术的研究主要可以分为以下四大类:基于分类和聚类的SBIR.、基于相关反馈的SBIR、基于关联图像和语义建模的SBIR以及针对特殊领域的SBIR。而本文主要从分类和相关反馈两个方向,利用支持向量机和模糊理论对SBIR进行了研究。本文的主要研究工作可归纳为以下几点:
(1)在深入研究分类技术和模糊支持向量机(FuzzySupportVectorMachine,FSVM)的基础上,针对图像语义的模糊性和传统支持向量机(SupportVectorMachine,SVM)在搭建多类分类器时产生的不可分区域,提出一种用FSVM实现的基于分类的SBIR(SBIR-Classification-FSVM,SBIR-C-FSVM)算法,并给出其对应的检索模型。实验结果表明,本文提出的SBIR-C-FSVM算法的检索性能与基于SVM的图像检索算法及综合多特征的CBIR算法相比均有了显著的改进,其平均查全率分别提高了9.26％和57.99％,平均查准率则分别提高了8.84％和59.79％
(2)在深入研究了基于相关反馈的SBIR技术的基础上,针对利用相关反馈实现图像语义检索时所存在的小样本、样本不均衡、忽略大量未标记样本及历史反馈信息等问题,综合相关反馈中的短期学习和长期学习技术,提出一个用FSVM实现的基于相关反馈的SBIR(SBIR-RelevanceFeedback-FSVM,SBIR-RF-FSVM)算法,并给出其对应的检索模型。实验结果表明,本文提出的SBIR-RF-FSVM算法的检索性能与用SVM实现的综合短期学习和长期学习的SBIR算法及用FSVM实现的基于短期学习的SBIR.算法相比均有了明显改进,其平均查全率分别提高了2.3％和3.1％,平均查准率则分别提高了11.3％和15.6％。
(3)针对基于相关反馈的SBIR技术中的实时性要求,将之前提到的SBIR-C-FSVM模型和SBIR-RF-FSVM模型相结合,开发了一个用FSVM实现的综合分类技术和相关反馈技术的SBIR系统。该系统平均查全率比SBIR-C-FSVM系统和SBIR-RF-FSVM系统分别提高了3％和5％,平均查准率则分别提高了14.7％和23.6％。