论文部分内容阅读
本论文针对日益增长的多媒体信息检索应用需求,以及目前国内外现有的基于内容的图像检索系统的局限性,系统而深入地探讨了基于内容的图像检索通用技术中若干重要问题,提出了一套完整的解决方案,着重于新的图像特征描述方法,特征提取、与匹配检索方法,相似性度量与快速检索算法等方面的研究,构建了一个基于内容的图像检索通用模型,通过大量实验,验证了方案的合理性。在简要介绍了研究背景和意义,国内外基于内容的图像检索通用技术的发展与应用现状基础上,本文主要研究了四个方面问题:图像特征分析、图像检索技术、图像分类技术、系统设计及实现。第一方面,详细地分析了基于内容的图像检索系统中典型的图像特征(颜色、纹理、形状等),针对目前尚不成熟的特征描述,提出了一种基于聚类的区域特征提取与匹配方法。该方法兼顾了图像区域的颜色与纹理的特征,统一了颜色、纹理、空间位置的描述,满足平移、缩放、旋转不变性。与同类方法相比,更符合人的视觉特性。第二方面,系统地研究了数据库中两类图像检索技术―基于文本的图像检索和基于内容的图像检索。重点探讨了基于内容的图像检索技术中若干关键技术、实现方法及其改进措施,提出了一个使用径向基函数神经网络(Radial Basis Function Neural Network(RBFNN))对图像进行分类的方法,将图像的底层视觉特征与高层语义描述有机地结合起来,加快了检索速度[1],适应了大型图像库中图像的分类检索需求。第三方面,提出了多种图像特征融合的方法提高检索性能,其中使用主成分分析(PCA)技术。第四方面,探讨了基于内容的图像检索系统的设计及实现问题。在总结以上研究成果基础上,设计出一个通用性系统结构,并就实用化过程中需要解决的若干重要问题,提出了几种系统性能优化的措施。主要包括:离线图像特征提取、分类快速检索,提高了系统运行效率。最后,对全文进行了总结,概括了主要研究成果,并对今后的研究方向进行了展望。本文的主要创新在于:[1]提出了一种基于聚类的区域特征提取与匹配方法,与同类方法相比,更符合人的视觉特性。[2]提出了一种基于径向基函数神经网络对图像进行分类的方法,加快了检索速度。[3]提出了多种图像特征融合的方法,提高检索性能。实验表明,该方法合理,切实可行。[4]提出了几种系统性能优化的措施。