论文部分内容阅读
网络技术作为一种迅猛发展的新的生产方式,不仅满足了人们的各种生产生活需要,也呈献给用户大量的图像资源。为便于用户根据自己需求获得海量图像数据,对网上涌现的图像进行有效处理成为亟待解决的问题。但底层图像特征和语义概念间普遍存在理解偏差,人工标注图像已经难以满足用户需要。为了更好地实现图像检索技术,图像自动语义标注越来越占据举足轻重的地位。图像自动标注技术中,采用关联建模技术利用已知训练集为底层特征和高层语义概念间建立联系,未知图像则可根据已经建立好的的联系模型实现自动标注。关联建模提供了一种快速语义提取方法,它使基于内容的图像检索能够转化为一种简单的文本检索。本文围绕关联建模技术,对图像自动标注建模方法、融合语义信息的图像检索技术进行了研究,具体内容如下:(1)传统的FCM聚类算法存在聚类性能依赖聚类中心的确定,而且容易导致得到的优化求解可能是局部的最优解的问题。为解决上述问题同时优化自动标注的性能,本文通过灰度直方图方法和增大底层图像区域特征的权重来改善FCM聚类算法以达到更优的聚类效果。然后利用贝叶斯分类器为已标记训练集建立底层视觉特征和高层语义概念间的关联模型,最后比较测试图像区域和训练图像区域间的最优相似度实现未知图像的自动标注。基于此方法的实验表明改进后的标注方法优于传统的机器翻译模型、CMRM模型和WFC模型的标注方法。(2)图像自动标注技术中关联模型的定义方法至关重要,好的关联模型能够实现更好的高层语义信息和底层图像特征间的映射,进一步优化“语义鸿沟”问题。通过对CMRM模型进行改善以实现对图像的标注效果优化。当输入图像进行基于内容的图像检索时,利用改进的建模方法实现输入图像到语义概念的映射,通过检索语义数据库,对应检索所需的图像。实验表明,基于此方法的检索性能优于基于TM模型和CMRM模型的图像检索方法。(3)传统的图像自动标注技术中,关联模型虽然实现了底层图像特征到语义信息的映射,但没有考虑语义信息对两者映射的影响,即忽略了语义信息间的关联影响,针对这种不足,本文融合语义概念和加权视觉特征方法来实现图像自动标注,通过语义共生关系改善标注模型,并对图像检索顺序进行特征加权定义,以便实现按需检索图像。实验表明,基于此方法的检索性能优于基于CMRM模型和CRM模型的图像检索方法。