论文部分内容阅读
图像数据作为互联网数据中重要的组成部分,随着互联网信息时代的快速发展以及拍照智能手机的大范围普及,在以惊人的速度不断地积累。相比文本数据,图像数据的优势在于提供了更加丰富和直观的内容资源。那么如何在含有大量图像的数据库中实现图像的有效组织和管理,以便人们快速检索和访问所需的图像,这已经成为信息时代越来越重要且具有挑战性的研究问题。最早发展和建立起来的图像检索系统大多都是基于文本检索方法的,其检索表现很大程度上依赖于人工标注的关键词信息,而人工标注的文本信息既带有主观性又无法将图像中包含的丰富信息完全表达出来。相比于基于文本的图像检索方法,传统的基于内容的图像检索方法避免了人工标注图像,但是其存在鲁棒性不强导致检索精度不高,或者检索效率太低等问题,都无法完全满足实际应用的需求。近十年来,在国内外的高校、科研机构的努力下,局部特征(如SIFT)和视觉词袋模型(bag-of-visual-words,BoVW)的提出和应用,大大推动了基于内容的图像检索向更高的层次发展。本文主要研究基于多特征的图像检索,提出了一种新的图像检索算法。该图像检索算法的核心是联合图像语义属性特征的二维倒排索引,能使那些与查询图像有大量相似局部特征且语义相似的候选图像在检索结果中排序更靠前,使得检索结果更符合用户需求。论文介绍了基于内容的图像检索所涉及到的相关理论,重点分析了传统的倒排索引和图像语义属性特征的提取,在此基础上引出了本文研究的主要内容:二维倒排索引的构建和二维倒排索引的更新。在二维倒排索引的构建阶段,首先利用高斯差分(DoG)检测出图像的尺度不变关键点(Keypoint),基于尺度不变关键点提取SIFT特征和CN(Color Names)颜色特征,然后采用独立数据集上训练的SIFT视觉词典和CN视觉词典对两种局部特征进行量化,随后图像的每个关键点都表示为一个视觉单词对,进而构建出二维倒排索引。二维倒排索引相当于在索引层面上融合了两种视觉特征信息,能减少关键点的匹配错误。在二维倒排索引的更新阶段,本文先将图像语义属性特征转变成概率向量,用概率向量的总方差距离(Total Variance Distance,TVD)衡量图像之间的语义相似度。然后遍历已构建的二维倒排索引,将与图像的内容语义很相似的若干数据库图像插入该图像所在的倒排索引项中,如果待插入的图像已经存在于当前倒排列表中就不执行插入操作。通过这种索引更新方式能在二维倒排索引中联合图像语义属性特征,使得图像检索精度在一定程度上得到提高。本文分别在Ukbench和Holidays图像数据集上对提出的检索算法进行了实验验证,实验结果表明本文提出的基于多特征的图像检索算法能够获得较好的检索表现,在近似重复图像检索中具有一定的应用价值。