论文部分内容阅读
语义网络无疑将成为网络的下一个进化阶段,图像的语义搜索是语义网络构建的一个重要方面,而图像的语义分割与标识又是实现图像语义搜索的基础。由于网络上图片的数量巨大,并且图片的处理很耗时,因此,图像语义分割与标识的难度较大。目前在图像的语义分割与标识方面的研究很多,但是大多都只是针对特定领域的,而且在性能以及分割、标识的准确率上也还存在很大的不足。早期的图像语义标识系统大多数都是只针对整幅图片进行的,没有将图像分割和语义标识相结合来考虑。这些系统一般只对图像的全局特征或是局部像素点特征的摘要进行语义学习和预测,因此比较粗糙,对特征的学习不够充分。也有少数系统是对像素点级别的特征进行语义学习和预测的,这样虽然可以确保特征的学习足够充分,但是语义的预测过程很耗时。本文在对这些问题进行了较为深入的研究、分析后,提出并构建了一个基于SOFM自组织特征映射网络的图像语义分割及标识系统。本文在图像分割方面提出了基于SOFM(Self-Organizing Feature Map)自组织特征映射网络的图像分割方法,该方法不仅克服了很多图像分割算法的需要图像分割数作为输入参数的缺点,而且由于充分考虑了图像的高斯、高斯—拉普拉斯、高斯一阶导等多方位的17维特征使得图片的分割效果很好。同时因为该算法结合使用了K-Means聚类算法所以运行效率也很高。另外,在图像语义标识方面,本文采用分开考虑图像语义训练和语义预测的方法。语义训练阶段采用基于像素点级别特征的充分学习办法,而语义预测时采用选取图像分割块的代表点特征——分割块中心点特征,来对整个分割块进行语义预测和标识,从而可以达到快速对图像进行语义标识的功能。实验结果表明本文提出的基于SOFM自组织特征映射网络的图像语义分割及标识系统具有语义预测效率高和预测准确率高等优点,本文工作具有较好的研究意义和实际应用价值。