论文部分内容阅读
随着计算机技术、多媒体技术和国际互联网的飞速发展,包括图像在内的各种多媒体数据的数量正在快速增长。在人们拥有了对海量信息共享机会的时候,如何有效地、快速地从大规模的图像数据库中检索出需要的图像是目前的一个迫切问题。基于内容的图像检索技术正是解决这一问题的有效途径。本文主要针对基于内容的图像分析与检索中的关键技术展开基础研究,并积极实践。
基于内容的图像检索中,针对图像的底层可视特征与高层语义特征之间的鸿沟,运用了一种新的基于模糊支持向量机(FSVM)的语义关联方法。一方面,对图像底层特征的提取进行研究,使色彩空间中的非均匀量化算法更符合人的视觉感知特性和主观感受,并有效地降低了算法复杂度,提高了语义关联效率;另一方面,对图像检索中的底层特征与高层语义之间的关联进行分析,从机器学习的角度提出了一种新的基于模糊支持向量机(FSVM)的语义关联方法,进而用于语义关联中改进了系统的性能。并与基于支持向量机(SVM)的语义关联方法相比较,重点分析了支持向量机语义关联中存在的误分、拒分现象,在传统支持向量机中引入模糊隶属度函数,解决了不可分区域问题。另外,还对图像底层特征的选取做了实验和比较。通过对图像底层特征的分析,提取了颜色和形状特征向量(221维),将它们作为模糊支持向量机的输入向量,对图像类进行学习,建立图像底层特征与高层语义的关联。并应用于鸟类、花卉、海洋以及建筑物等几个典型的语义类别检索,实验结果表明,该方法可适应于不同用户的图像检索,在相同的条件下可以达到比支持向量机方法更为理想的语义关联效果,提高了检索性能。