论文部分内容阅读
图像的语义识别和检索,一直以来都是计算机领域的热点问题。该问题涉及了图像处理、模式识别、人工智能以及机器视觉等众多学科领域。本文针对其中的若干关键问题做了研究,取得了如下一些成果:提出了图像语义的四层模型和认知架构。在综述当前研究现状的基础上,提出了由低到高分别为:特征层、实体层、关系层、语义层的四层模型。在此基础之上,我们提出一个基于本体的图像语义认知架构。该架构共由五个模块构成:图像分割模块、实体库构建模块、决策树归纳学习模块、实体解析模块和高层语义解析模块。该系统架构能够对于图像进行区域分割,并依据训练的判定算法,映射得到区域的实体概念。可以结合OMCSNet常识库,进行语义消歧。构建了图像实体模板库。采用Berkeley人工分割图像的思想,在ImageJ框架下,以JAVA插件的方式实现了低层特征的获取。对于模板图像,分别提取颜色特征值(Lab颜色均值)、纹理特征值(灰度共生矩阵的熵、对比度、能量和反差分矩)和形状特征值(Hu形状不变矩)。提出了基于各向异性扩散滤波的区域增长分割方法。在各向异性扩散滤波中,使扩散控制参数自适应于图像的粗糙度,以达到对高粗糙度的纹理区域,具有较强的扩散作用。经过各向异性扩散滤波,使得图像整体比较平滑的同时,却能保持图像的边缘比较清晰。经过滤波后,使用了区域增长的图像分割方法。并使用经过归一化处理的混和距离(颜色距离和粗糙度距离相组合)来对区域进行合并。并使用决策树归纳算法,构建了实体的判定规则。定义了图像本体,提出了基于OMCSNet语义网的语义消歧方法。利用低层特征描述表,定义了图像本体。同时,本体中描述了实体之间的空间拓扑关系,并给出了基于SWRL规则语言的空间关系定义。为了达到在上下文环境下的语义消歧,使用了OMCSNet语义网,并给出了基于OMCSNet的语义消歧原理。