论文部分内容阅读
随着多媒体信息技术的快速发展和互联网的日益普及,数字图像信息海量增长,图像的存储和管理已经成为一项繁重的工作。如何从庞大的网络图像库中快速而准确地找到用户所要查询的图像,已成为当前急需要解决的问题,在这种迫切需求下,基于内容的图像检索技术(Content-Based Image Retrieval,CBIR)应运而生,当前对它的研究也成为一项热门课题。本论文主要围绕着CBIR中相关核心问题进行研究,主要内容包括以下方面：(1)提出了一种融合多种特征的图像检索方法,以解决单一视觉特征不能充分地刻画图像内容信息等问题。该方法首先构造了Zernike色度分布矩,并用它提取图像的颜色特征,然后使用Contourlet变换对图像进行多尺度多方向分解,并计算分解后每个子带的方差和熵,作为图像的纹理特征,再对这些特征进行归一化处理并计算各个特征相应的权值。最后利用这些特征计算图像间的相似度,并将排序后的检索结果返回给用户。仿真实验证明,这种融合多特征的检索方法能够多层次地描述图像的语义信息,并能得到令人满意的检索结果。(2)提出了基于兴趣点的图像检索方法,以解决图像的全局特征不能很好地刻画图像的语义信息等问题。该方法利用ASIFT算子提取彩色图像中的兴趣点,这种算子对图像的旋转、平移和尺度变化表现出了强鲁棒性,并且它具有完全的仿射不变性等优点,然后使用全局颜色直方图的方法提取这些兴趣点的底层特征。仿真实验证明,ASIFT算子能够有效的提取图像中的角点、边缘点以及这些点的周围点,从而很好地描述图像的内容,结合直方图构造的底层特征能够取得理想的检索结果。(3)提出了一种使用Adapted GMM进行特征降维,再结合基于样本信息的特征加权SVM图像反馈方法,以缩小图像底层视觉特征和高级语义之间存在的语义鸿沟。该方法首先利用PCA对原始特征空间进行处理,以除去特征间的相关性和噪声信息,再使用Adapted GMM算法将原始特征空间转换到新的概率特征空间,同时降低了特征空间的维度,接着我们提出了基于样本信息的特征加权SVM方法,这种新的方法能够较好的匹配图像的反馈过程,同时又能保证理想的检索性能。仿真实验证明,这种算法能够在实时性要求下得到令人满意的检索结果。