基于神经网络与图像语义的模式识别

摘要

计算机技术、多媒体技术以及Internet技术的飞速发展带来了大量的图像信息，因此如何有效地、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一个急需解决的重要问题。基于语义的图像检索技术是在CBIR基础上发展起来的，研究如何从多渠道获取图像语义信息，并根据语义检索相关图像，是解决这一问题的有效手段。 本论文主要围绕图像底层特征的提取，以及如何从底层特征向高层语义过渡等问题展开详细的研究。本文首先系统阐述了基于内容／语义的图像检索技术的概念及特点，论述了基于内容的图像检索系统总普遍存在的“语义鸿沟”问题。对各底层特征的提取算法进行了研究和探讨，并作了相应的检索实验，证明了其作为CBIR索引图像时的特征的有效性和局限性。然后对图像语义的特征，图像语义的表示和图像语义的提取等做了深入的研究，并提出了从结构信息空间向语义概念映射的思想及具体方法。 作为本课题的一大理论基础，对神经网络做了相应的介绍，其中对BP网络的反向传播算法做了较深入的探讨，并结合本课题实际，提出了神经网络设计的设计准则。为克服“语义鸿沟”问题，本文提出了基于神经网络的图像语义识别的思想，并对相应的算法和系统的设计进行了详尽的描述。提取图像的四个主要底层特征，根据一定的准则设计所需的神经网，将特征参数输入BP网，采用共轭梯度法对网络进行有监督训练，一旦训练成功，依靠网络出色的泛化能力，系统就能正确识别图像中物体的种类、个数以及各物体的空间位置信息，这样就实现了对图像语义的理解。与一般的仅采用单个或两个特征的识别系统相比，该设计方案显著地提高了系统的可靠性，系统对特定测试图像集达到了轳高的正确识别率，且依然保持了较低的空间复杂度和时间复杂度。通过实验得到了如下的结论：虽然存在“语义鸿沟”的客观事实，但根据本文提出的思想，通过给相关图像传递语义标注，更新相关性强度，充实语义网络，就可以通过系统不断的学习来正确理解图像的语义。 最后对本课题作了总结和进一步工作的展望。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究背景和意义

1.2图像检索研究现状

1.2.1基于内容的图像检索

1.2.2基于语义的图像检索

1.3本研究课题的来源

1.4本文的研究内容与安排

第二章图像特征提取

2.1图像检索中的相似性度量

2.1.1相似度模型

2.1.2相似性度量方法

2.2图像分割

2.2.1图像分割的数学描述

2.2.2图像分割的一般方法

2.2.3 K均值聚类

2.2.4图像分割示例

2.3颜色特征

2.3.1颜色空间

2.3.2颜色特征的提取

2.3.3颜色特征检索示例

2.4纹理特征

2.4.1纹理特征的描述方法

2.4.2纹理特征的提取

2.4.3纹理特征检索示例

2.5形状特征

2.5.1形状特征的描述方法

2.5.2形状特征的提取

2.5.3形状特征检索示例

2.6图像空间关系特征

2.7本章小结

第三章图像语义

3.1图像语义层次模型

3.2语义特征

3.3图像语义的表示

3.4基于图像结构信息的图像语义表示

3.4.1图像结构信息

3.4.2结构信息空间向语义概念的映射

3.5图像语义的提取

3.5.1基于分割的语义提取

3.5.2交互式的语义提取

3.6本章小结

第四章人工神经网络

4.1引言

4.2人工神经元

4.2.1人工神经元

4.2.2神经元的学习算法

4.3前馈神经网络及其主要算法

4.3.1前馈神经网络

4.3.2感知器

4.3.3反向传播算法(BP法)

4.3.4 BP算法的数值优化技术

4.4 BP网络的设计分析

4.5本章小结

第五章基于神经网络的图像语义识别系统的设计

5.1引言

5.2系统的构成

5.3系统的设计原则

5.4系统设计

5.4.1特征提取

5.4.2神经网络的设计

5.5实验结果与分析

5.6结论

结论

参考文献

攻读硕士学位期间取得的研究成果

致谢