基于场景分类的图像语义自动标注及检索的研究

摘要

图像语义自动标注是提高图像检索性能的有效途径。为了能够的找到自己想要的图片，利用传统的基于文本的方式首先需要对每张图像进行详细的人工标注，这是很耗时耗力的，而且很容易误标。本论文针对各种图像语义自动标注方法存在的问题，提出一种提高标注性能的方法，重点研究场景语义分类和标注算法。
　　通过语义自动标注方法来自动学习并得到图像底层特征与高层语义间的关系模型，并以此为标准标注未知图像的语义，能有效的弥补“语义鸿沟”。但目前的标注方法通常只适用于某一个领域的图像检索;训练集被标注的准确度严重影响机器学习的性能;难以识别场景语义，尤其是高层的语义。
　　针对于标注准确度的问题，本文采用支持向量数据描述的语义自动标注方法。该方法对每一类的样本数据单独构造类球，能够缩小求解问题的规模，降低算法的复杂度。
　　针对于场景标注效果不佳的情况，本文提出了一种结合PLSA场景分类和支持向量数据描述的图像语义标注方法。利用PLSA发现图像潜在的语义主题，并结合支持向量数据描述方法构建分类器，得到分类器来标注未知图像。相对于支持向量数据描述方法，实验证明该方法能提高标注的效果，也提高了检索的性能。从对比实验的调和平均值(T)来看，该方法得到的结果基本都高于60％，而SVM方法和K近邻的方法得到的结果基本都低于50％，说明该方法具有较好的标注性能;对于场景语义识别，该方法的T值最高达到74％，更是远高于其他两种方法，也证明了该方法能有效提高对场景语义的标注能力。

目录

声明

摘要

插图索引

附表索引

第1章 绪论

1．1 研究背景和意义

1．2 图像语义标注研究现状

1．2．1 国外语义标注研究现状

1．2．2 国内语义标注研究现状

1．2．3 图像语义标注研究新进展

1．3 场景分类研究现状

1．3．1 底层特征的场景分类现状

1．3．2 中层语义的场景分类现状

1．3．3 图像场景分类的发展趋势

1．4 论文的主要工作及结构

第2章 图像标注相关技术

2．1 数字图像

2．1．1 视觉原理

2．1．2 图像概念

2．2 图像分割

2．2．1 图论的概念

2．2．2 图论的分割方法

2．3 图像特征的提取与匹配

2．3．1 图像特征提取

2．3．2 特征描述

2．3．3 图像语义匹配

2．4 语义标注模型

2．5 图像特征与标注词间的对应关系

2．6 本章小结

第3章 基于支持向量数据描述的图像标注方法

3．1 支持向量机

3．1．1 最优分类面

3．1．2 核函数

3．1．3 VC维理论

3．2 支持向量机方法

3．2．1 一对一方法

3．2．2 一对多方法

3．2．3 纠错输出法

3．3 基本原理

3．3．1 训练图像

3．3．2 语义标注

3．4 本章小结

第4章 基于场景分类的标注方法

4．1 场景语义

4．2 基于PLSA场景分类

4．2．1 PLSA原理

4．2．2 语义提取

4．3 改进的标注方法

4．3．1 训练分类器

4．3．2 图像语义标注

4．4 本章小节

第5章 实验结果与分析

5．1 语义标注及检索评价标准

5．2 Corel5K图像集

5．3 实验及分析

5．3．1 标注实验

5．3．2 检索性能

5．3．3 对比实验

5．4 本章小节

结论

参考文献

致谢