基于语义图像注释系统的设计与实现

摘要

在图像标注中建立视觉内容和信息内容之间的映射，这个过程是图像标注最重要的部分。对于大规模图像库来说，手工标注既耗时耗力，又缺少客观性，因此需要建立一个能够按照图像的语义内容进行自动标注的系统。一幅图像含有若干个区域，各个区域具有不同的视觉内容，对应着不同的语义。一个自然的想法是先将图像分割成区域，抽取每个区域的底层特征，然后使用统计方法得到图像区域与描述语义内容的关键词之间的对应关系，最终实现图像的自动标注。图像语义注释的目标是：对于给定的输入图像，给图像指派一些可以反映图像视觉内容的关键字。图像标注过程可分为两个阶段来完成，即基本图像标注与图像标注改善，其中前者是通过以图像间相似性关系为依据的图学习过程来提供图像的初始标注，而后者是通过以词汇间语义关联关系为依据的图学习过程来改善前者取得的标注结果。
　　在本文中，我们首先引入了主要对象作为描述图像中间语义的元素，主要对象是能代表现实生活中物理对象的图像区域集；其次，我们引入了概念本体作为描述图像语义框架的工具，按照本体论中对事物本质的认识结构来组织图像概念的层次结构，更有利于概念推理与后期的图像检索。对于概念本体的创建，我们采用了半自动的方法：首先利用了WordNet对LabelMe图像库中的标注词汇的上下位关系进行分析，然后进行手工校对。在图像标注阶段，先用基于均值平移算法对图像进行分割，通过向量迭代运算使同一区域的各点收敛于一个固定值，再通过对这些点进行聚类，熔合，将图像分成一些小区域（即图像中的对象）实现了对彩色图像的分割，并且对分割后的图像进行显示以及保存等操作。在对这些对象进行删减、标注等一系列处理后提取每个对象的特征。提取区域的底层特征后利用训练好的支持向量机对区域进行分类，识别出主要对象，最后利用贝叶斯网络进行多层图像概念的不确定性推理，完成图像的多层图像标注。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 前言

1.1 研究背景和意义

1.2国内外研究现状

1.3论文的主要工作

1.4章节安排

第二章 相关技术

2.1均值平移分割法

2.2对象特征提取

2.3小结

第三章 支持向量机的训练与使用

3.1统计学习理论

3.2支持向量机的基本原理

3.3支持向量机的使用步骤

3.4小结

第四章 概念推理

4.1概念本体框架的创建

4.2基于贝叶斯网络的不确定性概念推理

4.3小结

第五章 图像处理的设计与实现

5.1图像处理

5.2小结

第六章 支持向量机设计与实现

6.1支持向量机

6.2小结

第七章 总结与展望

7.1主要工作

7.2 创新点

7.3 进一步的研究工作

致谢

参考文献