大规模图像集中的代表性图像选取

摘要

代表性图像选取是一种从网络相册集中选取最具代表性或最典型的图像摘要技术。它可以根据用户输入的查询关键词,返回与其相关的包含多种语义主题的图像集合,以供用户快速浏览、获取该查询的相关信息。近年来,代表性图像选取技术的应用领域越来越广泛,成为图像处理和分析、模式识别、人工智能等众多领域中的研究热点。本文的主要工作和创新点如下:
　　1.概述了现有图像摘要方法的各个步骤,包括图像特征提取、基于特征的图像聚类、图像簇排名和选取代表性图像,并分析了现有方法的一些不足之处。
　　2.针对传统图像检索系统通过关键字搜索图像时缺乏语义主题多样性的问题,提出了一种基于互近邻一致性和AP聚类的代表性图像选取算法。针对每个查询选取与其相关的包含不同语义主题的图像集。首先利用互近邻一致性调整图像间的相似度,然后利用AP聚类方法将图像集分为若干簇,对这些图像簇进行排名选出质量较高的簇,并从中选取中心图像作为代表性图像。实验表明该方法在查准率和查全率方面的性能超过基于K-means的方法和基于GreedyK-means的方法,选取的图像能直观有效地概括源图像集的内容,并且实现了语义上的多样化。
　　3.针对代表性图像选取过程中不同特征的权值分配问题,提出了一种基于粒子群优化算法的自适应权值分配方法。将各个特征的权值分配问题转化为目标函数的优化问题,即将聚类结果的总质量Q作为目标函数,并采用粒子群优化算法对其进行优化,实现根据图像集自身的特性来分配各个特征的权重,从而更加有效的表示相似度量。实验表明该方法性能超过基于K-means的方法和基于GreedyK-means的方法,与基于KMNC-AP的方法相比,节省了大量的人力和时间。

目录

封面

声明

中文摘要

英文摘要

致谢

目录

插图清单

表格清单

第一章 绪论

1.1 引言

1.2 课题背景和意义

1.3 国内外研究现状

1.4 本文的主要工作和结构安排

第二章 代表性图像选取概述

2.1 代表性图像选取介绍

2.2 图像特征提取和相似性度量

2.3 基于特征的图像聚类

2.4 图像簇排名及选取代表性图像

2.5 系统评价标准

2.6 本章小结

第三章 基于互近邻一致性和AP聚类的代表性图像选取方法

3.1 引言

3.2 图像特征提取和相似性度量

3.3 基于 AP算法的图像特征聚类

3.4 生成代表性图像

3.5 实验与分析

3.6 本章小结

第四章 基于PSO的多特征融合代表性图像选取方法

4.1 引言

4.2 粒子群优化算法简介

4.3 基于 PSO的多特征融合的代表性图像选取

4.4 实验与分析

4.5 本章小结

第五章 总结与展望

5.1 本文的主要工作

5.2 未来展望

参考文献

攻读硕士学位期间发表的论文

声明