学位论文 > 优秀研究生学位论文题录展示

基于内容的图像分析与检索关键技术的研究

作　者: 何清法
导　师: 李国杰
学　校: 中国科学院研究生院（计算技术研究所）
专　业: 计算机应用
关键词: 基于内容的图像分析与检索纹理分析联立自回归模型降维多分辨率模糊划分相关反馈可判别区域自组织图归约聚类有效性分析
分类号: TP391.3
类　型: 博士论文
年　份: 2001年
下　载: 764次
引　用: 11次
阅　读: 论文下载

内容摘要

随着计算技术和国际互联网的飞速发展,包括图像在内的各种多媒体数据的数量正以惊人的速度增长。人们很容易在互联网杂乱无序的信息海洋中迷失方向,如何从中尽快地发现有用的信息是一个严峻的问题。另外,信息数字化技术给人们带来方便的同时,也面临着如何有效地针对海量数据进行分析、存储和检索的问题,尤其是针对诸如图像之类的多媒体数据。本文主要针对基于内容的图像分析与检索的关键技术展开研究,试图对信息时代所面临的一些问题有所贡献。本文首先全面分析了目前基于内容的图像分析和检索的各种技术,重点讨论了图像内容的分析和表示方法,同时介绍图像检索的一些共性技术以及其他一些相关的研究方向,这为本文研究工作的开展奠定了基础。本文的研究工作主要是围绕图像内容的表示以及图像特征的匹配两个核心问题展开。在图像内容的表示方面,首先,本文单独就图像的纹理特征和颜色特征的提取方法进行了有益的探讨。纹理特征的提取采用了基于联立自回归模型的纹理分析方法,并提出了将非对称的非因果邻域集与多分辨率联立自回归模型相结合的方法来估计模型参数。颜色特征的提取则提出了基于多分辨率模糊分块策略的分块主色索引方法,并将其与全局颜色直方图有效结合,从而实现了一种兼顾颜色的空间和组成分布的图像检索方法。在纹理和颜色特征的基础上,本文进一步展开了针对图像区域划分的研究,提出了一种自动抽取图像中可判别区域的新方法,可判别区域是通过自组织学习和自组织图归约获得的。本文独立提出了两阶段自组织图归约算法以及自动确定图像中“最佳”区域数目的聚类有效性分析指标,并对算法的复杂性进行了分析。随后,本文还提出了对算法进行优化的思路,并提出了将原始图像中的像素组合成可判别区域的“投票”算法。依据算法所获得的可判别区域往往是图像中“有意义”的区域,除了将其用于检索外,还可以应用于图像的分类和过滤等其他一些应用。在图像特征匹配方面,本文着重开展了距离测度计算的优化和相关反馈两方面的研究。在文中,距离测度计算的优化是以纹理特征的相似度计算为基础的。本文应用主成分分析方法来降低针对欧氏距离测度的特征空间的维数;受主成分分析方法的启发,本文进一步提出了利用正交变换将一般二次型转换为标准二次型来降低马氏距离测度的计算复杂性的方法,从而在图像特征的快速匹配方面做了有益的探索。本文还以颜色特征为基础,对相关反馈技术进行了

全文目录

摘要  5-7
英文摘要  7-9
目录  9-12
插图列表  12-13
表格列表  13-14
第一章绪论  14-20
  1.1 研究背景与动机  14-15
  1.2 研究的核心问题  15
  1.3 基于内容的图像分析与检索的应用  15-17
  1.4 论文的组织结构  17-18
  1.5 论文的主要贡献  18-20
第二章基于内容的图像分析与检索技术综述  20-40
  2.1 基于内容的图像分析与检索系统框架结构  20-21
  2.2 图像内容的分析和表示  21-28
    2.2.1 颜色特征  22-24
    2.2.2 纹理特征  24-25
    2.2.3 形状特征  25-26
    2.2.4 图像分割  26-28
  2.3 图像检索的共性问题  28-34
    2.3.1 图像的相似性测度  28-31
    2.3.2 检索效果评价  31-33
    2.3.3 查询方式  33-34
  2.4 相关反馈技术  34-35
  2.5 图像检索的其他研究方向  35-36
    2.5.1 高维索引技术  35-36
    2.5.2 图像数据管理国际标准  36
  2.6 研究成果  36-39
    2.6.1 相关论文  36-37
    2.6.2 商用系统  37-38
    2.6.3 研究系统  38-39
  2.7 小结  39-40
第三章基于纹理分析和廉价距离测度的图像检索方法  40-60
  3.1 纹理的基本概念及应用  40-41
  3.2 纹理分析的基本方法  41-43
    3.2.1 Tamura 模型  42
    3.2.2 灰度共生矩阵模型  42
    3.2.3 联立自回归模型  42-43
  3.3 基于非因果邻域集的多分辨率联立自回归模型  43-46
    3.3.1 联立自回归模型邻域集的选择  43-44
    3.3.2 基于非因果邻域集的多分辨率联立自回归模型  44-45
    3.3.3 修正的最小二乘法  45-46
  3.4 图像纹理特征的抽取  46-48
    3.4.1 纹理特征的表示  46-47
    3.4.2 纹理相似性测度及分析  47-48
  3.5 使用降维技术获得廉价的距离测度和存储开销  48-52
    3.5.1 利用主成分分析降低欧氏距离测度的计算复杂性  49-50
    3.5.2 利用正交变换降低马氏距离测度的计算复杂性  50-52
  3.6 实验与评价  52-57
    3.6.1 MRSAR 和NC-MRSAR 模型的比较  53-54
    3.6.2 降维对检索效果的影响  54-55
    3.6.3 不同距离测度形式对检索效果的影响  55
    3.6.4 不同分辨率对检索效果的影响  55-56
    3.6.5 估计误差参数对检索效果的影响  56-57
  3.7 小结  57-60
第四章综合颜色索引和相关反馈技术的图像检索  60-84
  4.1 引言  60-63
    4.1.1 研究内容概述  60-61
    4.1.2 颜色量化技术概述  61-63
  4.2 颜色空间的选择和转换  63-66
    4.2.1 感知一致的颜色空间  63-65
    4.2.2 CIE L*a*b*颜色空间  65
    4.2.3 RGB 和CIE L*a*b*颜色空间的相互转换  65-66
  4.3 综合空间和组成分布的颜色索引技术  66-75
    4.3.1 基本思想  66-68
    4.3.2 多分辨率模糊分块策略  68
    4.3.3 分块主色特征抽取和距离测度  68-70
    4.3.4 颜色的空间分布和组成分布的统一  70-71
    4.3.5 评价实验与分析  71-75
  4.4 利用相关反馈改善检索效果  75-82
    4.4.1 基于查询扩张的相关反馈方法  75-76
    4.4.2 调整各分块以及不同分辨率的权重  76-77
    4.4.3 调整不同特征在距离测度中的权重  77-78
    4.4.4 实验与分析  78-81
    4.4.5 相关反馈技术进一步研究  81-82
  4.5 小结  82-84
第五章基于自组织图归约的可判别区域抽取  84-116
  5.1 研究动机  84-86
    5.1.1 回顾  84-85
    5.1.2 可判别区域  85-86
  5.2 基于自组织图归约的可判别区域抽取方法概述  86-88
  5.3 特征图的形成  88-93
    5.3.1 特征图的形成原理  88-89
    5.3.2 多模特征抽取算法  89-91
    5.3.3 多模特征距离测度和数据规范化  91-93
  5.4 可判别区域的抽取  93-105
    5.4.1 自组织学习  95-98
    5.4.2 自组织图归约  98-101
    5.4.3 聚类有效性分析  101-103
    5.4.4 算法的计算复杂性分析  103-105
  5.5 效果图的形成  105-106
  5.6 实验与评价  106-111
    5.6.1 主观评价实验  108-109
    5.6.2 对比评价实验  109-111
  5.7 后续研究工作  111-114
    5.7.1 算法的优化  111-113
    5.7.2 可判别区域的形成算法  113-114
    5.7.3 基于可判别区域的图像检索  114
  5.8 小结  114-116
第六章总结  116-122
  6.1 主要研究内容回顾  116-117
    6.1.1 基于图像内容表示的研究  116-117
    6.1.2 基于图像特征匹配的研究  117
  6.2 研究难点  117-122
    6.2.1 语义鸿沟  118-119
    6.2.2 高维索引  119
    6.2.3 效果评价  119-122
附录A K-MEANS 聚类算法  122-124
参考文献  124-132
致谢  132-133
作者简介  133-134
作者在攻读博士学位期间发表和提交的论文  134

基于内容的图像分析与检索关键技术的研究

内容摘要

全文目录

相似论文