学位论文 > 优秀研究生学位论文题录展示

面向图像标注的图像分割与特征提取技术研究

作　者: 冯文娟
导　师: 向辉
学　校: 山东大学
专　业: 计算机软件与理论
关键词: 图像分割图像标注特征提取 MPEG-7
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 61次
引　用: 0次
阅　读: 论文下载

内容摘要

近年来,随着数字媒体技术的发展,数字相机等图像获取设备逐渐走入千家万户,数字图像的数量以指数级的速度迅速增长,不仅如此,互联网技术的发展也使得网络上充斥着大量的图像,如何对这些图像进行有效地管理,以及如何从图像海洋中找到自己需要的图像,已经成为亟待解决的问题,图像标注技术就是在这样一种背景下应运而生。图像标注是利用计算机自动分析图像的内容,用易于人们理解的语义词对图像所包含的对象进行标记的技术,它集成了数字图像处理、模式识别、机器学习等多个领域的知识,并且由于图像低层特征与高层语义特征之间“鸿沟”的存在,使得它成为计算机视觉研究领域的一个难点。目前,图像标注的基本流程是从已标注的图像(整体或分割后得到的图像区域)中提取颜色、纹理等视觉特征,然后结合特征和已有的标注信息进行机器训练学习,建立特征模型,最后对待标注图像进行特征提取后根据得到的特征模型,用一系列语义词进行标注。在这个过程中,图像分割和特征提取是非常重要的技术,对图像进行分割后,可以更加突出图像中包含对象的特征,而对视觉特征正确的提取与表示,可以提高标注的效率和性能,为此本文对这两方面的技术进行了研究。本文首先分类介绍了目前已有的图像分割算法,在实现采用的图论分割算法时,提出了一种新的基于最小区域的合并机制,并且在GPU上对算法进行了加速实现,使得算法在分割效果和时间效率上都有了很大提高。另外,按照MPEG7标准中提出的特征描述子对图像低层视觉特征进行提取与描述,保证了数据的规范性和可扩展性,并通过在得到的特征向量中添加10维位置权重,解决了由于图像纹理和颜色特征相似而引起的分类标注混淆问题。文中我们采用了SVM (Support Vector Machine支持向量机)分类器来训练模型和对图像区域进行分类标注,并通过统计标注结果的正确率验证了本文的工作。

全文目录

摘要  8-9
ABSTRACT  9-11
第1章绪论  11-17
  1.1 课题的研究背景与意义  11-13
  1.2 研究现状  13-15
  1.3 本文的主要研究内容  15-16
  1.4 本文组织结构  16-17
第2章基于图的图像分割  17-33
  2.1 图像分割的定义与作用  17-18
  2.2 图像分割的方法  18-21
  2.3 基于图和最小区域合并机制的图像分割  21-28
    2.3.1 Graph-based分割算法  21-23
    2.3.2 基于最小区域限制的合并机制  23-26
    2.3.3 算法实现与实验结果  26-28
  2.4 图像分割算法的GPU并行加速  28-32
    2.4.1 算法的并行加速设计  28-30
    2.4.2 GPU具体实现及实验结果  30-32
  2.5 本章小结  32-33
第3章图像视觉特征提取与描述  33-41
  3.1 常用的图像视觉特征及其提取方法  33-34
  3.2 基于MPEG-7标准的图像特征提取与描述  34-39
    3.2.1 MPEG-7简介及其构成  34-36
    3.2.2 MPEG-7的视觉描述子  36-39
  3.3 特征提取与位置权重添加  39-40
  3.4 本章小结  40-41
第4章图像标注与实验结果  41-47
  4.1 图像标注  41-43
  4.2 实验结果分析  43-46
    4.2.1 未添加位置权重情况  43-44
    4.2.2 添加位置权重情况  44-46
  4.3 本章小结  46-47
第5章总结与展望  47-48
参考文献  48-52
致谢  52-53
攻读学位期间发表的主要学术论文  53-54
攻读学位期间参加的项目  54-55
学位论文评阅及答辩情况表  55

面向图像标注的图像分割与特征提取技术研究

内容摘要

全文目录

相似论文