圖像語義特征的提取與分析.pdf

1、隨著網絡和多媒體技術的發(fā)展，出現了眾多的圖像數據庫，且圖像數據庫的圖像數量也在急劇地增加。用戶越來越迫切地需要對大型圖像數據庫進行檢索。基于內容的圖像檢索技術（CBIR）得到了蓬勃發(fā)展，但是傳統(tǒng)的CBIR系統(tǒng)沒有考慮圖像的語義信息。另一方面，由于特征維數高，運算復雜度高，從提高檢索精度或分類正確率的角度而言，都不可能將所有提取的特征都能用于檢索或分類。因此，對圖像語義特征進行分析和選擇成為這一領域最前沿的研究熱點之一。基于分類器的分類錯

2、誤率和類內類間距離測度是常用的圖像特征分析和選擇的方法。但是基于分類錯誤率的方法在實際運用中運算復雜，且特征分析的結論依賴所選擇的分類器的種類，而用距離準則分析圖像特征的方法沒有考慮各類的概率分布，不能確切表明各類交疊的情況。 鑒于此，本文提出從信息論的互信息概念出發(fā)，詳細深入地分析多種語義類別的圖像特征間的互補或冗余關系以及特征的鑒別力，確定特征的選擇和拒絕條件。該方法理論基礎強，從特征含類別的信息量的多少來分析特征的鑒別力，

3、表達了圖像特征與類別之間的內在聯系，并且不依賴于分類器，與類別的分布情況也無關，推廣性和實用性都較強。 本文首先介紹了基于內容的圖像檢索技術的發(fā)展現狀、系統(tǒng)構架以及關鍵技術基礎。針對傳統(tǒng)CBIR技術的不足，介紹了基于語義的圖像分類技術。詳細闡述了圖像語義特征的提取方法。 在提取多種圖像語義特征的基礎上，提出采用互信息的方法分別研究單一的語義特征和多種特征組合的鑒別力，并分析特征之間的互補或冗余關系，從而進行特征的選擇?；?/p>

4、于分類器分類錯誤率和歐氏類內類間距離的實驗結果均反映了使用互信息進行特征分析和選擇的這種新方法的正確性和有效性。研究確定的針對風景/人物類別的最佳特征是HSV顏色直方圖+Luv顏色聚合矢量+Tamura紋理特征的組合特征，針對室內/室外類別的最佳特征是改進的Lab顏色矩+Luv顏色聚合矢量的組合特征，針對建筑物/風景類別的最佳特征是邊界方向聚合矢量。將這一分析結果應用到一種分等級的圖像數據庫的簡單語義分類，其分類正確率達到82.17％，