基于內(nèi)容的圖像檢索相關(guān)技術(shù)的研究.pdf

1、隨著多媒體的推廣和應(yīng)用，以及信息和網(wǎng)絡(luò)技術(shù)的發(fā)展，產(chǎn)生了大量的各式各樣的視覺內(nèi)容。圖像是這些視覺內(nèi)容中的一個重要的組成部分。它能夠直接形象的表達信息。但如何從海量的圖像中檢索出自己感興趣的內(nèi)容成為當(dāng)前人們面臨的一個重要問題。因為傳統(tǒng)的基于文本的檢索已不能滿足人們的需求。基于內(nèi)容的圖像檢索正是解決此類問題的一個行之有效的方法。而本文所作的研究正是圍繞基于內(nèi)容的圖像檢索相關(guān)方法的探討和實驗。通過學(xué)習(xí)器學(xué)習(xí)訓(xùn)練樣本的特性。在測試階段用學(xué)習(xí)器對

2、待測數(shù)據(jù)進行分類。
　　 在基于內(nèi)容的圖像檢索中，圖像的低層特征與高層語義之間一直存在“語義鴻溝”問題，這是一個比較困難的問題。用支持向量機解決語義關(guān)聯(lián)問題是目前研究的熱點，支持向量機被認為是統(tǒng)計學(xué)理論中一種最具優(yōu)勢的模式識別方法。用支持向量機進行圖像分類具有十分優(yōu)秀的分類性能。然而傳統(tǒng)的SVM是一種有監(jiān)督的學(xué)習(xí)方法。利用已標記的樣本訓(xùn)練分類器，對未知樣本進行分類。人們更多的想有效利用大量的未標樣本。半監(jiān)督學(xué)習(xí)算法的直推向量機(

3、TSVM)正是基于以上的想法設(shè)計的。并且本文將主動學(xué)習(xí)隔入其中，選擇對于學(xué)習(xí)過程中最為有用的樣本進行標注，這些樣本能夠最大程度減少分類誤差。
　　 本文所作的主要工作如下：1.對基于內(nèi)容的圖像檢索進行概述。研究了圖像的各種特征以及提取方法。2.關(guān)于SVM解決多類分類問題，將“一對多”方法進行改進。提出適合本文實驗的多類分類方法。3.運用SVM解決圖像中低層特征與高層語義之間的語義關(guān)聯(lián)問題，如何選取核函數(shù)，來提高語義關(guān)聯(lián)的性能。并