基于統(tǒng)計學習的圖像語義挖掘研究.pdf

1、圖像挖掘是應用數據挖掘技術實現圖像理解的多學科交叉研究課題，它融合了數據挖掘、圖像處理、計算機視覺、圖像檢索、機器學習、模式識別、數據庫與人工智能等研究領域。圖像挖掘的核心任務是從圖像底層特征中，高效的獲取高層圖像空間對象及其關系，提取出圖像序列中隱含的、先前未知的、潛在有用的知識、圖像關系或其它隱含的圖像模式。本文針對圖像的“語義鴻溝”問題，提出了圖像語義挖掘框架，分別研究了圖像語義層式統(tǒng)計模型、圖像語義對象獲取、圖像語義相似測度等內

2、容。并將以上研究成果應用于圖像檢索，設計了XML驅動的圖像語義檢索系統(tǒng)原型。本課題是國家973項目“語義網格的基礎理論、模型與方法研究”子項目“基于Agent的網格化服務組織與管理”的研究內容之一，是該框架下“語義驅動的應用服務”在圖像挖掘與檢索服務中的研究案例。 本論文的主要研究結果與創(chuàng)新點包括：1.探討了用于縮小圖像“語義鴻溝”的語義層式統(tǒng)計模型根據圖像內容不同的語義粒度，定義了四個層次的內容描述機制：圖像子塊層、元語義層、

3、高級語義層和語義類別層。采用有限混合模型(FMMs)建立各語義層次之間的統(tǒng)計映射關系，利用優(yōu)化的EM算法自動返回FMMs的最優(yōu)模型結構，實現模型參數估計。層式語義分類實驗證明，該模型具有良好的圖像內容描述性能，能有效的縮小圖像內容的“語義鴻溝”。 2.設計了具有良好訓練性能的優(yōu)化算法HAB通過定義更為周全的評估函數，獲取最優(yōu)化的權重更新值，使每一次迭代訓練都集中在最需要學習的樣本上，提高了訓練的效率，降低了訓練誤差；同時通過對已

4、經被正確分類的訓練樣本的性能評估，控制其權重在一個合理的范圍之內，避免了過擬合現象的出現，提高了訓練的魯棒性能。通過與AdaBoost的比較性實驗，HAB算法在訓練誤差與抗干擾能力方面具有更好的性能。 3.給出了應用HAB算法的圖像語義對象獲取方法，提高了圖像語義對象的識別性能。 引入“特征致密區(qū)”與“特征稀疏區(qū)”的概念，通過圖像子塊采樣的方式描述訓練圖像的底層特征。對訓練圖像特征進行“兩級處理”，獲取用于訓練的“特征池

5、”。利用HAB算法所具有的良好訓練效果，迭代訓練特定語義對象的識別器。通過實驗，訓練之后的識別器具有良好的語義對象獲取性能，識別精確度和返回率有了很大的提高。 4.研究了基于語義相似測度的圖像語義類別統(tǒng)計描述將圖像特征分為“核心特征集”與“輔助特征集”，基于以核心特征為主，其他特征為輔的模式，提出并定義了綜合度量圖像相似程度的“語義相似測度”準則。通過與底層相似度量方法的比較實驗，該度量方法提高了相似圖像的語義相關性。作為研究實

6、例，為風景圖像定義了6個語義類別和9個核心元語義，通過“語義相似測度”，度量圖像與圖像、圖像與語義類別、語義類別與語義類別之間的相似程度，獲取了圖像語義類別的統(tǒng)計描述。 5.應用圖像語義挖掘的方法，設計了XML驅動的圖像語義檢索原型將圖像內容的層式描述、語義對象的自動獲取、語義相似測度等研究成果通過XML技術融入到圖像檢索系統(tǒng)中，增強了檢索系統(tǒng)的語義可拓展性，提高了圖像檢索精度，并為不同語義層次的檢索服務提供了條件。通過檢索實驗