圖像檢索中縮小語義差距的幾個關鍵技術研究.pdf

1、圖像檢索涉及到的研究范圍比較廣。本文僅對圖像檢索中所涉及到的圖像分割、圖像的自動語義標注以及標注圖像的語義分類等幾個關鍵性問題，進行了深入和系統(tǒng)的研究，提出了一些新的思想和方法。
　　在眾多的圖像分割方法中，基于特征空間聚類的混合模型方法常常能獲得穩(wěn)定的分割結果，而且 EM算法為模型參數提供了有效的極大似然解。然而混合模型方法是以像素的獨立性假設為前提，沒有考慮鄰近像素間的類別相關性。而且 EM算法的貪心本質使其對初始值的選擇具有

2、很強的依賴性。另外，估計混合分量的個數仍是一個尚未解決的問題。為此本文在混合模型的參數求解過程中，利用空間域濾波方法對EM算法中的E步驟進行了限制，以使模型參數的求解受到像素位置關系的約束。這樣，分割結果不僅依賴于像素的統(tǒng)計特性，還兼顧了它的空間位置信息。在混合模型中引入這種位置約束方法，在一定程度上減小了算法陷入局部極值的可能性。而且，濾波的平滑能力降低了分割區(qū)域的空間混雜現象，使圖像過分割區(qū)域所對應的混合分量趨于重合，這為模型選擇提

3、供了一種新的實現途徑。本文給出的算法從事先給定的混合分量個數開始迭代，通過合并具有相似參數的混合分量，算法可以自動地進行混合分量個數的選擇。整個算法只需一個迭代過程，實現了參數估值和模型選擇的無縫結合。
　　由于 EM算法是一類迭代算法，而且算法每次迭代需要訪問所有的數據點，這無疑限制了圖像的分割速度。以濾波方法在混合模型中增加對像素位置關系的約束，并沒有在模型中引入與像素位置相關的參數，因此，可以采用圖像減采樣方法降低模型參數學

4、習所需訪問的數據量。本文把圖像劃分為由局部像素構成的若干子塊，將每個子塊視為低分辨率下的一個像素，其特征值為原始分辨率子塊內所有像素特征值的一個統(tǒng)計量，縮小了每個圖像區(qū)域內的視覺差異性，同時也凸顯了不同圖像區(qū)域間的差異性。為了提高小樣本數據的統(tǒng)計可靠性，對參加模型求解的像素塊采取加權處理方式，并利用濾波前后像素后驗概率間的差異來調整像素權值，自適應地加強小樣本數據的統(tǒng)計特性。
　　對于圖像的自動語義標注，本文并沒有考慮建立一個通用

5、的統(tǒng)計模型，來模擬圖像區(qū)域和標注字之間的復雜相關性，而是將視覺特征和標注字信息分別看作對圖像進行描述的兩種不同語言，并采用基于實例的機器翻譯方法對圖像進行標注。將基于實例的機器翻譯思想應用于自動圖像標注中，把帶有標注的訓練樣本集當作一種標注經驗，在給出了一幅圖像的視覺描述后，從經驗庫中檢索出與之視覺相似的圖像，并且通過模仿這些例子圖像的標注，對圖像實施標注。對于圖像的視覺特征，采取了基于區(qū)域的描述方式，并采用推土機距離作為圖像間視覺相似

6、性的判別依據。為了增加檢索出的示例圖像的可靠性，對推土機距離作了改進，增加了圖像視覺間匹配的自適應性。與基準統(tǒng)計標注模型標注性能的比較，證實了算法的有效性。
　　圖像的標注為語義分類提供了有效的判別依據，但由于每幅圖像只能獲得有限的標注字，以及標注字固有的語義不確定性，為標注信息的合理運用增添了難度。本文通過判別標注字與視覺特征之間的相關性，降低標注字的語義模糊性，因此可將每個標注字視為一個單純的語義聚類，并通過單標注字類別的合并

7、，獲得最終的語義類別。由于語義一致的圖像并不一定具有視覺相似性，而利用視覺與標注字之間的相關性，能將視覺連貫性較差的圖像過濾出來，這樣可以利用視覺連貫性較好的圖像，進行語義類別提取和歸類。而對視覺連貫性較差的圖像，則利用已經生成的語義類別，采用標注字信息對其歸類。這種做法能夠較好地保證聚類結果的語義一致性，而聚類的數目可以由所提取出的語義類別數確定，解決了非監(jiān)督學習中的聚類數目選擇的問題。采用外部聚類有效性判別準則驗證了對標注圖像進行自