首页 >  硕士论文 > 计算机硕士毕业论文 >   正文

图像检索中局部特征的计算机几何信息建模

添加时间:2018-10-04 19:49:49   浏览:次   作者: www.dxlwwang.com
专业论文资料, 搜索论文发表论文代写论文网为你解忧愁!详情请咨询我们客服。
获取免费的论文资料? 欢迎您,提交你的论文要求,获取免费的帮助

本文是一篇计算机硕士毕业论文,数据库技术是计算机技术中发展最快、应用最广的一个分支。可以说,在今后的计算机应用开发中大都离不开数据库。因此,了解数据库技术犹其是微机环境下的数据库应用是非常必要的。(以上内容来自百度百科)今天为大家推荐一篇计算机硕士毕业论文,供大家参考。

 
第一章 绪 论
 
1.1 研究背景和意义
随着信息时代的到来,计算机技术发展迅速,互联网正在深刻地影响着人们的生活。特别是近年来移动通信技术的高速发展,使得互联网的普及程度得到了进一步的提高。截止 2017 年 6 月,中国的网民数量达到了 7.51 亿,占到了全球网民总数的五分之一,而国内互联网的普及率达到了 54.3%,超过了全球平均水平4.6 个百分点。发布在网络上的信息也从简单的文本逐渐变为包括文本、视频、图像和音频等等的多媒体信息,同时数量也呈现爆发式的增长,这些数据中包含了很多可供人们利用的信息。如果通过科学的方法对这些数据进行处理,并运用在合适的场景中,将能极大地提高人们生产生活的效率。图像是数字媒体的一种典型载体,在网络中存在着大量的图像,同时由于拍照时光照、角度和物体物理位置的变化,也会产生很多包含了相同的背景或者物体的图像。因此能够快速而准确地从大量的图像中获取到包含相同内容的图像成了一项十分重要且有挑战性的工作。最早的图像检索技术是利用文本检索技术实现的,它的主要步骤是先用文字标签对图像进行描述,然后再使用文本检索系统对这些标签进行检索。具体过程为:首先选取网络中的部分图像组成图像数据库,然后采用人工的方式通过使用关键词和文本对图像进行描述,最后使用图像对应的文本标签在数据库中进行匹配,达到对图像进行检索的目的。这种基于标注文本的检索方法相对简单并且速度快,因而大量地应用于现有的图像搜索引擎中。然而,由于该方法在检索图像时,使用的是与图像相关的文本信息而非图像本身,导致需要先用关键字或文本对图像进行标注,如果标注出现错误或对图像的描述不准确的话,将会直接影响检索的准确度。20 世纪 90 年代以来,随着网络技术和数字媒体技术的快速发展,网络上图像数量的爆炸式增长导致基于文本的图像检索方法已经无法满足应用中的实际需求。而基于内容的图像检索技术(Content-Base Image Retrieval,CBIR)则很好地克服了基于文本检索方法的缺点。它的基本思想是利用图像本身的信息进行匹配:进行检索时,从每幅图像中抽取出局部特征,在特征空间中通过比较两幅图像间局部特征的相似性来得到两幅图像的相似度。
..............
 
1.2 国内外研究现状
 
1.2.1 基于内容的图像检索
近年来,图像检索已经成为国内外的一个研究热点,同时也成为了数字媒体和信息化产业发展的一个重要技术。伴随着对于检索精度和检索效率要求的提高,图像检索技术经历了从基于文本的图像检索到基于内容的图像检索的转变。基于文本的图像检索方法通过手工对图像进行标注和描述,然后通过文本匹配来实现对图像的检索,这种方法思想简单且易于理解,但是由于手动标注图像存在主观性和不准确性,因此无法满足大规模图像和高精确度场景的要求。基于内容的图像检索利用了含有更多描述信息的局部特征来对图像信息进行描述,在特征提取和检索阶段都可以自动完成而无需人工操作,相比于基于文本的检索方案来说大大提高了检索的速率。基于内容的图像检索技术包含的研究内容有:提取图像特征、量化特征、建立索引、检索算法、检索结果重排序、特征融合以及相关性校验等。对于近二三十年的相关研究,可以通过图像的表达方式来对它们进行划分。早期相对传统的研究方法主要是使用计算图像的全局特征例如纹理、颜色和轮廓等来表示图像,因为这些特征对图像的描述能力比较有限,所以比较适合于检索图像和目标图像基本相同的场景。而近年来更多的研究集中于利用局部特征或深度特征对图像进行描述。
...........
 
第二章 图像检索及深度学习相关技术
 
2.1 局部特征
如何全面有效地描述图像内容是图像检索中一个很关键的问题,它不仅会影响到检索模块的设计,而且会影响到检索系统的有效性,因此,从原始图像中提取出表现力较强的特征是图像检索中的重要一环。根据特征所描述的内容层次,可以将图像特征分为两类:一类是语义特征,如情感、场景等;另一类是视觉特征,如图像的全局特征和局部特征。全局特征包括图像的颜色、轮廓、纹理等,具有表示直观、计算简单等优点,但由于其维数较高,且在一些复杂情境下,如视角变化、物体交错、遮挡等情况下检索效果不是很理想。所以,越来越多的方法采用局部特征来描述图像的信息。局部特征是指对图像中局部区域的特征描述,抽取图像的局部特征是建立图像间对应点关系和对图像中物体进行描述的重要环节。通常情况下,我们希望局部特征具有不变性和可区分性的特点:不变性指的是当图像中的物体发生角度、尺度、光照等变化时,都能在物体所在区域检测出有稳定描述的特征点;可区分性指的是不同的局部特征点之间是容易区分开的,可区分性通常通过生成局部特征的描述子来实现,不同的局部特征通过比较描述子之间的差异进行区分。由于局部特征只描述了图像中局部区域的内容,因此使用局部特征对图像进行描述可以处理复杂背景以及目标物体被部分遮挡等问题,这也是局部特征优于全局特征的一点。目前,基于几何信息的图像检索算法常用的局部特征主要有两种:尺度变换不变性特征(Scale Invariant Feature Transform,SIFT)[2]和加速稳健特征(SpeededUp Robust Features,SURF)[31]。
............
 
2.2 词袋模型
 
2.2.1 词袋模型概述
词袋模型最早被应用于文本分类领域,之后被引入到了图像分类和图像检索领域中。文本分类和图像分类相似的地方在于:在文本分类中,文本被看作一个不考虑先后顺序的单词集合,而在图像检索中,图像被看作是一个与空间位置无关的局部区域的集合,所以,这些局部区域就类似于文本分类中的单词。并且由于在不同的图像中局部区域的分布是不同的,例如表示“苹果”的局部区域出现在果树上的概率比出现在天空中的概率要大。因此可以根据图像的局部区域的分布特性实现对图像的识别。而文本分类和图像分类一个重要的差别在于:在文本分类的词袋模型算法中,字典是已经存在的,不需要通过学习获得;而在图像分类中,词袋模型算法需要通过非监督或监督算法来学习获得视觉词典。对于图像分类的词袋模型算法,首先需要从所有图像中抽取局部区域的描述子,对这些描述子进行聚类。聚类生成的中心称为视觉单词,视觉单词的集合构成一个视觉词典。通常用纹理、颜色等特征来统计局部区域的特征,所以通过聚类、量化和编码之后,同一个视觉单词可能出现在不同的区域中,但由于这些区域有着相似的特征,因而会映射到相同的视觉单词。用一个直方图对这些局部特征出现的频率进行统计后,就可以和其他图像的特征统计直方图进行比较了。基于词袋模型的图像检索算法通常分为四个步骤:第一步,局部特征的提取和表示;第二步,视觉词典建立与特征量化;第三步,相似度计算;第四步,性能评价。
..........
 
第三章 基于密度的几何校验图像检索........20
3.1 相关理论........21
3.2 我们的方法....22
3.3 算法的概率性解释..........32
3.4 算法的设计与实现..........33
3.5 实验结果与分析.....35
3.6 本章小结........44
第四章 基于空间加权深度特征的图像检索.........46
4.1 现有的深度特征加权方法.......46
4.2 我们的方法....50
4.3 实验结果与分析......56
4.4 本章小结........61
第五章 总结与展望....62
5.1 本文主要工作与结论.......62
5.2 工作展望........63
 
第四章 基于空间加权深度特征的图像检索
 
近年来深度学习已经被广泛地应用于图像检索领域,与传统检索算法手动提取图像特征不同,深度学习可以自动地从图像中学习特征。这些从图像中抽取的深度特征能更好地描述图像中的信息,在图像检索中取得了良好的效果。利用卷积层抽取的特征对图像进行编码是一种有效的图像描述方式。卷积神经网络同一层中不同大小的过滤器和多层的卷积操作抽取的特征不仅能够描述不同层次的图像特征,并且能体现特征在空间中的分布特性。同时,利用卷积层特征进行特征聚合还能使特征维度不受输入图像大小的影响,因此许多通过对卷积特征进行聚合生成图像编码的方法被提出:跨维度特征加权(Cross-dimensionalWeighting,Crow)方法[41]和卷积求和池化(Sum Pooling of Convolution,SPoC)方法[40]将卷积特征中的信号进行求和后得到聚合的特征向量;文章[57]的 GraCon方法则利用聚合的卷积特征生成 Gram 矩阵,进而得到图像的全局特征。这些方法有一个共同点,那就是在聚合特征的过程中进行了加权操作,如 SPoC 方法根据“中心优先原则”对卷积特征进行空间加权;文章[41]的方法对卷积特征进行了空间和通道加权;文章[57]的方法生成了反应通道间关联强度的权重对通道进行加权。因此,对卷积特征进行加权处理是特征聚合过程中的一个重要环节,好的加权方法能达到消除噪声,增强特征的效果。本章的主要工作是对深度特征聚合过程中的空间加权方法进行研究,并提出一种基于空间加权的深度特征聚合算法。
\
..........
 
结论
 
本文的主要工作是对基于几何校验的图像检索以及基于空间加权深度特征的图像检索进行研究。首先,在第一章中对基于几何校验和基于卷积神经网络的图像检索方法研究现状分别进行了介绍,主要包括图像检索方法的发展历程、图像检索系统的组成和研究意义等。在第二章中,对图像检索和深度学习的相关技术进行了阐述,分析比较了常用的局部特征,介绍了词袋模型的原理、相似度计算的方法。接着概述了深度学习的相关概念以及常用的卷积神经网络模型。在第三章中,提出了一个基于密度的几何校验图像检索方法,首先通过多重匹配对去除方法去除错误的匹配对,然后采用三种方法对匹配对进行非参数密度估计,利用密度估计值对匹配对得分进行加权,从而实现图像间多映射关系的几何校验。在第四章中,提出了一种基于空间加权的深度特征聚合方法,介绍了其中包含的三项工作,分别是改进的基于类激活图的空间加权以及所提出的两种加权方法,基于响应均值的通道加权方法和结合响应聚合信息与类激活图的空间加权方法。本文的重要贡献点可以简要地总结如下:
(1)提出了一种基于密度的几何校验图像检索算法。该算法通过多重匹配去除算法提高了几何校验的精度。同时,该算法可以与多种核密度估计方法进行结合,实现匹配对在参数空间中分布密度的估计。这种方法弥补了传统词袋模型中忽略局部特征几何信息的缺点,并且和传统的几何校验方法相比,有着更高的检索效率。
(2)采用了直方图密度估计、均匀核密度估计和 Epanechnikov 核密度估计三种密度估计方法对匹配对密度进行估计,通过将三种方法和提出的检索算法相结合,在重排序阶段对图像间的几何映射关系进行校验,和传统的几何校验方法相比效率更高,并且检索精度相比现有的方法有明显的提高。
(3)提出了一种基于空间加权的深度特征聚合方法。该方法通过改进多类别类激活图的聚合方式提高了检索算法的效率,通过使用本文提出的基于通道响应强度的加权方法和结合类激活图与响应聚合信息的空间加权方法分别对特征进行通道和空间加权,提升了检索精度。实验证明该方法相比现有的深度特征聚合方法有一定的优势。
..........
参考文献(略)

提供海量毕业论文,论文格式,论文格式范文,留学生论文,商务报告相关资料检索服务。
本论文由代写论文网整理提供 http://www.dxlwwang.com/
需要专业的学术论文资料,请联系我们客服
本文地址:
论文关键字:图像检索 局部特征 几何信息建模