一种结合语义特征和视觉特征的图像检索方法
合集下载
一种基于语义网络的图像检索方法
算数据 库 图像 和查询 图像 的特 征 向量距 离 ， 到 最 得 相似 图像 。本文设 计 了一个有 效的基于 内容 的可视 化 图像检 索系统 … 。它 是 一种 集成 了颜色 ， 状 和 形 空 间 分 析 的 原 型 系 统 ， 得 了 良好 的 检 索 精 确 获
等技术 与传统数 据库 技 术结 合 ， 建立 高效 的 图像 检索机制 ， 是对传统 检索技术 的重 大挑 战。 传统 图像检 索使 用 文本方法 。首先人工 地用关
检索 系统 。以 上 系统 的共 同特 点 都是 基 于 图像
底层特征 的检索 ， 即对 颜色 、 理 、 间和形状 等 特 纹 空
征 的分析 。
２ １ 颜 色特征分 析 ．
在基 于 内容 的图像 检索 方法 中 ， 图像 直接 根据
它们 的 可 视 化 内 容 （ 色 ， 理 和 形 状 等 ） 检 颜 纹 来 索 … 。典 型的 基 于 内容 的检 索 系统 由三 个 部 分组 成 ： 征提取 ， 特 特征索 引与检 索 引擎 。特征 提取组件 从数据 库 图像 中抽 取 可 视化 信 息 ， 特征 索 引组 件组
维普资讯
第 ３期
２０ ０Ｎｏ ３ ．
ＭＩ ＣＲ０Ｐ Ｒ０ＣＥ Ｓ Ｓ ０ＲＳ
Ｊｎ ２０ ｕ ．．０ ８
一
种基 于语 义 网络 的图像 检索 方法
胡迎 松 ， 张海 龙
（ 中科技大 学计算机 学院， 华 武汉 ４ ０ ７ ） ３０ ４
ｒｔ ｅ ａ ｅ ｈ ｏｏ ｙ， ｕ ｈ ｓ ｏ ｏ ，ｓ ａ ｅ ｎｄ ｐ ｔ ｌ ｎ ｌｓｓ ｅｒ ｖ ｌｔｃ ｎ ｌｇ ｓ ｃ ａ ｃ ｌｒ ｈ ｐ ａ ｓ ａｉ ａ ａｙ ｉ．Ｈｏ ｖ ｒ ｉ ａ ｎ ｔ ｘ ｒ ｓ ｔｅ ｉｈ ｒ ｉ ａ ｗｅ ｅ ， ｔ ｎ ｏ ｅ ｐ ｅ ｓ ｈ ｈ ｇ ｅ ｃ
等技术 与传统数 据库 技 术结 合 ， 建立 高效 的 图像 检索机制 ， 是对传统 检索技术 的重 大挑 战。 传统 图像检 索使 用 文本方法 。首先人工 地用关
检索 系统 。以 上 系统 的共 同特 点 都是 基 于 图像
底层特征 的检索 ， 即对 颜色 、 理 、 间和形状 等 特 纹 空
征 的分析 。
２ １ 颜 色特征分 析 ．
在基 于 内容 的图像 检索 方法 中 ， 图像 直接 根据
它们 的 可 视 化 内 容 （ 色 ， 理 和 形 状 等 ） 检 颜 纹 来 索 … 。典 型的 基 于 内容 的检 索 系统 由三 个 部 分组 成 ： 征提取 ， 特 特征索 引与检 索 引擎 。特征 提取组件 从数据 库 图像 中抽 取 可 视化 信 息 ， 特征 索 引组 件组
维普资讯
第 ３期
２０ ０Ｎｏ ３ ．
ＭＩ ＣＲ０Ｐ Ｒ０ＣＥ Ｓ Ｓ ０ＲＳ
Ｊｎ ２０ ｕ ．．０ ８
一
种基 于语 义 网络 的图像 检索 方法
胡迎 松 ， 张海 龙
（ 中科技大 学计算机 学院， 华 武汉 ４ ０ ７ ） ３０ ４
ｒｔ ｅ ａ ｅ ｈ ｏｏ ｙ， ｕ ｈ ｓ ｏ ｏ ，ｓ ａ ｅ ｎｄ ｐ ｔ ｌ ｎ ｌｓｓ ｅｒ ｖ ｌｔｃ ｎ ｌｇ ｓ ｃ ａ ｃ ｌｒ ｈ ｐ ａ ｓ ａｉ ａ ａｙ ｉ．Ｈｏ ｖ ｒ ｉ ａ ｎ ｔ ｘ ｒ ｓ ｔｅ ｉｈ ｒ ｉ ａ ｗｅ ｅ ， ｔ ｎ ｏ ｅ ｐ ｅ ｓ ｈ ｈ ｇ ｅ ｃ
基于特征融合的图像检索方法解析
— １３８ —
2019 年第 15 期
信息与电脑 China Computer & Communication
数据库技术
图像内容，在全面验证分析后打造完善索引。第二，基于内 容的图像检索本质上是一种匹配技术形式，整个数据库中需 要利用模式识别方式，分类处理图像库中的不同图像特征， 与常规数据库检索操作方法明显不同。第三，特征提取和索 引能够依托计算机系统完成一系列操作，在一定程度上减少 了人工操作的主观随意性，提升了检索效率。第四，整个操 作过程是一个逐渐接近反馈的过程。基于内容的检索系统中， 图像检索体现出较强的交互能力和系统功能，能够让用户全 面参与整个检索操作流程。
Key words: feature fusion; image retrieval; euclidean dist三个重要分支，分别是 基于文本的图像检索、基于内容的图像检索、基于语义的图 像检索。其中，基于文本的图像检索操作深受文本表达能力 的限制，图像检索结果易出现歧义；基于语义的图像检索是 以视觉特征为主的检索形式，检索操作复杂，推广性不高； 基于内容的图像检索能够弥补以上检索局限，是当前图像检 索的主要形式。基于特征融合的图像检索是内容检索的一种 重要表达形式，具体表现在颜色、纹理和形状的基本图像特 征表达，以此为基本依据开展一系列检索操作。为此，文章 结合实际基于特征融合的图像检索问题进行探究。
３ 基于特征融合的图像检索方法
3.1 借助颜色特点进行检索操作
3.1.1 基本颜色模型选取 颜色是图像内容的基本构成要素，图像检索时选择一个
(Nanchang Institute of Technology, Nanchang Jiangxi 330044, China)
Abstract: How to improve the accuracy of content-based image retrieval in the new era has become a problem that needs to be considered and solved in the field of image retrieval. The key to improve the accuracy of content-based image retrieval is to quantify and process the color image, extract the texture features of the image using color co-occurrence matrix, calculate the Euclidean distance between the images, and retrieve the image using weighted color and texture features to meet the user's needs. Therefore, the image retrieval based on feature fusion is taken as the basic research object, and the problems faced by the application of image retrieval method based on feature fusion and the optimization countermeasures are analyzed in order to improve the accuracy of image retrieval.
一种基于内容的图像检索方法
维普资讯
第 ｌ 第 ３期 ７卷 ２００２年 ８月
长
沙
电
力
学
院
学
报 （ 自
然
科
学
版
）
Ｖ １１ ｏ．７
Ｎ ． ｏ３
Ｒ（ Ａ ＵＲ Ｌ Ｓ Ｉ ＮＣ Ｊ ＯＵＲ Ｌ ＮＡ ＯＦ Ｃ ＨＡＮ Ｓ Ａ Ｕ ＶＥ ＳＴ ＯＦ Ｅ Ｅ Ｔ Ｉ Ｐ Ｇ Ｈ ＮＩ Ｒ ＩＹ Ｌ Ｃ Ｒ Ｃ ＯＷＥ Ｎ Ｔ Ａ Ｃ Ｅ Ｅ）
证 明 ， 方 法 取 得 较 佳 的效 果 ． 该
关 键 词 ： 特征提取 ； 匹配度 ； 图像检索
中图 分 类号 ：ｉ３７４ Ｔ＇１． Ｃ
文 献标 识码 ： Ｂ
文 章编 号 ： ０．１ （０２０— １． １ ６ ４ ２０）３ ００ ３ ０ ７０ ０ ０
Ａ ｎ ｅ － ｓ ｄ Ｉ ａ ｅ Ｓ ａ ｃ ｅ ｈｏ Ｃｏ ｔ ｎｔｂａ ｅ ｍ ｇ ｅ ｒ ｈ Ｍ ｔ ｄ
ｄ ￣ｅ ｅ ｅ
随 着计 算 机 、 图像处 理 和数 据 库技 术 的发 展 ， 从 多媒 体 数据 库 中进行 图像检 索 成 为人们 研 究 的一 个 热点 ． 图像 检 索可 以在 军 事 、 司法 部 门 、 理 信 息 系 地
统 和遥 感 系统 、 医学 等领 域 发挥 重 要作 用 ． 如通 过 扫
ｂ ｂ ａｎ ｄ ｂ ｓｎ ｈ ｔ ｏ ｒｖ ｄ ｂ ｘ ｒｅ ｃ ｅ ｏ ｔ ｉｅ ｙ ｕ ｉ ｇ ｔ ｅ ｍｅｈ ｄ ｐ ｏ ｅ ｙ ｅ ｐｅｉｎ ｅ．
Ｋｅ ｒ ｓ￣ ｘｒ ｃｉｎ ｏ ｍａ ｅ’ ｈ ｒ ｃｅ ； ｅ ｔ ｒｑ ａ ｔｆ ａ ｉｎ ｏ ｍａ ｅ’ ｈ ｒ ｃｅ ； ｏ ｕ ａｉｎ ｏ ｔ ｈ ｙ ｗｏ ｄ ｅ ｔａ ｔ ｆｉ ｇ ｏ Ｓ ｃ ａ ｔｒ ｖ ｃｏ ｕ ｎ ｉ ｃ ｔ ｆｉ ｇ Ｓ ｃ ａ ｔｒ ｃ ｍｐ ｔｔｏ ｆ ｍａｃ ａ ｉ ｏ ａ
第 ｌ 第 ３期 ７卷 ２００２年 ８月
长
沙
电
力
学
院
学
报 （ 自
然
科
学
版
）
Ｖ １１ ｏ．７
Ｎ ． ｏ３
Ｒ（ Ａ ＵＲ Ｌ Ｓ Ｉ ＮＣ Ｊ ＯＵＲ Ｌ ＮＡ ＯＦ Ｃ ＨＡＮ Ｓ Ａ Ｕ ＶＥ ＳＴ ＯＦ Ｅ Ｅ Ｔ Ｉ Ｐ Ｇ Ｈ ＮＩ Ｒ ＩＹ Ｌ Ｃ Ｒ Ｃ ＯＷＥ Ｎ Ｔ Ａ Ｃ Ｅ Ｅ）
证 明 ， 方 法 取 得 较 佳 的效 果 ． 该
关 键 词 ： 特征提取 ； 匹配度 ； 图像检索
中图 分 类号 ：ｉ３７４ Ｔ＇１． Ｃ
文 献标 识码 ： Ｂ
文 章编 号 ： ０．１ （０２０— １． １ ６ ４ ２０）３ ００ ３ ０ ７０ ０ ０
Ａ ｎ ｅ － ｓ ｄ Ｉ ａ ｅ Ｓ ａ ｃ ｅ ｈｏ Ｃｏ ｔ ｎｔｂａ ｅ ｍ ｇ ｅ ｒ ｈ Ｍ ｔ ｄ
ｄ ￣ｅ ｅ ｅ
随 着计 算 机 、 图像处 理 和数 据 库技 术 的发 展 ， 从 多媒 体 数据 库 中进行 图像检 索 成 为人们 研 究 的一 个 热点 ． 图像 检 索可 以在 军 事 、 司法 部 门 、 理 信 息 系 地
统 和遥 感 系统 、 医学 等领 域 发挥 重 要作 用 ． 如通 过 扫
ｂ ｂ ａｎ ｄ ｂ ｓｎ ｈ ｔ ｏ ｒｖ ｄ ｂ ｘ ｒｅ ｃ ｅ ｏ ｔ ｉｅ ｙ ｕ ｉ ｇ ｔ ｅ ｍｅｈ ｄ ｐ ｏ ｅ ｙ ｅ ｐｅｉｎ ｅ．
Ｋｅ ｒ ｓ￣ ｘｒ ｃｉｎ ｏ ｍａ ｅ’ ｈ ｒ ｃｅ ； ｅ ｔ ｒｑ ａ ｔｆ ａ ｉｎ ｏ ｍａ ｅ’ ｈ ｒ ｃｅ ； ｏ ｕ ａｉｎ ｏ ｔ ｈ ｙ ｗｏ ｄ ｅ ｔａ ｔ ｆｉ ｇ ｏ Ｓ ｃ ａ ｔｒ ｖ ｃｏ ｕ ｎ ｉ ｃ ｔ ｆｉ ｇ Ｓ ｃ ａ ｔｒ ｃ ｍｐ ｔｔｏ ｆ ｍａｃ ａ ｉ ｏ ａ
如何利用计算机视觉技术进行图像搜索
如何利用计算机视觉技术进行图像搜索随着互联网的迅速发展，图像数据在各个领域中都得到了广泛应用。
人们在日常生活中经常会遇到需要搜索与某个图像相似的其他图像的情况，这就需要利用计算机视觉技术进行图像搜索。
本文将介绍如何利用计算机视觉技术进行图像搜索。
一、图像搜索的基本原理图像搜索是指通过计算机视觉技术，将一个给定的查询图像与数据库中的其他图像进行比较，找出与查询图像最相似的图像。
图像搜索的基本原理包括以下几个步骤：1. 图像特征提取：首先需要提取图像的特征向量，常用的特征包括颜色、纹理、形状等。
这些特征可以通过计算图像的像素值、灰度直方图、纹理的梯度等来获取。
2. 相似度计算：通过比较查询图像与数据库中其他图像的特征向量，计算它们之间的相似度。
常用的相似度计算方法有欧氏距离、余弦相似度等。
3. 结果排序：根据相似度的大小，将数据库中的图像按照与查询图像的相似程度进行排序，从而得到最相似的图像。
二、基于深度学习的图像搜索技术近年来，深度学习技术的发展推动了图像搜索的进步。
利用深度学习技术进行图像搜索的主要方法是利用卷积神经网络（CNN）进行图像特征的提取。
1. 迁移学习：利用事先在大规模图像数据集上预训练好的卷积神经网络，将其作为特征提取器。
通过删除网络的输出层，只保留前面几层用于特征提取，然后将提取到的特征输入到一个分类器中进行图像搜索。
2. 端到端学习：直接训练一个卷积神经网络，使其能够将输入的图像映射到一个高维特征空间中。
然后，利用这个高维特征空间中的距离度量来计算图像的相似度，并进行图像搜索。
基于深度学习的图像搜索技术相比传统的图像搜索方法有很多优势，如更好的特征表示能力、更高的准确率等。
三、基于哈希编码的图像搜索技术哈希编码是一种将图像映射到二进制编码的方法，通过计算图像的哈希码，可以实现快速的图像搜索。
1. 局部哈希编码：将图像分割成多个小的图像块，然后对每个图像块计算其哈希码。
通过比较查询图像的哈希码与数据库中的图像的哈希码，可以找到相似的图像块，并进行图像搜索。
基于潜在语义分析和相关反馈的图像检索方法
ｅ ｅ ｔ ｅ ｅｓ ｆ ｈ ｔ ｏ ｎ ｅ ｉ ｇ ｅ ｒ ｖ ｐ ｒ ａ ｈ ａｌｖａ ｅ ｅｐ ｏ ｌｍ ｆ ｅ ｎ ｉ ｇ ｐ ｔ ｏ ｘ ｅ ｔ ｆ ｃｉ ｎ ｓ ｅ ｍｅｈ ｄ ａ ｄ ｔ ｖ ｏ ｔ ｈ ｍａ ｅｒ ｔ ｅ ａ ａ ｐ ｏ ｃ ｌ ｉｔｓｔ ｒ ｂ ｅ ｏ ｍａ ｔ ａ ｏ ｓ ｍｅ ｅ ｔｎ ． ｉ ｌ ｅ ｈ ｓ ｃ Ｋｅ ｗｏ ｄ ｙ ｒ ｓ：ｉ ｇ ｅｒ ｖ ； ｅ ｎ ｉ ｇ ｐ ｃ ｌ ｒ ｉ ｏ ａ ｌｔｎ ｅ ａ ｔ ｄ ｘ ｎ ； ｅｅ ａ ｃ ｅ ｄ ａ ｋ ｍａ ｅ ｒ ｔ ｅ ａ ｓ ｍａ ｔ ａ ； ｏ ｏ ｓ ｇ ｍ； ａｅ ｔ ｍ ｎ ｉ ｉ ｅ ｇ ｒｌ ｖ ｎ ｅｆ ｅ ｂ ｃ ｉ ｌ ｃ ｈ ｔｒ ｓ ｃｎ ｉ
ｒ ｌｖ ｎ ｅ￣ｅ ｂ ｃ ．Ｉ ｈ ｍａ ｅ ｒ ｔ ｅ ａ ｓ ｓｅ ． ｉ ａ ｓ ｔ ｔ ｓａ ｅ ｃ ｐ ｕ ｅ ｎ ｖ ｃ ｏ ｏ ｍ ｓ ｇ ｃ ｌ ｒｈ ｓ ｇ ａ ｅｅ ａ ｃ ｄ ａ ｋ ｎ ｔ ｅ ｉ ｇ ｅｒ ｖ ｌ ｙ ｔｍ ｖ ｓ ｌ ｔ ｉ ｉ ｒ ａ ｔ ｒ ｄ ｉ ｅ ｔ ｒ ｆ ｒ ｕ ｉ ｏ ｏ ｉ ｏ ｒ ｍ ｉ ｕ ａ ｓｃ ｎ ｔ ｉ Ｖ ｏ ｏ ｐ ｃ ． ｅ ＣＢＩ ｓ ｓｅ ｔ ｋ ｓａ ｖ ｎ ａ ｅ ０ ｅ ｒ ｌｖ ｎ ｅ ￣ｅ ｂ ｃ ｐ ｒ ａ ｈ ｔ ｍａ ｅ ｒ ｔ ｅ ａ ａ ｄ ｎ ＨＳ ｃ ｌ ｒｓ ａ ｅ Ｔｈ Ｒ ｙ ｔ ｍ ａ ｅ ｄ ａ ｔｇ ｆｔ ｅ ｅ ａ ｃ ｈ ｄ ａ ｋ ａ ｐ ｏ ｃ ｏ ｉ ｇ ｅｒ ｖ ｌ ｎ ｉ
２＇ ０ １年 ４月 繁 ４期
电 子 测 试
Ｅ Ｅ ＲＯＮＩ ＥＳＴ Ｌ ｃＴ Ｃ Ｔ
Ａｐｒ２０１ ． １ Ｎｏ． ４
ｒ ｌｖ ｎ ｅ￣ｅ ｂ ｃ ．Ｉ ｈ ｍａ ｅ ｒ ｔ ｅ ａ ｓ ｓｅ ． ｉ ａ ｓ ｔ ｔ ｓａ ｅ ｃ ｐ ｕ ｅ ｎ ｖ ｃ ｏ ｏ ｍ ｓ ｇ ｃ ｌ ｒｈ ｓ ｇ ａ ｅｅ ａ ｃ ｄ ａ ｋ ｎ ｔ ｅ ｉ ｇ ｅｒ ｖ ｌ ｙ ｔｍ ｖ ｓ ｌ ｔ ｉ ｉ ｒ ａ ｔ ｒ ｄ ｉ ｅ ｔ ｒ ｆ ｒ ｕ ｉ ｏ ｏ ｉ ｏ ｒ ｍ ｉ ｕ ａ ｓｃ ｎ ｔ ｉ Ｖ ｏ ｏ ｐ ｃ ． ｅ ＣＢＩ ｓ ｓｅ ｔ ｋ ｓａ ｖ ｎ ａ ｅ ０ ｅ ｒ ｌｖ ｎ ｅ ￣ｅ ｂ ｃ ｐ ｒ ａ ｈ ｔ ｍａ ｅ ｒ ｔ ｅ ａ ａ ｄ ｎ ＨＳ ｃ ｌ ｒｓ ａ ｅ Ｔｈ Ｒ ｙ ｔ ｍ ａ ｅ ｄ ａ ｔｇ ｆｔ ｅ ｅ ａ ｃ ｈ ｄ ａ ｋ ａ ｐ ｏ ｃ ｏ ｉ ｇ ｅｒ ｖ ｌ ｎ ｉ
２＇ ０ １年 ４月 繁 ４期
电 子 测 试
Ｅ Ｅ ＲＯＮＩ ＥＳＴ Ｌ ｃＴ Ｃ Ｔ
Ａｐｒ２０１ ． １ Ｎｏ． ４
一种基于自学习的动态语义网络的图像检索方法
随着 多媒体 技术 和 因特 网 的飞速发 展 ， 各种 多媒 体信息 大 量涌 现．如 何从 大 量信 息 中快 速有 效地 检索 到所 需信 息 ，已成 为多媒体 技术 研究 的重要 课题 ．图像信 息 的检 索成 为 多媒 体 检 索研 究 的热 点．高 效 的 图 像检 索技术 获得 了大量 的研究 兴趣 ｕ ．将 数字 图像处 理 、计算 机视 觉 、 式识 别 、人工 智 能等 技术 与传 统 模
数据库 技术 结合 ， 建立 高效 的 图像 检索 机制 ， 是对 传统 检索 技术 的重大 挑战 ． ］ 近 年来 ，图像 数据库 大小 和可 用性不 断增 长 ，大多研 究 员研 究 图像 检 索 和注 释 的不 同模 型 ，试 图将 真 正 语义 纬度合并 到基 于 内容 的视 觉 图像 检 索里 ］ ．在 这 种 方法 里 ，图像 可 以用 关 键 词 匹配 检索 或 根 据视 觉 内容半 自动地 配 比检索¨ ．它提 供 了一 些 方法 用 于执 行 交互 式 的 长期 学 习 过程 ．这些 方 法基 于 用 户半 自动 反馈 ， 加 了在 相关 的图像 和关键 词询 问之 间 的关 联权 重 ， 少 了不 相关 的图像 和 查询 之 间 的链 接 增 减
权重．其外 还提 出 了一 些类 似 的方 法用 于半 自动 图像注 释 。．但 是 ， 断增大 的 图像 数 据库 ，自动 语义 传 。 Ｊ 不
播 的高误 差率 ，以及 同义 概念 的相 关 问题 是这个 领域 中值 得考 虑 的问题口 ” ．而且 大多 图像 检索 系 统是使 ］ 用 交互方 式来支 持概 念性检 索和半 自动图像 注释．手 工 图像 注 释费 力 和费 时 ，完 全 自动 的 图像 注 释技 术仅 使用 图像 间的低水 平特 征 的相似性 从 附注 的图像扩 展 到对未 贴 标签 的 图像 ．在这 种情 况 下 ，由于 图像 的 ］ 低水平 视觉 特征不 足 以展 现 图像 内容 ， 且 图像 内容 的复杂性 对 用户 来 说很 难 准确 描写 ，因此 检 索 的准确 并
一种基于视觉单词的图像检索方法
ｔ ｒ ｓａ ｄ ｔ ｅ ｉ ｔ ｎ ｒ ｆ ｖｓ ａ ｒ ｓ ｃ ｎ ｔｕ ｔｄ．Ｆ ｎ ｌ ，ａ ｍａ ｅ ｒ ｔｉ ｖ ｌｓ ｓｅ ｕ ｅ ｎ ｈ ｎ ａ ｄ ｃｉ ａ ｙ ｏ ｉｕ ｌｗｏ ｄ ｉ ｏ ｓｒ ｃ ｅ ｏ ｉ ａ ｌ ｎ ｉ ｇ ｅｒｅ ａ ｙ ｔ ｍ ｂ ｓ ｄ ｏ ｖｓ ａ ｙ ａ ｅ ｎ ｉｕ ｌ ｗｏ ｄ ｓｒ ａｉｅ Ｅｘ ｅ ｉ ｎ ａ ｅ ｕ ｔ ｈ ｗ ｈ ｔｔ ｅ ｐ ｏ ｏ ｅ ｐ ｏ ｃ ａ ｍｐｒ ｖ ｓｔ ｅ ｐｒｃ ｓｏ ａｅ ｏ ｍ— ｒ ｓ ｉ ｅ ｌ ｄ． ｐ ｒｍｅ ｔｌｒ ｓ ｌｓｓ ｏ ｔ ａ ｈ ｒ ｐ ｓ ｄ ａ ｐｒ ａ ｈ ｃ ｎ ｉ ｏ ｅ ｈ ｅ ｉｉｎ ｒ ｔ ｆｉ ｚ ａ ｅ ｒ ｔｉ ｖ ｌｔ ｏ ｘｅ ｔ ｇ ｅ ｒｅ ａ ｏ ｓ ｍｅ ｅ ｔｎ ． Ｋｅ ｙ ｗｏｒ ：ｍａ ｅ ｒ ｔｉｖ ｌ ｖｓ ａ ｒ ； Ｆ ｓ ｍａ ｔｃ ｇ ｐ ｄｓ ｉ ｇ ｅ ｒｅ ａ ； ｉｕ ｌｗｏ ｄ ｔ ｎｔ 术 的 飞速 发 展 ， ｎｅ ｅ 技 ｒ 网 络上 的数 字 图像 急剧 增 长 。面 对 这 些 海 量 的 图像 数
内容 的 图像 检 索 （ ＢＲ，ｏｔｎ—ａｅ ｍ ｇ ｅ ｅａ） Ｃ Ｉ ｃｎｅｔ ｓｄｉａｅｒｔ ｖ１ ｂ ｉ ｒ 技术成 为 了近 年来 图像 检 索技术 的研 究热 点 ¨ 。基 于 内容 的图像检 索 主要 通 过 图像 的低 层 视觉 特 征 （ 颜 色 、 理 、 状 ） 行 图像 表 示 和 匹 配 ， 面 临 的主 纹 形 进 其 要 问题是 图像低 层 特征 和 图像 高 层 语义 存 在着 “ 义 语 鸿沟 ” ｓｍａｔ ａ ） 为 了克 服语 义鸿 沟 ， 们 进 行 （ｅ ｎｉ ｇｐ 。 ｃ 人 了诸 多方 面 的研 究 ， 致力 于建 立 一种 有 效 的从 图像 低 层视 觉特 征到 高层语 义 的映射模 式 。这方 面 的研 究虽 然取 得 了一 定 的成果 ， 由 于映 射模 式 的建 立是 相 当 但 复杂 的 ， 以说 目前 仍 然 没有 一 种 全 面并 且 有效 的语 可
内容 的 图像 检 索 （ ＢＲ，ｏｔｎ—ａｅ ｍ ｇ ｅ ｅａ） Ｃ Ｉ ｃｎｅｔ ｓｄｉａｅｒｔ ｖ１ ｂ ｉ ｒ 技术成 为 了近 年来 图像 检 索技术 的研 究热 点 ¨ 。基 于 内容 的图像检 索 主要 通 过 图像 的低 层 视觉 特 征 （ 颜 色 、 理 、 状 ） 行 图像 表 示 和 匹 配 ， 面 临 的主 纹 形 进 其 要 问题是 图像低 层 特征 和 图像 高 层 语义 存 在着 “ 义 语 鸿沟 ” ｓｍａｔ ａ ） 为 了克 服语 义鸿 沟 ， 们 进 行 （ｅ ｎｉ ｇｐ 。 ｃ 人 了诸 多方 面 的研 究 ， 致力 于建 立 一种 有 效 的从 图像 低 层视 觉特 征到 高层语 义 的映射模 式 。这方 面 的研 究虽 然取 得 了一 定 的成果 ， 由 于映 射模 式 的建 立是 相 当 但 复杂 的 ， 以说 目前 仍 然 没有 一 种 全 面并 且 有效 的语 可
图像检索技术综述
目前基于内容图像检索技术已经取得 了不少的成就， 了不少的成就，一些著名的图像检索系统 相继被推出， IBM的 系统， 相继被推出，有IBM的 QBIC 系统，哥伦比 Visual-SEEK，MIT多媒体实 亚大学开发的 Visual-SEEK，MIT多媒体实 Photo-Book， Berkeley开 验室开发的 Photo-Book，U C Berkeley开 系统等。 发的 Chabot 系统等。
早期的TBIR： 早期的TBIR： TBIR 手工对图像进行注释，工作量相当大， 手工对图像进行注释，工作量相当大， 不可避免地会带来主观性和不精确性 Internet环境下的TBIR： Internet环境下的TBIR： 环境下的TBIR 网页信息的自动采集和标引技术 索引方式： 索引方式：全文索引用的都是TBIR TBIR技 图像检索服务，它们采用的都是TBIR技 术．
CBIR系统向用户提供的查询方式 CBIR系统向用户提供的查询方式 示例查询就是由用户提交一个或几个例 子图像， 子图像，然后由系统检索出特征与之相似 的图像．这里的“相似” 的图像．这里的“相似”，指的是上述的 颜色、 颜色、纹理和形状等几个视觉特征上的相 似。 草图查询：用户可以简单地画一幅草图， 草图查询：用户可以简单地画一幅草图， 由系统检索出视觉特征上与之相似的图像。 由系统检索出视觉特征上与之相似的图像。
基于知识的图像检索 将人工智能领域的基于知识的处理方 法引入到图像处理领域，通过对图像理解、 法引入到图像处理领域，通过对图像理解、 知识表达、机器学习， 知识表达、机器学习，并结合专家和用户 的先验知识， 的先验知识，建立图像知识库实现对图像 数据库的智能检索。 数据库的智能检索。主要涉及到自然语言 理解、专家系统、 理解、专家系统、知识表达和机器学习等 人工智能的主要研究领域。 人工智能的主要研究领域。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
提 出了一种将 图像底 层视 觉特 征与 图像在 向量 空 间 中的语义统计特征相 结合 的方法 ， 图像 底层视觉 特 将 征赋予更高层次 的意义 。该方法 涉及到一种技 术 ， 潜在
一
个语 义 网络 ［ ］ ３ 。由于该检 索 系统是 试验 系统 ， “ 图像
数据 库 的规 模 不大 ， 因此 我 们 采用 手 工 标 注 的方式 来
ｖ ｃ ｏ ｏｒ ｉ ｇ ｃ ｏ ｓ ｏ ａ ．Ａ ｎ ａ ｐｒ ｃ ｓｐｒ ｐｏ ｅ ｈａ ｌｏｗｓ ｔ ｅ ｃ ｍ ｂｎａ ｉ ｎ ｏｆｖｉｕａ ｔ ｔｓ ｉｓ ｗｉｈ ｔ ｔ ｌｓ ａ ｉｔｃ ｎ ｅ ｔ ｒ ｆ ｍ ｕｓｎ ｏｌｒ ｈｉｔ ｇｒ ｍ ｐ ｏａ ｈ ｉ ｏ ｓ ｄ ｔ ｔａｌ ｈ ｏ ｉ ｔｏ ｓ ｌｓ ａ ｉｔｃ ｔ ｅｘ ｕａ ｔ ｔｓ ｉｓ ｉ ｔｅ ｅ ｔｒ ｐ ｃ ｈ ｖ ｃ ｏ ｓ ａ ｅ， ｗ ｈｉｈ ｓ ｅ ｔ ｔａ ｆ ｍ ｏ —ｅ ｅ ｆ ａ ｕｒ ｓ Ｏ ｈ ｇ ｒ ｅ ｌｏｆ ｍ ｅ ｎｉ ｃ ｅ ｋｓ ｏ ｒ ｎｓ ｏｒ ｌ ｗ ｌ ｖ ｌ ｅ ｔ ｅ ｔ ａ ｉ ｈｅ ｌｖｅ ａ ｎｇ． Ｉ ｃ ｎ ｔ ａ ｈｅ ｐ ｍ ｐｒ ｖｅ ｈ ｒ ｔｉ ｖ ｌ ｌ ｉ ｏ ｔ ｅ ｅ ｒｅ ａ ｐ ｒ ｏ ｍ ａ ｃ ｉ ｉｉａ ｔｙ． ｅ ｆ ｒ ｎ ｅ ｓｇｎ ｆｃ ｎ ｌ ＫＥＹＷ ＯＲＤＳ ｃ ｔ ｎｔ ｂ ｓ ｄ， ｍ ａ ｅ ｒｅ ａ１ ｉ ａ ｅ ａｎｔｃ ｏｎ ｅ — ａ ｅ ｉ ｇｅｒ ｔ ｉｖ ， ｍ ｇｅ ｓ ｍ ｉｓ， ｌ ｔ ｔｓ ｍ ａ ｉ ｎｄｅ ｉ ｇ ａ ｅｎ ｅ ｎｔｃ ｉ ｘｎ
第 ２ 卷 ４
第 ２期
电 脑 开 发 与 应ຫໍສະໝຸດ 用 文 章 编 号 ：０ ３ ５ ５ （ ０ １ ０ — ０ ９ ０ １ ０－８ ０ ２ １ ） ２０１ －３
一
种 结 合 语 义 特 征 和 视 觉 特 征 的 图 像 检 索 方 法
ｏ ｅ ａ ｉ ｎｄ Ｖｉ ｕ ｌＦｅ ｔ ｒ ｓ ｆ Ｓ ｍ ｎｔｃ ａ ｓ ａ ａ ｕ ｅ
杨 树 极
Ａｎ Ｉ ａ ｅ Ｒｅ ｒ ｅ ａ ｍ ｇ ｔ ｉ ｖ ｌＡｐｐ ｏ ｃ ａ ｅ ｎ ｔ ｍ ｂ ｎａ ｉ ｎ ｒ ａ ｈ ｂ ｓ ｄ Ｏ ｈｅ Ｃｏ ｉ ｔｏ
（ 中北 大 学电子 与计算机 科 学技 术 学院 太原 ０ ０ ５ ） ３ ０ １ 【 摘 要】为 了解决传 统 的 Ｃ Ｉ 系统 中存 在 的 “ 义 鸿沟” 问题 ，提 出一 种结合 语义特 征 和视 觉特征 的图像 检 ＢＲ 语
在 Ｌ Ｉ 义 空 间 中将 图 像 的 文本 特征 信 息 表 示成 低 Ｓ 语 维 向量 的形式 ， 向量包 含 了 图像 的语 义信 息 ， 该 同时 提 取每 幅 图像 的 视 觉 特 征 （ 局 颜 色 直 方 图） 然 后 将 全 ， Ｌ Ｉ向量 和视 觉特 征 向量 结 合 成 一 个统 一 的 向量 ， Ｓ 利
进 行 图像标 注 。数据库 中的每 幅图像 都可 以用不 同 的
关 键词 和权 重 （ 个关键 词在 该类 图像 中 出现 的频 率） 某
语义 索引 （ Ｓ ） ］并 结合 了已经在 全文 本搜 索 中应 用 Ｌ Ｉ［ ， ２ 多年的正规化技术 以及术语权 重技术 以提高检 索效 率 。 本 文首 先对 图 像数 据 库 中 的 图像进 行语 义 标 注 ，
索方 法。将 图像 的语义特 征和 视 觉特 征 数据结 合到 同一个 索引 向量 中，进行 基于 内容 的 图像 检 索。 系统使用 潜 在 语义 索引 （ Ｓ ）技术提 取 图像 的语义特 征 ，提 取颜 色直 方 图作为 图像 的视 觉特征 。通过将 图像 底层 视觉特 征 ＬＩ 与 图像 在 向量空 间 中的语 义统 计特征 相 结合 的方 法，将 图像底 层视 觉特 征赋 予更 高层 次 的意义 ，有效地 改善 了
加 以描 述 。语 义 简单 的图像 ， 以用 较少 的关 键 词 描 可 述 ； 之 ， 义复 杂的 图像 ， 用多 个关键 词进行 描述 。 反 语 则 关 键词 的权 重则体 现 了该 词对 图像语 义 描述 的准确程 度， 权重 越大 ， 该关键 词越 能清 晰地描 述该 图像 。 根 据我 们 构造 的语 义 网络 ， 以计 算 出一 个关 键 可
基 于 内容 的图像 检 索系统 的性 能 。
【 关键词】 基 于 内容 ， 图像检 索 ，图像 语 义 ，潜在 语 义 索引
中 图分 类 号 ：Ｔ ３ １ ３ Ｐ ９ ． 文 献 标 识 码 ：Ａ
ＡＢＳ ＴＲＡＣＴ Ｔｏ ｓ ｖ ｈｅ ｒ ｂｌ ｍ ｅ ａ ｉ ａ ｉ ｔ ｒ ｄｉｉ ｎａ ｏｌｅ ｔ ｐ ｏ ｅ ｏｆ ｓ ｍ ｎｔｃ ｇ ｐ ｎ ｈｅ ｔ ａ ｔｏ ｌＣＢＩ Ｒ ｓ ｔ ｍ ｂ ｔ ｅ ｎ ｃ ｔ ｔ－ ｓ ｓ ｓ ｅ ａｎ ｏｎ ｅ — ｙｓ ｅ ｅ ｗ ｅ ｏｎ ｅｎ — ｅｄ ｙ ｔ ｍ ｄ ｃ ｃ ｐｔ ｂａ － ｈｓｄｕｅ ａ ｅ ｓ ｒ，ａ ｍ ａ ｅ ｒ ｔｉ ｖ ｌａ ｒ ａ ｈ ｓ ｐｒ ｏｓ ｄ ｈａ ｏ ｂｉ ｓ ｔ ｘｔ ｌａ ｉｕａ ｔ ｔｓ ｉｓ ｉ ｉ ｇｌ ｎ ｘ ｖ ｃ ｏ ｏ ｏｎ ｅ ｔ ｎ ｉ ｇ ｅ ｒｅ ａ ｐｐ ｏ ｃ ｉ ｏｐ ｅ ｔ ｔｃ ｍ ｎｅ ｅ ｕａ ｎｄ ｖｓ ｌｓ ａ ｉｔｃ ｎ ａ ｓ ｎ ｅ ｉ ｄｅ ｅ ｔ ｒ ｆ ｒｃ ｔ ｎ －
ｂ ｓｄ ｓａ ｃ ．Ｔｅ ｔ ａ ｓａｉｔｃ ｒ ａ ｔ ｒｄ ｉ ｅ ｔ ｒｆｒ ｕ ｉｇｌｔｎ ｅ ｎ ｉ ｄ ｘｎ （ Ｉ ａｅ ｅ ｒｈ ｘ ｕ ｌ ｔｔ ｉｓａ ｅｃｐ ｕ ｅ ｎ ｖ ｃｏ ｏ ｍ ｓｎ ａ ｅ ｔｓ ｍａ ｔ ｉ ｅ ｉｇ ＬＳ ）．Ｖｉｕ ｌ ｔ ｔ ｔ ｓａｅｃ ｐ ｕ ｅ ｓ ｃｎ ｓ ａ ａ ｉ ｉ ｒ ａ ｔ ｒ ｄｉ ｓ ｓｃ ｎ