学位论文 > 优秀研究生学位论文题录展示

基于SOFM自组织特征映射网络的图像语义分割与标识

作　者: 张继昊
导　师: 张爱新
学　校: 上海交通大学
专　业: 密码学
关键词: 自组织映射网络 图像语义分割 图像语义标识 特征提取
分类号: TP391.41
类　型: 硕士论文
年　份: 2010年
下　载: 91次
引　用: 1次
阅　读: 论文下载
 

内容摘要


语义网络无疑将成为网络的下一个进化阶段,图像的语义搜索是语义网络构建的一个重要方面,而图像的语义分割与标识又是实现图像语义搜索的基础。由于网络上图片的数量巨大,并且图片的处理很耗时,因此,图像语义分割与标识的难度较大。目前在图像的语义分割与标识方面的研究很多,但是大多都只是针对特定领域的,而且在性能以及分割、标识的准确率上也还存在很大的不足。早期的图像语义标识系统大多数都是只针对整幅图片进行的,没有将图像分割和语义标识相结合来考虑。这些系统一般只对图像的全局特征或是局部像素点特征的摘要进行语义学习和预测,因此比较粗糙,对特征的学习不够充分。也有少数系统是对像素点级别的特征进行语义学习和预测的,这样虽然可以确保特征的学习足够充分,但是语义的预测过程很耗时。本文在对这些问题进行了较为深入的研究、分析后,提出并构建了一个基于SOFM自组织特征映射网络的图像语义分割及标识系统。本文在图像分割方面提出了基于SOFM(Self-Organizing Feature Map)自组织特征映射网络的图像分割方法,该方法不仅克服了很多图像分割算法的需要图像分割数作为输入参数的缺点,而且由于充分考虑了图像的高斯、高斯—拉普拉斯、高斯一阶导等多方位的17维特征使得图片的分割效果很好。同时因为该算法结合使用了K-Means聚类算法所以运行效率也很高。另外,在图像语义标识方面,本文采用分开考虑图像语义训练和语义预测的方法。语义训练阶段采用基于像素点级别特征的充分学习办法,而语义预测时采用选取图像分割块的代表点特征——分割块中心点特征,来对整个分割块进行语义预测和标识,从而可以达到快速对图像进行语义标识的功能。实验结果表明本文提出的基于SOFM自组织特征映射网络的图像语义分割及标识系统具有语义预测效率高和预测准确率高等优点,本文工作具有较好的研究意义和实际应用价值。

全文目录


摘要  5-7
ABSTRACT  7-12
第一章 绪论  12-22
  1.1 研究背景和意义  12-13
  1.2 图像语义分割与标识技术的研究现状和相关研究成果  13-19
    1.2.1 图像底层特征提取研究现状及研究成果  13-15
    1.2.2 图像分割技术研究现状及研究成果  15-18
    1.2.3 图像语义映射与标识研究现状及研究成果  18-19
  1.3 本文的研究内容和组织安排  19-20
  1.4 本章小结  20-22
第二章 基于自组织特征映射网络的图像分割  22-46
  2.1 概述  22-24
  2.2 SOFM 自组织映射网络原理  24-29
  2.3 图像的特征向量提取  29-34
    2.3.1 高斯变换特征提取  29-32
    2.3.2 高斯－拉普拉斯变换特征提取  32-33
    2.3.3 高斯偏导特征提取  33-34
  2.4 基于自组织映射网络的图像聚类分割  34-43
    2.4.1 基于SOFM 的图像初始聚类  35-38
    2.4.2 合并聚类分析过程  38-41
    2.4.3 K-Means 图像分割  41-43
  2.5 实验结果分析  43-44
    2.5.1 算法效率对比分析  43-44
    2.5.2 分割效果对比分析  44
  2.6 本章小结  44-46
第三章 分割图片的语义标注与识别  46-57
  3.1 概述  46-47
  3.2 实验图片库介绍  47-48
  3.3 基于SVM 的图片语义学习与标识  48-56
    3.3.1 支持向量机原理SVM  49-52
    3.3.2 图像特征的语义学习  52-55
    3.3.3 图像的语义标注  55-56
  3.4 本章小结  56-57
第四章 系统实现及实验结果  57-70
  4.1 系统概述  57-58
  4.2 系统模块说明  58-66
    4.2.1 图片库语义训练模块说明  58-62
    4.2.2 待测图像分割与语义标注模块说明  62-66
    4.2.3 待测图片库标注结果分析模块说明  66
  4.3 系统相关实验结果  66-69
  4.4 本章小结  69-70
第五章 全文总结  70-73
  5.1 主要结论  70-71
  5.2 研究展望  71
  5.3 本章小结  71-73
参考文献  73-76
数学符号说明（附录1）  76-77
缩略语表（附录2）  77-78
致谢  78-79
攻读硕士学位期间已发表或录用的论文  79-81

相似论文

  1. 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
  2. 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
  3. 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
  4. Q学习在基于内容图像检索技术中的应用,TP391.41
  5. 直推式支持向量机研究及其在图像检索中的应用,TP391.41
  6. 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
  7. 空间交会接近视觉测量方法研究,TP391.41
  8. 图像实时采集、存储与处理方法研究,TP391.41
  9. 唇读中的特征提取、选择与融合,TP391.41
  10. 多币种纸币处理技术的研究与实现,TP391.41
  11. 基于类Harr特征和最小包含球的纸币识别方法的研究,TP391.41
  12. 基于图像的路面破损识别,TP391.41
  13. 移动机器人视觉检测和跟踪研究,TP242.62
  14. 高光谱与高空间分辨率遥感图像融合算法研究,TP751
  15. 基于随机森林的植物抗性基因识别方法研究,Q943
  16. 基于图像处理技术的烟叶病害自动识别研究,S435.72
  17. 基于视觉的番木瓜外观品质检测技术研究,S667.9
  18. 羊绒与羊毛纤维鉴别系统的研究,TS101.921
  19. 红外图像目标识别及跟踪技术研究,TP391.41
  20. 水下目标特征的压缩与融合技术研究,TN911.7
  21. 高光谱图像技术诊断黄瓜病害方法的研究,S436.421

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com