学位论文 > 优秀研究生学位论文题录展示
图像检索中局部特征的提取和描述及其空间组织研究
作 者: 杨程
导 师: 杨杰
学 校: 上海交通大学
专 业: 模式识别与智能系统
关键词: 局部特征提取 局部特征描述 空间组织 图像检索
分类号: TP391.41
类 型: 硕士论文
年 份: 2011年
下 载: 174次
引 用: 0次
阅 读: 论文下载
内容摘要
随着多媒体技术和计算机网络技术的飞速发展,可获取的图像和其他多媒体数据越来越多。如何对海量的数字图像信息进行有效管理,如何在短时间内在海量信息中获取所需信息都是数字化时代所要面对的挑战。图像检索技术即为解决这一问题而产生。近年来,基于内容的图像检索(CBIR)成为研究热点,当前已有众多基于内容的图像检索方法提出。不过这些方法大多只利用了图像全局特征,在检索的通用性和正确率方面尚需提高。局部特征技术作为近年兴起的图像特征提取技术,已在图像匹配、图像识别、图像拼接、纹理识别、视频数据挖掘、图像分类、图像检索等领域得到了广泛的应用。图像的局部特征很好的描述了图像的局部信息,与传统的图像全局特征相比,图像的局部特征具有更好的唯一性、可重复性、不变性和鲁棒性,能更好的适应图像背景混杂、局部遮挡、光线变化甚至仿射和几何变换等情况。因此,将图像的局部特征技术应用到图像检索系统中,对于图像意义的良好表征、快速正确的图像特征匹配而言都具有重要的意义。图像的局部特征技术包括局部特征提取技术和局部特征描述技术两部分,而在图像匹配和检索中,局部特征的空间几何关系的应用也是很重要的一项技术。这三部分是影响CBIR的检索性能的关键。本文研究和总结了前人的研究成果,并针对基于内容的图像检索方法的特点,在前人的基础上对相关技术进行了改进创新。最后,本文把提出的方法应用到基于内容的图像检索系统中并取得了良好效果。本文的主要贡献如下:1、研究了和比较了各种局部特征的提取方法,对DOG算子检测法提出了两种改进方法,在进行综合比较后,在本文建立的图像检索系统中采用了第二种方法进行局部特征提取。实验证明,该方法在图像检索中取得了良好效果。2、研究和比较了各种局部特征的描述方法以及对局部特征的空间关系的组织表示方法,并将其融入到BOF算法中。3、利用本文所提出的图像局部特征提取技术以及相关成熟算法,构建了一个用于手机等移动终端的基于内容的图像检索系统。通过对十万幅标准图库的测试表明,该系统在检索准确率和实时性方面都取得了令人满意的结果。
|
全文目录
摘要 3-5 ABSTRACT 5-9 第一章 绪论 9-20 1.1 选题意义 9 1.2 图像检索技术概述 9-15 1.2.1 基于文本的图像检索技术 10 1.2.2 基于内容的图像检索技术 10-12 1.2.3 基于内容的图像检索技术应用现状 12-13 1.2.4 基于内容的图像检索系统框架 13-14 1.2.5 基于内容的图像检索技术的发展方向 14-15 1.3 局部特征技术概述 15-19 1.3.1 局部特征提取技术研究概况 16-17 1.3.2 局部特征描述技术研究概况 17-18 1.3.3 局部特征空间关系研究概况 18-19 1.4 本文章节安排 19-20 第二章 局部特征提取 20-35 2.1 图像尺度空间理论 20-22 2.1.1 金字塔多分辨率表达 20-21 2.1.2 高斯尺度空间 21-22 2.2 角点检测方法 22-26 2.2.1 Harris 角点 22-24 2.2.2 多尺度Harris 角点 24-25 2.2.3 角点检测算法小结 25-26 2.3 高效斑点检测和区域检测 26-30 2.3.1 DOG 算子 26-28 2.3.2 MSER 算法 28-29 2.3.3 区域检测方法小结 29-30 2.4 对DOG 算子的改进 30-34 2.4.1 LOG 算子检测法 30-32 2.4.2 简化 DOG 算子 32-33 2.4.3 改进DOG算子小结 33-34 2.5 本章小结 34-35 第三章 局部特征描述及其空间组织研究 35-47 3.1 基于分布的局部特征描述 35-43 3.1.1 SIFT 描述子 35-39 3.1.2 PCA-SIFT 描述子 39-40 3.1.3 SURF 描述子 40-42 3.1.4 SIFT与SURF描述子的比较 42 3.1.5 基于分布的描述子小结 42-43 3.2 局部特征的空间组织 43-46 3.2.1 BOF 算法 43-44 3.2.2 HE-WGC 算法 44-45 3.2.3 双空间量化算法 45 3.2.4 空间BOF 算法 45-46 3.2.5 局部特征的空间组织小结 46 3.3 本章小结 46-47 第四章 基于局部特征技术的手机图像检索系统 47-63 4.1 系统概述 47-48 4.2 系统实现 48-59 4.2.1 系统框架 48-49 4.2.2 局部特征提取和描述模块 49-51 4.2.3 高维索引结构 51-53 4.2.4 局部特征的聚类模块 53-56 4.2.5 图像量化模块 56-57 4.2.6 相似性搜索模块 57-59 4.3 实验结果 59-62 4.4 本章小结 62-63 第五章 总结和展望 63-65 5.1 本文的工作总结 63 5.2 课题展望 63-65 参考文献 65-70 致谢 70-71 攻读硕士期间发表的学术论文 71-73
|
相似论文
- 用于检索的人脸特征提取与匹配算法研究,TP391.41
- 基于用户兴趣特征的图像检索研究与实现,TP391.41
- Q学习在基于内容图像检索技术中的应用,TP391.41
- 基于内容的服装图像检索技术研究及实现,TP391.41
- 基于多示例学习的用户关注概念区域发现,TP391.41
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 多样性密度学习算法的研究与应用,TP181
- 基于形状的汉画像检索技术研究,TP391.41
- 大规模图像检索中局部特征聚合与索引方法研究,TP391.3
- 基于Jade的多Agent图像检索系统,TP391.3
- 基于内容的大规模数字图像检索技术研究,TP391.41
- 图像检索的并行计算方法与系统,TP391.3
- 基于脑波的情感图像检索的研究,TP391.41
- 综合多特征的图像检索技术研究,TP391.41
- 基于草图的图像检索技术研究与系统实现,TP391.41
- 基于半监督哈希算法的图像检索方法研究,TP391.41
- 多模式图像检索方法研究,TP391.41
- 基于内容的图像检索技术研究,TP391.41
- 太极拳锻炼的口述历史研究,G852.11
- 基于多标签学习的图像区域语义自动标注算法研究,TP391.41
- 强化学习和相关反馈在口腔正畸图像检索中的应用,TP391.41
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
|