基于对象语义的图像分割和分类方法

提出一种基于对象语义的图像分割和分类方法．建立多层级区域生长算法HRGSeg对图像进行分割,从而去除“弱对象语义”细节,降低过度分割的影响．在此基础上,提取颜色、边缘、纹理等低层次特征作为特征向量,并利用支持向量机建立样本训练机制,实现低层次特征向高层对象语义的映射．实验中,采用层次化分类机制,取得了较理想的结果．     

基于语义图像检索的关键技术

结合作者在基于内容的图像检索(CBIR)方面的研究工作,指出了基于语义的图像检索是图像检索发展的趋势。首先给出了层次化语义模型,然后介绍语义表示的方法,详细总结了三种语义提取方法:基于视觉特征的语义算法、基于关键字网络的语义算法和基于语义向量的算法。最后,阐述了相关反馈技术的应用。     

空间数据库中基于对象的方位查询研究

研究了基于对象的方位查询处理方法,提出一种全新的基于模型的开放策略,使得查询时不必知晓嵌入式世界坐标系的边界,同时省去了与坐标边界相关的计算问题．以OSS为模型的查询算法,通过提高传送效率来减少I／O和CPU的设备开销．实验数据表明开放模型策略(OSS)在性能上超越从前的变换查询策略(RQS),比RQS更适合对大的数据集合进行处理。     

图像数据库中概念查询处理

论在分析基于内容检索的图像数据库系统中查询类型的基础上,为支持基于图像语义概念的查询,扩充了面向对象的SQL语言,以有效地表达查询中的概念,为进行查询变换,提出了概念层次模型以有效地表达概念在不同抽象层的不同表现形式,并利用项重写技术,将查询中涉及的概念项和语义空间关系转化为基本检索类型的组合。     

基于支持向量机语义分类的两种图像检索方法

为了更好的解决基于内容的图像检索问题,提出了2种基于语义的图像检索方法.第1种是基于支持向量机(SVM)语义分类的图像检索方法.该方法首先提取训练图像库的底层特征信息,然后利用SVM对所提取的特征进行训练,构造多分类器.在此基础上,利用分类器对测试图像自动分类,得到图像属于各个类别的概率,实现图像检索.第2种是利用图像自动标注方法进行检索.在基于语义的图像自动标注中,先对训练集进行人工标注,对测试图像利用SVM分类器进行分类,并找到与该图像最相似的N张构成图像集,对该图像集的标注进行统计,找到关键词,从而提供概念化的图像标注以用于检索.通过在标准图像检索库和自建图像库上的实验结果表明,以上2种基于语义的图像检索方法是高效的.     

演绎数据库的语义查询优化

演绎数据库的语义查询优化是根据数据库中的完整性约事条件对查询进行优化，本文推出了两种基于完整性约束条件的优化方法，通过编译时对规则的改写，减少了参与计算的中间结果的数目，避免了不必要的操作提高了计算的效率。     

演绎对象数据库中查询的实现

重点论述了DOOD中对象的方法查询,首先运用一组转换规则把以演绎对象语言(DOOL)表示的查询和相应的规则转换成D ata log中谓词的表达形式,然后构造D ata log方程,通过D ata log方程的最小不动点增量求解方法得到查询结果.     

基于内容图像检索中的"语义鸿沟"问题

目的探讨目前CBIR系统中广泛存在的“语义鸿沟”问题。方法阐述了该问题的表现及产生的实质;从获取图像语义的角度出发,研究和分析了当前针对这一问题的一些处理方法以及存在的问题,并提出了初步的解决思路。结果现阶段在CBIR中应用多层次的相关反馈方法,能够较好地建立和修正图像低层特征与高层语义间的联系,有助于缩小图像检索过程中的“语义鸿沟”,并达到了一定程度语义检索的目的。结论实现真正意义上的基于语义的图像检索,将是解决“语义鸿沟”问题的最有效途径。     

基于支持向量机的图像语义提取研究

通过研究自然景观图案的语义分类,分析了不同的核函数和参数优化算法对图像语义分类性能的影响,并用自然景观图片进行了验证。实验结果表明:当核函数为RBF且参数采用网格搜索优化时,SVM的分类效果最优,可实现对自然景观图像的准确分类。此结论对SVM在图像语义分类中的推广应用具有指导意义。     

利用SVM和灰度基元共生矩阵进行图像数据库检索

提出了一种新的基于内容的图像检索方法，其关键技术是：(i)提出一种检索图像内容纹理统计特征的新方法，定义若干规范灰度像素模式基元；计算这些基元沿不同方向和不同跨距成对出现的概率，可以组成灰度一基元共生矩阵；该矩阵可用来描述图像纹理方面的特征。(ii)通过构建分类矩阵进行二叉树判别，扩展了SVM的多类分类功能。实验测试表明该法可行，且具有较好检索性能。     

基于纹元森林的视觉词袋模型在图像分类中的应用

引入纹元森林(semantic texton forest,STF)的视觉词袋模型,联合基于金字塔匹配核的支持向量机,实现图像分类.首先对图像进行采样,提取SIFT(scale-invariant feature transform)特征,然后导入纹元森林构造视觉词典,统计视觉单词出现的频率构建语义词袋模型,最后利用支持向量机进行训练得出分类结果.实验在MSRC21(Microsoft research cambridge)图像库上进行,通过优化实验中的关键参数,引入加权的不平衡训练,提高了图像分类精度.实验结果表明,基于纹元森林的视觉词袋模型具有良好的图像分类效果.     

利用变形模板提取嘴部特征的算法

嘴部特征提取是人脸识别和人机交互等领域的重要步骤.作者提出了一种改进的利用变形模板提取嘴部特征的算法.针对变形模板对初始位置敏感和匹配易陷于局部极小等问题,首先确定嘴部区域的边框,然后在此区域内仅用边缘和灰度信息,进行全局搜索确定变形模板的最佳参数.算法用两种模板匹配张嘴和闭嘴的情况.实验表明,对于简单背景的灰度图像,该算法可较好地提取嘴部特征,计算速度较快.     

基于语义绑定的分层视觉词汇库的图像检索

提出了一种解析复杂图像语义的模型——分层语义模型,给出了解析复杂语义和构造模型的方法.提出了基于分层语义模型的语义绑定的分层视觉词汇库的概念,给出了构造词汇库的具体方法和步骤,同时对词汇库细节问题给出了解决的方法.将提出的分层视觉词汇库应用于基于内容和语义的图像检索中,并给出了构建图像检索系统的方法和检索图像的步骤.该模型在图像检索中可同时满足基于图像内容的检索方式和基于图像语义的检索方式.实验结果表明,该方法比基于SIFT(Scale Invariant Feature Transform)特征向量的图像检索方法具有更好的性能.     

基于语义网络的古建筑图像数据库的查询策略

研究古建筑图像数据库的基于语义网络的查询策略,提出语义网络的初始构建方法,给出了语义网络的训练、低层特征的图像信息的查询,实现了一个简单的查询系统.     

运动图像目标提取方法

简述自底向上的运动图像目标提取方法，分析其中基于有向图的区域合并算法及在实际问题中的应用。     

机场目标检索在雷达景象匹配数据库中的应用

采用基于内容的图像检索方法，对雷达景象匹配数据库中的图像数据进行兴趣目标的查询检索与识别．由于雷达图像具有受斑点噪音影响明显等特点，故综合运用迭代阈值选取以及区域生长的方法，进行兴趣目标（主要是机场）的分离；由于匹配数据库中图像数据范围比较大，包含目标多，为了在检索过程中确定检索目标在图像中的位置，预处理时，采用对同一图像多幅子图进行特征提取的方法，最终在检索时通过子图范围来确定目标在大幅图像上的位置．由实验分析，证明在机场目标的检索识别中，这一方法是可行的．     

实时语义图像分割模型研究

为了实现快速语义图像分割,提出一种简化整合模型.首先,对频域视觉注意模型PQFT的四元数图像虚部系数进行简化改进.然后,将改进PQFT模型的显著图与简化PCNN的内部活动项结合起来对显著目标区域进行粗略定位,并以提出的显著目标区域均值的3/2倍进行精细分割.最后,根据尺寸变化与否准则判断输出正确的语义图像分割结果.实验结果表明,提出的整合模型具有实时性,且取得的AUC值和F值较原PQFT模型分别提高了29.9%和44.2%.     

一种基于自学习的动态语义网络的图像检索方法

基于关键字和基于内容的图像检索是图像检索系统中的两种重要方法.而当今,图像检索系统重点强调在图像检索过程中,高层语义与低层视觉特征的结合.最近,一些研究者在检索周期中采用用户互交,使用上述方法和半自动图像检索的结合,取得了一些成果,但没有自学习的动态语义功能,检索效率不高.论文给出的方法是基于一个分层的语义网络,在图像检索领域能够响应不能的需求,并且根据用户的反馈,执行一个新的动态学习检索过程,可以明显的提高图像检索效率.     

图像语义结构信息的理论分析

严格地导出了图像结构信息的表达式,定义了一个由结构参数组成的结构空间T,并用心理测度函数的变换函数族把图像从结构空间T映射到结构信息空间,反映人从图像结构中所接收到的结构信息。还用函数来表达人对某个结构参数刺激的特殊响应。最后指出分析图像结构后可以得出结构信息,而图像人对图像结构了解越清楚,则人所得的结构信息就越大,从而人对图像的结构语义的判断就越正确。     

基于Matlab的图像曲线数据提取方法

对于文献中图的曲线数据的提取,提出一种通过采集像素点来识别曲线坐标的方法,并通过Matlab软件实现.首先用滤波器去除图片噪声,并确定用于灰度图转化为二值黑白图的阈值,然后通过搜索坐标框在灰度矩阵中的位置来确定真实坐标与灰度矩阵坐标的比例因子,最后获取曲线各像素点在灰度矩阵的坐标,并乘以比例因子得到曲线各点的坐标值.对曲线图像进行处理的结果表明,这种方法提取的数据准确,相对误差在-0.7%～+1.2%范围内,精度取决于原图像像素点的数目.