网络图像搜索中的图像摘要技术研究
时间:2017-05-03 22:00 来源:毕业论文 作者:毕业论文 点击:次
| 摘要本论文针对网络图像搜索中的图像摘要技术，提出了一种基于五种底层图像特征提取以及AP聚类算法的图像摘要选取方法。首先将提取的五种底层图像特征进行特征融合，并计算出图像集的相似度矩阵，然后将相似度矩阵作为AP聚类算法的输入进行聚类运算，最后在聚类结果中，选择特征向量与该类平均特征向量最接近的图像作为图像范例。通过实验表明，该方法所选取的图像范例可以直观有效地反应图像集的内容概要，并且让用户在大量图像中可以快速准确地找到所需要的图像。8121 关键字 图像摘要 图像检索 图像特征值提取 AP聚类算法 相似度 毕业设计说明书（论文）中文摘要 Title Image Summarization for Online Image Retrieval Abstract Image summarization is a critical step in the interactive image retrieval.This paper introduces a novel approach based on five low-level features and AP clustering.Firstly,five low-level features extracted from images fuse together and we calculate the image similarity.Secondly,we cluster the images into different categories by AP clustering.Finally in a category of clustering result, we select the image whose characteristic vector most close the average characteristic vector as a examplar.The experiments show that the image summarization selected by the above method can give a good global overview of image collections and improve the performance of retrieval. Keywords image summarization，image retrieval，feature extraction，AP clustering，similarity. 目 次 1 绪论 1 1.1 研究背景 1 1.2 研究内容 1 1.3 论文结构 2 2 理论和方法 4 2.1 图像特征的提取 4 2.2 图像相似度的计算方法 8 2.3 AP聚类算法 9 2.4 图像范例的选择 11 2.5 图像摘要的流程及图像检索步骤 12 3 具体实现的代码 15 3.1 MATLAB编程环境简介 15 3.2 基于AP聚类算法的实现 15 3.3 基于K-means聚类算法的实现 20 4 实验结果 22 4.1 基于AP聚类算法的实验结 22 4.2 AP聚类算法与K-means聚类算法实验结果的对比 24 5 展望 26 结论 27 致谢 28 参考文献 29 1 绪论 1.1 研究背景 随着计算机网络的普及和发展，数字图像越来越广泛的传播，渐渐地人们需求的信息不仅有文字，还有大量的图像资源，图像共享网站(如Flickr等)的出现，更能说明图像资源的重要性。通过网络，人们接触的图像数目迅猛增长，给图像检索研究带来了新的机遇和挑战。 现今，许多网站（如Google，百度等）的搜索引擎，都是采用基于上下文本的图像搜索技术，它是将用户输入的关键字进行扫描，与图像的标签数据库进行精确或概率匹配。但是这种搜索方法得到的结果是大量的图片，而用户浏览大量图片很耗时间，也不能快速地、准确地找到自己想要的图片。如何快速地准确地从大量的图像中搜索到用户所需的图像，已经成为人们广泛关注的问题。 1.2 研究内容 本文的主要研究目的就是将含有大量图片的查询结果进行处理，使用户可以更加方便、快速地浏览查询结果。基于图像摘要的交互式图像检索是一种新的大规模图像的检索方法，让图像检索结果更加清晰明了，可以引导用户更加快速地浏览和查询检索结果。图像摘要(image summarizing)技术，就是将大型图像集进行聚类，并在每一类中选取有代表性的图像作为该类的代表。为了实现该技术，主要需要解决以下问题：（1）图像集聚类的依据是什么？（2）用什么方法将图像集进行聚类？（3）怎样选取每一类的代表性图像？ (责任编辑：qin) |