应用对象语义进行图像检索的新方法

为了降低图像高层语义与低层视觉特征之间的语义差异,本文以对象描述模型为基础,提出利用机器转换模型获取图像高层语义的方法。本方法首先利用图像分割技术对图像进行分割,然后利用机器学习的方法,得到训练样本集中高层语义与分割后低层视觉特征之间的先验概率关系;在查询的过程中,利用得到的先验概率模型计算与高层语义所对应的最大概率视觉低层特征,最后利用该低层特征进行检索,达到缩短高层语义与低层特征之间的语义差异的目的。在一个拥有5000幅图像的图像库上所做的测试结果表明了该方法的有效性和可行性,同时该方法也为解决图像高层语义与视觉低层特征之间语义的矛盾开扩了思路。     

一种新的基于区域的图像相似性计算

为克服基于内容的图像检索(CBIR)技术中低层视觉特征无法准确地描述高层语义的问题,近年来提出的基于区域的图像检索(RBIR)技术是一种行之有效的方法。在基于区域的图像检索中,图像之间的相似性度量是影响检索结果的关键技术之一。本文提出一种新的基于区域的图像相似性的计算方法,该方法首先对图像进行区域分割,然后采用有别于传统距离度量的非线性高斯距离度量方法来计算区域对之间的相似性,实验表明该距离度量具有更好的度量性能。为了更好地接近于人对图像的理解,减小语义鸿沟,本文提出应用模糊集合理论表达区域对之间匹配的不确定性,在此基础上实现图像之间的相似性度量。最后在Corel自然图像库上对本文提出的算法进行了实验,分别与SIMPLIcity系统的IRM和UFM方法进行了比较,结果表明了本文算法的高效性。     

基于Co—Training策略的视频广告文本检测

同普通视频节目相比,视频广告中的文本具有更为复杂的表现形式．为实现这类文本有效的定位,通过将文本检测视为一种特殊纹理的分类问题,提出一种基于改进的Co—training策略的视频广告文本检测方法,采用两种相对独立的纹理描述子,从多视角来强化文本特性描述．另外,针对Co-training协同学习机制中容易引入噪声样本的问题,提出了一种改进的结合Bootstrap思想的Co—training算法,在两个相对独立的特征空间中交互选择典型样本,以达到提高分类器泛化能力的目的．通过实验,本方法在自建的数据库上获得的正确率与查全率相对于其他方法有10％左右的提高．