大规模图像集中的代表性图像选取

作     者：朱俊俊 

作者单位：合肥工业大学 

学位级别：硕士

导师姓名：齐美彬

授予年度：2013年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：代表性图像 语义主题 互近邻一致性 AP聚类 图像簇排名 

摘      要：代表性图像选取是一种从网络相册集中选取最具代表性或最典型的图像摘要技术。它可以根据用户输入的查询关键词，返回与其相关的包含多种语义主题的图像集合，以供用户快速浏览、获取该查询的相关信息。近年来，代表性图像选取技术的应用领域越来越广泛，成为图像处理和分析、模式识别、人工智能等众多领域中的研究热点。本文的主要工作和创新点如下： 1.概述了现有图像摘要方法的各个步骤，包括图像特征提取、基于特征的图像聚类、图像簇排名和选取代表性图像，并分析了现有方法的一些不足之处。 2.针对传统图像检索系统通过关键字搜索图像时缺乏语义主题多样性的问题，提出了一种基于互近邻一致性和AP聚类的代表性图像选取算法。针对每个查询选取与其相关的包含不同语义主题的图像集。首先利用互近邻一致性调整图像间的相似度，然后利用AP聚类方法将图像集分为若干簇，对这些图像簇进行排名选出质量较高的簇，并从中选取中心图像作为代表性图像。实验表明该方法在查准率和查全率方面的性能超过基于K-means的方法和基于Greedy K-means的方法，选取的图像能直观有效地概括源图像集的内容,并且实现了语义上的多样化。 3.针对代表性图像选取过程中不同特征的权值分配问题，提出了一种基于粒子群优化算法的自适应权值分配方法。将各个特征的权值分配问题转化为目标函数的优化问题，即将聚类结果的总质量Q作为目标函数，并采用粒子群优化算法对其进行优化，实现根据图像集自身的特性来分配各个特征的权重,从而更加有效的表示相似度量。实验表明该方法性能超过基于K-means的方法和基于Greedy K-means的方法，与基于KMNC-AP的方法相比，节省了大量的人力和时间。