圖像自動標注算法研究及其應用.pdf

1、由于數字圖像信息的直觀性、形象性以及生動性使其在多個領域得到廣泛的應用，例如：教育、商業(yè)、新聞傳播以及醫(yī)學等。而近年來隨著在互聯網的迅猛發(fā)展和計算機硬件的升級，數字多媒體圖像出現了爆炸式的增長，人類擁有了前所未有的、海量的、數以億計的圖像資源。數字圖像信息的海量化給人類帶來便利的同時也帶來了問題，即：如何準確、高效地從數以億計的圖像資源中檢索出用戶所需要的數字圖像信息。因此，圖像檢索成為了數字圖像信息研究的一大難題，并且困擾了多媒體領域

2、研究多年。
　　對于當前圖像自動標注的最常用的一類模型——生成模型，本文結合生成模型自動標注框架，對自動標注中可能造成速度變慢的方面進行的研究。傳統的生成模型，分為圖像表示，文本表示和建立圖像-文本主題三個方面，即將一副圖像用文本矩陣和底層特征進行表示，再將這兩種表示方式適用一定方法進行關聯，生成出一個主題，并利用這個主題對后來的圖像進行分類標注。
　　本文針對傳統局部特征提取算法在提取特征點時效率不高，生成描述子需要計算主

3、方向等問題，本文結合經典SURF算法和RGT（Radial Gradient Transform），在精度損失盡可能小的情況下提高局部不變特征提取速度，提出了一種改進的AR-SURF（加速徑向 SURF）算法。該方法在特征檢測階段，在定位特征點時減少構造尺度空間時所計算的響應層個數，將求取對應點響應放在定位階段。在特征描述階段，取消確定主方向的過程，將特征點周圍區(qū)域的Haar小波響應進行RGT變換，然后將特征點周圍區(qū)域劃分為多個同心圓，

4、并統計特征點周圍圓形區(qū)域內的響應結果，最后利用小波響應結果得到旋轉不變的特征描述子。實驗結果表明，AR-SURF算法節(jié)省了時空損耗，提升了定位速度，提取效果更好。AR-SURF算法在實時性要求高或者需要海量圖像處理的情況下較SURF算法更加合適。
　　在文本表示和建立圖像-文本關聯主題的過程中，選用精度和速度都表現優(yōu)異的LSA算法（Latent semantic analysis）和CCA（Canonical correlatio