圖像語義底層特征提取研究.pdf

1、人們對(duì)圖像的認(rèn)識(shí)是利用自己的先驗(yàn)知識(shí)來推理圖像語義的過程，這樣很容易產(chǎn)生圖像的底層視覺特征與高層語義之間的“語義鴻溝”。如何從反映圖像內(nèi)容的低層視覺特征中提取出隱含的、預(yù)先未知的高層語義，來彌補(bǔ)這種“語義鴻溝”問題，是極為重要的工作。當(dāng)前圖像語義提取過程仍離不開圖像的低層特征，往往是通過構(gòu)造從低層特征到高層語義之間的映射來實(shí)現(xiàn)語義特征的提取。
　　 本文將粗糙集理論引入到圖像的語義底層特征提取中，并通過支持向量機(jī)(SVM)對(duì)最終

2、選取的有效底層特征集進(jìn)行了驗(yàn)證。
　　 在圖像底層特征語義提取研究中，常常因存在著過多特征而產(chǎn)生很多的冗余，而且有時(shí)會(huì)把有用的主要分類特征淹沒在大量無用特征之中，造成所謂“特征維數(shù)災(zāi)難”。因此如何對(duì)底層特征進(jìn)行準(zhǔn)確的描述，剔除不良特征，是圖像語義提取工作中面臨的另一個(gè)問題。例如針對(duì)自然景觀類圖片能否快速有效地找出一組最有效特征來取代原有的特征表示方法，是圖像識(shí)別中一個(gè)至關(guān)重要的問題。在現(xiàn)有的圖像語義底層特征提取研究中，主要抽取如

3、顏色、紋理、形狀或者它們的組合特征等信息來表征圖像的語義內(nèi)容。這些特征可以獨(dú)立、客觀地直接從圖像中獲得信息。典型的特征提取法窮舉法、分支定界法、遺傳算法、主成分分析法等主流算法，但是這些方法都沒有把知識(shí)系統(tǒng)與分類緊密的聯(lián)系在一起，不能夠發(fā)現(xiàn)和推理各個(gè)數(shù)據(jù)特征間的關(guān)系，也不能用條件屬性和與之對(duì)應(yīng)的屬性值來描述集合中元素的附加信息，因此難以發(fā)現(xiàn)抽象對(duì)象中的分類能力，揭示出彼此規(guī)律。
　　 本文首先分析了有關(guān)語義層次的模型，并且介紹了

4、提取圖像語義的一些常用方法。在單獨(dú)分析了圖像的顏色、紋理、形狀等特征的基礎(chǔ)上，將粗糙集引入到有效底層特征集的選取中。本文重點(diǎn)研究了粗糙集理論的約簡(jiǎn)算法在圖像語義提取中的應(yīng)用。通過結(jié)合粗糙集理論的約簡(jiǎn)算法，把知識(shí)約簡(jiǎn)的思想應(yīng)用到圖像語義特征提取中。決策表表示一種特殊而且重要的知識(shí)表達(dá)系統(tǒng)，通過構(gòu)建決策表，在分類不受影響的前提下對(duì)屬性進(jìn)行約簡(jiǎn)，可以有效的降低SVM訓(xùn)練樣本的維數(shù)。最后，在約簡(jiǎn)的基礎(chǔ)上，利用優(yōu)化算法通過對(duì)SVM進(jìn)行核參數(shù)的優(yōu)化