基于卷积神经网络和空间金字塔匹配的图像排序

发布时间：2017-03-23 02:07

  本文关键词：基于卷积神经网络和空间金字塔匹配的图像排序，由笔耕文化传播整理发布。

【摘要】：互联网技术的发展和电子设备的广泛应用,使得图像的数量随之呈指数增长。从海量的图像中迅速并且准确地找到用户所需要的图像,显得越来越重要。长期以来,受文本检索的影响,大部分解决这个问题的技术重点关注于图像的标注,根据关键字匹配图像的标注词来检索图像,即基于文本的图像检索。随着图像数量的爆炸式增长,这种方法的局限性也日益明显。人工标注图像的工作量随着图像数量的增长而增加,并且人为标注会受个人主观因素的影响,进而造成检索结果的不精确性。基于文本的图像检索已经越来越不能满足人们的需求,因此,人们提出了基于内容的图像检索。其思路是首先通过提取的图像特征来表征图像,进而用该特征计算图像之间的相似性。由于自然环境中的颜色、光照、阴影等因素以及人的拍照角度等都会对图像外观产生影响,为了精确表征一幅图像,人们设计了各种各样的考虑不同影响因素的特征提取算法。但是,这些人为设计的特征表征图像的能力有限,效果也不尽如人意。学习算法的提出,使得人们开始关注如何从原始图像中直接学习出图像的特征。深度学习中的卷积神经网络由于其强大的特征提取能力,在图像分类等问题中取得了很大的成功。本文主要研究如何将卷积神经网络应用到图像检索领域,提出了一种基于卷积神经网络和空间金字塔匹配的图像排序算法,该算法通过比较图像块之间的相似性,并且结合图像块之间的空间位置信息,来衡量图像之间的相似性。首先训练了一个基于卷积神经网络的衡量图像块之间相似性的模型,然后利用该模型,对一幅图像中的所有图像块分别提取特征,得到图像的特征集合。最后,对两幅图像的特征集合间进行匹配度的计算,来衡量这两幅图像之间的相似性。本文采用快速最近邻查找算法来寻找匹配的特征,保证了查找的精度和效率。为了充分考虑匹配图像块的空间位置对衡量两幅图像之间相似度的影响,本文设计了一种类似于空间金字塔匹配的算法,来把匹配图像块的空间位置结合到最终的相似度度量中。实验结果表明,与深度分类模型和深度排序模型相比,本文方法取得了更高的正确率,具有一定的研究和应用价值。
【关键词】：图像检索 图像匹配 特征提取 卷积神经网络 空间金字塔匹配
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP183
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-15
• 1.1 研究背景与意义9-11
• 1.2 国内外研究现状11-13
• 1.3 本文主要研究内容13
• 1.4 论文的组织结构13-14
• 1.5 本章小结14-15
• 第2章 相关技术介绍15-27
• 2.1 引言15
• 2.2 卷积神经网络15-19
• 2.2.1 基本概述15-16
• 2.2.2 卷积神经网络结构16-19
• 2.3 快速最近邻查找算法19-22
• 2.3.1 Kd树19-21
• 2.3.2 Kd树的查找21-22
• 2.4 空间金字塔匹配算法22-25
• 2.4.1 空间金字塔匹配方法概述22-23
• 2.4.2 空间金字塔匹配算法23-25
• 2.5 本章小结25-27
• 第3章 基于卷积神经网络和空间金字塔匹配的图像排序算法27-35
• 3.1 引言27-28
• 3.2 用于相似性比较的模型28-30
• 3.3 匹配算法的原理与匹配过程30-34
• 3.4 本章小结34-35
• 第4章 算法实现与结果35-41
• 4.1 算法的实现35-36
• 4.2 实验结果和对比36-39
• 4.2.1 保留率的选取36-37
• 4.2.2 匹配结果的对比37-39
• 4.3 本章小结39-41
• 结论41-43
• 参考文献43-47
• 攻读硕士学位期间所发表的学术论文47-49
• 致谢49-50

  本文关键词：基于卷积神经网络和空间金字塔匹配的图像排序，，由笔耕文化传播整理发布。

本文编号：262679