基于结构化信息的图像内容分析与理解

发布时间：2017-04-09 16:08

  本文关键词：基于结构化信息的图像内容分析与理解，由笔耕文化传播整理发布。

【摘要】：随着社会媒体的兴起,海量的多媒体数据在互联网上涌现。多媒体数据的快速增长给海量媒体数据的分析、理解和检索带来了巨大挑战。挖掘媒体数据内部蕴含的丰富结构信息将有助于揭示数据与数据间的相互关系,从而帮助我们更好的处理海量媒体数据,从容应对这一挑战。在本论文中,我们将进一步对基于结构化信息的图像内容分析和理解技术进行深入研究。为此,我们拟从高中低三个层次入手,围绕图像分析和理解中的四个关键问题:场景中的目标检测、目标物体的聚类、目标物体的语义预测与理解、以及基于目标物体的图像检索和加密来开展工作。我们将首先挖掘高层语义间的结构化信息,主要是指通过挖掘物体的类别、属性等高层语义信息间存在的特定结构来解决图像检索,物体检测等问题。其次是挖掘中层图像间的结构化信息,主要是指探索多张非相关图像间内容上的耦合关系,以期获得更好的图像加密算法。最后是挖掘低层特征间的结构化信息,主要是指在区域标注,显著性检测等问题中加入图像特征间的结构化先验信息来提升相关算法的性能。具体而言,本论文的研究内容和创新点包括:1)在挖掘高层语义结构化信息方面,包括三个工作。第一个工作我们把图像中物体的超类、类别、以及属性信息以分层树形结构来组织,构造一个树形结构的语义单元,并提出了基于结构化支持向量机的预测模型,从而对未知物体的语义信息进行结构化的预测输出,该工作解决了现存语义预测模型信息单一问题,有助于进一步弥补图像检索中的语义鸿沟现象。在此基础上,第二个工作在多个树形结构语义单元之间加入了物体间的空间信息,从而构造一个带叶子的三角形结构来对图像进行描述,并用此结构解决结构化图像检索问题。该工作丰富了当前图像检索的输入形式,有助于进一步实现用户的检索意图。第三个工作我们提出了一种基于物体类别、位置、尺度信息的高阶上下文描述符,该描述符通过融合多个上下文源以及物体间的高阶关系来判断物体检测算法输出的候选物体是否符合图片的上下文信息,从而滤除错误检测,保留正确检测。该描述符首次把多源上下文信息和高阶关系统一到一个理论框架中,有效提升了物体检测的正确率。2)在挖掘中层图像结构化信息方面,我们认为任意两张或多张不相关图像间存在耦合关系,并且是可以相互转换的。为此,我们提出了一种基于耦合字典学习和压缩感知技术的图像重建算法。该算法在保证图像质量的前提下先对两张或多张不相关图像进行编码,之后给定任意一张编码图像,可对另外一张图像进行重建。该算法可用于解决图像加密问题,与传统的加密算法相比,我们提出的解决方法不需要在封面图像中嵌入任何数据,可大大提高传输过程中秘密数据的安全性。3)在挖掘低层特征结构化信息方面,也同样包括三个工作。第一个工作使用张量表示人脸图像,并提出了基于张量分析的鲁棒人脸聚类算法。与传统使用向量表示法相比,张量可以很好的保留人脸图像中的结构化信息。此外,该工作可有效滤除人脸图像中存在的各种噪声,相比传统人脸聚类算法更加的鲁棒。在第二个工作中,我们挖掘区域标注过程中特征点、区域、图像之间存在的树形结构关系,并融合此树形关系进结构化稀疏表示理论框架中,有效的提升了区域标注算法的准确率。第三个工作我们挖掘显著性检测过程中图像间的结构化信息,并结合D-S证据理论提出了结构化的显著性检测算法。所提算法简单,有效,不需要训练过程。可作为后处理步骤提升现有显著性检测算法的性能。在以上这些工作中,基于结构化信息的显著性区域检测算法和基于多源信息的高阶上下文描述符用于解决场景中的目标检测问题;基于张量分析的鲁棒人脸聚类算法用于解决目标物体的聚类问题;基于结构化信息的语义标注和基于树形结构的增广图像描述算法用于解决目标物体的语义预测与理解问题;结构化的图像检索和有意义的图像加密算法则用于解决基于目标物体的图像检索和加密问题。
【关键词】：结构化学习与预测 树形结构 图像加密 图像检索 显著性检测 高层语义 双字典学习 压缩感知 张量分析 人脸聚类
【学位授予单位】：天津大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要4-6
• ABSTRACT6-11
• 第一章 绪论11-21
• 1.1 研究背景与意义11-15
• 1.1.1 研究背景11-14
• 1.1.2 研究意义14-15
• 1.2 本文的主要研究内容与贡献15-18
• 1.3 本文的结构18-21
• 第二章 高层语义间结构化信息研究21-51
• 2.1 基于结构化预测输出的增广图像描述21-32
• 2.1.1 相关工作22-23
• 2.1.2 结构化输出预测模型23-27
• 2.1.3 实验结果及分析27-31
• 2.1.4 小结31-32
• 2.2 基于兴趣区域的结构化图像检索方法32-39
• 2.2.1 结构化图像检索框架32-35
• 2.2.2 实验结果及分析35-39
• 2.2.3 小结39
• 2.3 基于语义、空间和尺度信息的高阶上下文描述符39-50
• 2.3.1 相关工作39-40
• 2.3.2 高阶上下文描述符40-44
• 2.3.3 基于高阶上下文描述符的物体检测44-46
• 2.3.4 实验结果及分析46-49
• 2.3.5 小结49-50
• 2.4 本章小结50-51
• 第三章 中层图像间结构化信息研究51-67
• 3.1 一种无嵌入的新颖图像加密算法51-63
• 3.1.1 相关工作52
• 3.1.2 无嵌入图像加密系统52-56
• 3.1.3 实验结果及分析56-63
• 3.1.4 小结63
• 3.2 本章小结63-67
• 第四章 低层特征间结构化信息研究67-93
• 4.1 基于D-S证据理论的结构化显著性区域检测算法67-73
• 4.1.1 预备知识68-69
• 4.1.2 显著性融合69-71
• 4.1.3 实验结果及分析71-73
• 4.1.4 小结73
• 4.2 基于张量分解的鲁棒人脸聚类算法73-84
• 4.2.1 相关工作74-75
• 4.2.2 人脸聚类框架75-76
• 4.2.3 求解算法76-79
• 4.2.4 实验结果及分析79-83
• 4.2.5 小结83-84
• 4.3 基于分层结构的统一字典学习和区域标注算法84-91
• 4.3.1 相关工作84-85
• 4.3.2 预备知识85-87
• 4.3.3 所提区域标注框架87-89
• 4.3.4 实验结果及分析89-91
• 4.3.5 小结91
• 4.4 本章小结91-93
• 第五章 总结与展望93-95
• 5.1 总结93-94
• 5.2 展望94-95
• 参考文献95-109
• 发表论文和参加科研情况说明109-111
• 致谢111-112

【相似文献】

中国期刊全文数据库 前10条

1 李涛;李延增;孙伟;赵钢;;产品结构化信息树版本管理方法的研究与实现[J];计算机应用研究;2010年10期

2 张洁;肖宏;;针对大型规划型文献的结构化信息分析方法及其应用——以癌症控制规划为例[J];图书情报工作;2008年05期

3 李秋花;王影;;SOA标准与应用——“SOA标准化国际论坛”报道[J];信息技术与标准化;2008年12期

4 赵靖;王侨文;管马周;单传佳;;自动提取布局结构相似网页的结构化信息[J];安徽科技学院学报;2010年06期

5 涂新辉;张红春;周琨峰;何婷婷;;中文维基百科的结构化信息抽取及词语相关度计算方法[J];中文信息学报;2012年03期

6 高英;郭荷清;邹智敏;;提取半结构化信息源中对象间精确语义相似性的方法研究[J];计算机科学;2006年09期

7 李海鹰,周辉,解光军,李动恒,庄镇泉;基于EC-MAS的半结构化信息处理模式研究[J];计算机工程;2001年12期

8 郭文宏;范学峰;;面向Web结构化信息处理的汉语知识库构建研究[J];计算机科学;2009年01期

9 邵X;杨春磊;钱立宾;方帅;;基于模式匹配的结构化信息抽取[J];模式识别与人工智能;2014年08期

10 黄奇,李伟,接晓莉;网络半结构化信息资源的描述[J];图书情报工作;2002年02期

中国重要会议论文全文数据库 前2条

1 曹玮祺;梁华瑞;朱雷;李涓子;王克宏;;基于半结构化信息模型的信息检索[A];第六届全国计算机应用联合学术会议论文集[C];2002年

2 张红春;何婷婷;涂新辉;周琨峰;;中文维基百科的结构化信息抽取及词语相关度计算[A];中国计算语言学研究前沿进展（2009-2011）[C];2011年

中国重要报纸全文数据库 前3条

1 中国社会科学院财经院 院计算机网络中心 荆林波 甄宇鹏;应对大数据时代的挑战[N];中国交通报;2013年

2 卫人;不要让大数据因浮躁而走向歧途[N];中国经济导报;2013年

3 王克宏;基于XML的Web服务技术——强强联合铸造未来[N];计算机世界;2003年

中国博士学位论文全文数据库 前1条

1 韦星星;基于结构化信息的图像内容分析与理解[D];天津大学;2015年

中国硕士学位论文全文数据库 前9条

1 张红春;中文维基百科的结构化信息抽取及词语相关度计算[D];华中师范大学;2011年

2 季成晖;基于半结构化信息的产品推荐系统[D];北京邮电大学;2013年

3 杨春磊;基于模式匹配的结构化信息抽取研究[D];合肥工业大学;2013年

4 王石;基于XML的Web挖掘[D];东北师范大学;2005年

5 赵天宇;微博舆情分析中的网页结构化信息抽取技术研究[D];北京邮电大学;2014年

6 岳国伟;基于本体的Web页面结构化信息抽取[D];山东科技大学;2007年

7 张红蕾;基于结构化信息的人体运动识别[D];西安电子科技大学;2013年

8 刘兵;蛋白质关系抽取中平面特征和结构化信息的研究[D];苏州大学;2011年

9 彭成;面向社会网络的人物关系抽取研究[D];苏州大学;2013年

  本文关键词：基于结构化信息的图像内容分析与理解，由笔耕文化传播整理发布。

，

本文编号：295612