目前,網(wǎng)絡(luò)社區(qū)中,諸如圖片、音視頻等的多媒體數(shù)據(jù)急劇增長。網(wǎng)絡(luò)社區(qū)中多媒體信息的管理對(duì)于信息獲取、數(shù)據(jù)挖掘,以及網(wǎng)絡(luò)交流環(huán)境的管理具有至關(guān)重要的作用。網(wǎng)絡(luò)社區(qū)中的多媒體信息以圖片為主,圖像檢索,不僅能從海量數(shù)據(jù)中快速定位所需要的圖片,而且對(duì)于網(wǎng)絡(luò)社區(qū)的內(nèi)容管理,為營造一個(gè)干凈健康的網(wǎng)絡(luò)社區(qū)具有極大幫助。網(wǎng)絡(luò)社區(qū)圖像具有數(shù)據(jù)量大、內(nèi)容復(fù)雜、檢索需要快速、準(zhǔn)確、全面的特點(diǎn),這使得網(wǎng)絡(luò)社區(qū)圖像檢索具有很大的困難。針對(duì)網(wǎng)絡(luò)社區(qū)中存在的這些困難,本文研究網(wǎng)絡(luò)社區(qū)中對(duì)大規(guī)模圖像的快速高效檢索,主要包括圖像特征提取、特征聚合和快速準(zhǔn)確檢索。為了解決網(wǎng)絡(luò)社區(qū)中圖像輿情的多樣性,致使圖像內(nèi)容較為豐富和復(fù)雜,對(duì)多種特征提取方法進(jìn)行分析比較。并選擇局部特征——SIFT作為圖像內(nèi)容表達(dá),提取SIFT描述符之后,使用向量表示圖片的內(nèi)容特征。為了對(duì)圖像的局部特征聚合為統(tǒng)一維度的向量,方便建立索引和查找,選擇了局部聚合描述向量(Vectors of Locally Aggregated Descriptors,VLAD)對(duì)原始特征進(jìn)行編碼。為了實(shí)現(xiàn)大規(guī)模圖像的快速檢索、在存儲(chǔ)空間和檢索速度之間達(dá)到較好的平衡,選取了...

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－２?ＣＢＩＲ系統(tǒng)結(jié)構(gòu)圖??２．２圖像特征提取??

然后提取圖像的特征，使用特征編碼算法對(duì)特征進(jìn)行編碼。編碼完成??之后。根據(jù)索引計(jì)算查詢圖像與相關(guān)圖像的相似度，按照距離降序返回結(jié)果。??基于內(nèi)容的圖像檢索系統(tǒng)檢索流程如圖２－１所示。??（數(shù)據(jù)庫圍像?）?（ｇｉ旬圖像?）??ｔｓｓｉｓｉ?Ｉ?ｒａｓｈｔｉ???Ｉ???Ｉ???提取....

圖２－３高斯金字塔??使用高斯差分（Ｄｉｆｆｅｒｅｎｃｅ?ｏｆ?Ｇａｕｓｓｉａｎ）尺度空間（ＤＯＧ?ｓｃａｌｅ－ｓｐａｃｅ）可以??

Ｇａｕｓｓｉａｎ?Ｇａｕｓｓｉａｎ?（ＤＯＧ）??圖２－４?ＤＯＧ高斯差分金字塔??２．關(guān)鍵點(diǎn)精確定位??當(dāng)一個(gè)像素點(diǎn)的值大于或小于與它所有的相鄰點(diǎn)時(shí)，為極值點(diǎn)。關(guān)鍵點(diǎn)是尺??度空間中的極值點(diǎn)，為了找出這些點(diǎn)，對(duì)該點(diǎn)和它相鄰的所有點(diǎn)比較值。比較范??圍包括同一組的上下鄰層及本層的....

圖２－４?ＤＯＧ高斯差分金字塔??２．關(guān)鍵點(diǎn)精確定位??

?：?／??圖２－３高斯金字塔??使用高斯差分（Ｄｉｆｆｅｒｅｎｃｅ?ｏｆ?Ｇａｕｓｓｉａｎ）尺度空間（ＤＯＧ?ｓｃａｌｅ－ｓｐａｃｅ）可以??使檢測(cè)到的關(guān)鍵點(diǎn)更加穩(wěn)定和有效，建立高斯差分金字塔，其中，每幅圖片為??每組的上下相鄰圖片相減獲得，這樣可以使得檢測(cè)到的點(diǎn)更加穩(wěn)健。其中....

圖２－５?ＤＯＧ空間極值檢測(cè)??上述檢測(cè)到的關(guān)鍵點(diǎn)還需要進(jìn)行過濾，去除對(duì)比度較低的關(guān)鍵點(diǎn)，并確定??

?：?／??圖２－３高斯金字塔??使用高斯差分（Ｄｉｆｆｅｒｅｎｃｅ?ｏｆ?Ｇａｕｓｓｉａｎ）尺度空間（ＤＯＧ?ｓｃａｌｅ－ｓｐａｃｅ）可以??使檢測(cè)到的關(guān)鍵點(diǎn)更加穩(wěn)定和有效，建立高斯差分金字塔，其中，每幅圖片為??每組的上下相鄰圖片相減獲得，這樣可以使得檢測(cè)到的點(diǎn)更加穩(wěn)健。其中....

本文編號(hào)：3979216