基于语义测度的图像相似性计算研究

针对图像检索中的低层视觉特征相似性度量问题,提出一种基于语义测度的图像相似性计算方法。该方法在图像区域分割的基础上,通过构建图像区域子块与语义元数据之间的统计映射关系,实现图像内容的统计语义描述,建立图像之间、图像与语义类别、语义类别之间的分层语义相似测度。通过对自然图像库的实验结果表明,该方法在相似图像检索中具有更好的性能。     

一个基于语义的图像检索系统:VisEngine

介绍了一个基于语义的图像检索系统——VisEngine,该系统采用基于图像主要区域的图像分割方法,分别提取图像前景、背景和全局的视觉和抽象语义内容,构造相应的语义模板。接着把这些特征导入到一个面向对象的中间信息结构中,在此基础上进行多种方式的相似性匹配和检索。系统支持多种查询方式,用户交互界面自然友好。实验表明,VisEngine系统能有效地提高首次用户查询的正确性。     

中国古代小说图像的语义获取方法

针对中国古代小说图像的特性,提出了一种利用人工神经网络获取图像语义的方法。利用人工神经网络在图像的纹理、形状等低层视觉特征和高层语义特征间建立映射关系,利用改进的遗传算法确定人工神经网络的参数和权值,利用训练后的人工神经网络获取图像的语义。实验结果表明,所提出的方法具有理想的图像语义获取效果,能充分反映人对图像内容的理解,具有很好的应用价值。     

基于显著性语义区域加权的图像检索算法

针对计算视觉领域图像实例检索的问题，提出了一种基于深度卷积特征显著性引导的语义区域加权聚合方法。首先提取深度卷积网络全卷积层后的张量作为深度特征，并利用逆文档频率（IDF）方法加权深度特征得到特征显著图；然后将其作为约束，引导深度特征通道重要性排序以提取不同特殊语义区域深度特征，排除背景和噪声信息的干扰；最后使用全局平均池化进行特征聚合，并利用主成分分析（PCA）降维白化得到图像的全局特征表示，以进行距离度量检索。实验结果表明，所提算法提取的图像特征向量语义信息更丰富、辨识力更强，在四个标准的数据库上与当前主流算法相比准确率更高，鲁棒性更好。     

基于Bayes算法实现图像语义分类

介绍了根据图像的逻辑特征和抽象属性进行检索的基于语义分类的图像检索技术,并用Bayes分类算法设计了一个语义分类器,该语义分类器通过计算用户要查询图像的后验概率,对被查询的图像进行语义分类。     

基于语义的图像检索技术研究

本文从图像语义模型、图像语义的描述方法、图像语义的提取方法三方面介绍基于语义的图像检索技术的发展动态,并根据研究现状,进一步分析如何有效地解决“语义鸿沟”问题。     

基于LSI的图像语义检索

图像语义检索是实现图像快速、直观、准确查询的有效办法,针对目前直接采用图像低层特征无法满足图像语义查询的问题,该文提出了一种利用LSI技术,实现图像语义的检索方法。     

低级特征和语义特征相结合的医学图像检索方法

提出了一种将图像本身的低级特征和语义特征描述相结合的医学图像检索方法。首先提取图像的灰度特征、矩特征和纹理特征，进一步采用遗传算法进行最优特征的选择，由于这些低层特征对图像的描述与人类对图像的描述存在较大差异，直接利用这些特征作为检索依据常得不到满意的结果，因此需要进一步提取语义特征，将影像报告中医生给出的关于图像的描述作为语义内容进行相似性检索。实验结果表明，综合低级特征和语义特征的检索比仅利用低级特征的检索更接近于人的视觉理解。     

基于深度卷积神经网络的图像检索算法研究

为解决卷积神经网络在提取图像特征时所造成的特征信息损失,提高图像检索的准确率,提出了一种基于改进卷积神经网络LeNet-L的图像检索算法。首先,改进LeNet-5卷积神经网络结构,增加网络结构深度。然后,对深度卷积神经网络模型LeNet-L进行预训练,得到训练好的网络模型,进而提取出图像高层语义特征。最后,通过距离函数比较待检图像与图像库的相似度,得出相似图像。在Corel数据集上,与原模型以及传统的SVM主动学习图像检索方法相比,该图像检索方法有较高的准确性。经实验结果表明,改进后的卷积神经网络具有更好的检索效果。     

粗神经网络及其在图像融合中的应用研究

粗集理论能够优选数据,但容错性与推广能力比较弱;而神经网络具有较强的自组织、容错以及推理能力,却不能优选数据。把这两种理论结合起来,使之发挥各自优势,然后把它们用于图像融合之中,并提出了一种基于粗神经网络的图像融合方法,该方法使用遗传算法作为神经网络的训练算法。通过仿真实验表明,在对融合来自同一景物的多幅带噪声图像的应用中,该方法取得了很好的效果。     

基于个性化本体的图像语义标注和检索

针对目前图像检索系统较难实现语义检索的问题,提出了一种新的以本体为核心的图像语义标注和检索模型。构建个性化本体描述图像语义,继而提取基于概念集的图像语义特征并利用本体中“Is-A”关系设计相似性度量方法最终实现语义扩展检索。其难点在于顶级本体向个性化本体进化,以及基于概念集和“Is-A”关系实现语义相似度量的方法。通过系统的初步实现与相关实验的验证,该模型的检索准确度可达88.6%,明显高于传统的基于关键字和基于通用本体的图像检索,实现了图像智能检索功能。     

代数神经网络电阻层析成像图像重建算法

两相流体具有复杂性的流动特性,图像重建的精度是两相流参数准确测量的基础。针对电阻层析成像系统存在的软场特性、强非线性和不适定性,使得重建的图像质量差、计算时间长等问题,基于代数运算的神经网络,给出了一种基于代数神经网络电阻层析成像图像重建算法。该算法通过建立代数神经网络,以测量的边界电压值作为神经网络的输入,将图像重建转变为一个严格对角占优的线性方程组的求解问题,以达到图像快速、准确的重建目的。通过实验仿真分析,该方法具有收敛速度快、代价低和误差小等特点。     

A neural network construction algorithm with application to image compression

We propose an algorithm for constructing a feedforward neural network with a single hidden layer. This algorithm is applied to image compression and it is shown to give satisfactory results. The neural network construction algorithm begins with a simple network topology containing a single unit in the hidden layer. An optimal set of weights for this network is obtained by applying a variant of the quasi-Newton method for unconstrained optimisation. If this set of weights does not give a network with the desired accuracy then one more unit is added to the hidden layer and the network is retrained. This process is repeated until the desired network is obtained. We show that each addition of the hidden unit to the network is guaranteed to increase the signal to noise ratio of the compressed image.     

递归式多阶特征融合图像超分辨率算法

目的 近年来,卷积神经网络在解决图像超分辨率的问题上取得了巨大成功,不同结构的网络模型相继被提出。通过学习,这些网络模型对输入图像的特征进行抽象、组合,进而建立了从低分辨率的输入图像到高分辨率的目标图像的有效非线性映射。在该过程中,无论是图像的低阶像素级特征,还是高阶各层抽象特征,都对像素间相关性的挖掘起了重要作用,影响着目标高分辨图像的性能。而目前典型的超分辨率网络模型,如SRCNN（super-resolution convolutional neural network）、VDSR（very deep convolutional networks for super-resolution）、LapSRN（Laplacian pyramid super-resolution networks）等,都未充分利用这些多层次的特征。方法 提出一种充分融合网络多阶特征的图像超分辨率算法：该模型基于递归神经网络,由相同的单元串联构成,单元间参数共享;在每个单元内部,从低阶到高阶的逐级特征被级联、融合,以获得更丰富的信息来强化网络的学习能力;在训练中,采用基于残差的策略,单元内使用局部残差学习,整体网络使用全局残差学习,以加快训练速度。结果 所提出的网络模型在通用4个测试集上,针对分辨率放大2倍、3倍、4倍的情况,与深层超分辨率网络VDSR相比,平均分别能够获得0.24 dB、0.23 dB、0.19 dB的增益。结论 实验结果表明,所提出的递归式多阶特征融合图像超分辨率算法,有效提升了性能,特别是在细节非常丰富的Urban100数据集上,该算法对细节的处理效果尤为明显,图像的客观质量与主观质量都得到显著改善。     

基于密集神经网络的灰度图像着色算法

针对在灰度图像着色领域中，传统算法信息提取率不高、着色效果不理想的问题，提出了基于密集神经网络的灰度图像着色算法，以实现改善着色效果，让人眼更好地观察图片信息的目的。利用密集神经网络的信息提取高效性，构建并训练了一个端到端的深度学习模型，对图像中的各类信息及特征进行提取。训练网络时与原图像进行对比，以逐渐减小网络输出结果的信息、分类等各类型的损失。训练完成后，只需向网络输入一张灰度图片，即可生成一张颜色饱满、鲜明逼真的彩色图片。实验结果表明，引入密集网络后，可有效改善着色过程中的漏色、细节信息损失、对比度低等问题，所提算法着色效果较基于VGG网络及U-Net、双流网络结构、残差网络（ResNet）等性能优异的先进着色算法而言取得了显著的改进。     

Pi-sigma神经网络混合学习算法及收敛性分析

将一种解决函数优化问题的混合遗传算法用于Pi-sigma神经网络的训练。这种混合算法充分利用遗传算法算法的全局搜索能力,又利用了单纯型法的局部搜索能力,因此该混合遗传算法可以使Pi-sigma神经网络更快的收敛到全局最优解,而且收敛速度比遗传算法更快。实验证明了这种算法的优越性。最后还证明了该算法可以以概率1收敛到全局最优解。     

自适应遗传算法优化神经网络的入侵检测研究

入侵检测是一种动态的安全防护技术,能够对网络内部、外部攻击进行防御.基于神经网络的入侵检测是常见的智能入侵检测方法.针对神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,提出了一种将神经网络和遗传算法相结合,用遗传算法优化神经网络权值,在遗传算法优化神经网络时采用自适应遗传操作.将自适应遗传算法优化神经网络算法应用于入侵检测系统中,实验结果表明,该方法能够有效的提高系统的检测率,降低误报率和漏报率.     

卫星云图的遗传神经网络集合预测模型研究

针对目前缺乏卫星云图非线性预测技术理论方法问题,采用类似于数值预报模式的集合预报方法,构建了一种遗传神经网络的卫星云图非线性滚动预测模型。通过对每间隔3小时的红外卫星云图样本序列作自然正交展开,将提取出的时间系数作为云图预报建模的预报分量。考虑降水云系的发展变化,主要是受到云团环境物理量场的影响,利用数值预报模式的物理量预报产品作为各预报分量的预报因子,并采用系统降维计算处理方法,分别建立相应的时间系数遗传神经网络集合预报模型。将预报得出的各时间系数与空间向量合成,得出未来时刻的卫星云图预报图。预报试验结果表明,这种非线性预报模型可以较好地预报未来20~30小时的强降水云团发展、移动的主要特征和变化趋势。实况云图与预测云图的平均相关系数达到0.78。     

结合相关反馈日志与语义网络的图像标注

连接高层语义和低层视觉特征的图像语义标注技术能够很好地表示图像的语义,提出并实现了一种结合相关反馈日志与语义网络的图像标注方法。该方法以收集的用户相关反馈日志为基础获得图像的语义信息,通过计算图像间的语义相似度进行语义聚类并采用语义传播的方式实现图像的语义标注。实验结果表明,随着相关反馈日志库的不断扩充,图像库中越来越多的图像会在反馈的过程中得到标注且标注的准确率会随着反馈次数的增加而趋于稳定。