基于内容查询的图像数据库数据模型

数据模型是实现基于内容查询的图像数据库的基础.构造了一个按内容检索的面向对象图像数据模型OOIDM(Object-oriented image data model),该模型能够很好地描述图像数据库系统中的图像数据、语义特征、图像特征以及支持空间推理.     

基于图象对象语义模型的图象对象的创建

在按内容检索的图象数据库系统中，图象特征的提取是系统的关键组件之一．文中在图象对象语义模型的基础上，提出了一种通过任务图调度的图象分析策略，并给出了一组相应的算法来进行图象分析．这种方法可以较好地运用计算机视觉的已有成果，并能在不同的应用中，支持图象分析算法的更新和重用．     

SRDM:支持基于内容检索的图象数据库超关系数据模型

数据模型是实现基于内容查询的图象数据库的基础。在这篇论文中,笔者引入了一种按内容进行图象查询的图象数据库数据模型－ＳＲＤＭ（Ｓｕｐｅｒ 　Ｒｅｌａｔｉｏｎｌ　Ｄａｔａ 　Ｍｏｄｅｌ）。该模型将可视特征、空间特征、语义特征等看作超属性,既充分利用了关系数据库的优点,同时又考虑了图象数据的特点,因而能较好地支持基于内容的图象数据库的查询。     

SRDM：支持基于内容检索和图象数据库超关系数据模型

数据模型是实现基于内容查询的图象数据库的基础。在这篇论文中,笔者引入了一种按内容进行图象查询的图象数据库数据模型－ＳＲＤＭ（Ｓｕｐｅｒ Ｒｅｌａｔｉｏｎ Ｄａｔａ Ｍｏｄｅｌ）。该模型将可视特征、语义特征等看作超属性,既充分艇了关系数据库的优点,同时又考虑了图象数据的特点,因而能较好地支持基于内容的图象数据库的查询。     

基于内容的图象检索中的语义处理方法

基于内容的图象检索系统,其目标是最大限度地减小图象简单视觉特征与用户检索丰富语义之间的“语义鸿沟”,因此图象语义处理则成为基于内容的图象检索进一步发展的关键。为了使人们对基于内容的图象检索中的语义处理方法有个概略了解,首先从图象语义模型和图象语义提取方法这两个方面对利用语义进行图象检索的研究状况进行了总结,并将图象语义模型概括为图象语义知识、图象语义层次模型和语义抽取模型等3个主要组成部分;然后将图象语义提取方法分为用户交互、将查询请求作为语义模板、对象及其空间关系、场景和行为语义及情感语义等类别,同时对其中有代表性的方法进行了详细的分析,还指出了其局限性;最后从对象建模和识别、语义抽取规则和用户检索模型3个方面,阐明了实现图象语义处理所面临的问题,并提出了一些初步的解决思路。     

面向对象的图象数据模型

本文按照图象数据的特点,基于构造性类型定义数据库模式,提出了面向对象的图象数据模型,该模型可以对图象实体的结构及其联系进行描述,并支持语义建模的机制,它为图象实体提供了完善的建模能力,本文还讨论了模型中对象操作的形式语义,给出了构造性类型上图象代数运算所具有的形式。     

多媒体系统中基于图象内容检索的特征指标设计

在多媒体系统应用中基于图象内容检索的特征指标设计问题。对图象和视频的基于内容的检索方法晃成功地开发一个多媒体数据库系统的关键,而对图象泊特征指标的提取则是关键中的关键。目前,基于内容检索的多媒体系统应用还外于初始阶段,并于图象特征指标的设计还没有统一的框架。本文应用图形处理学科中提出的多种指标来作为关于图象检索的线索,并提出了一个初步的检索构思。     

一种时态数据形式语言模型

数据模型是数据库技术发展的主线,时态数据模型是时态数据库系统的核心与基础。针对时态数据模型的研究现状,初步探讨了时态数据模型的基本要素,建立了一种形式化时态数据模型;基于形式语言理论和形式语义学的指称语义方法,进一步建立了该时态数据模型的形式语言模型。应用时态数据形式语言模型定义了各类时态完整性约束的形式语义规则,深入分析了时态数据模型内在的时态语义联系,为时态数据模型的研究提供了一个便利、高效的形式化理论框架。     

基于语义的图象检索方法研究综述

对于当前基于内容的图象检索（CBIR）系统来说,在用户的信息需求和千丝万缕诉功能之间存在着重大的差距,要进一步提高现有图象检索系统的能力,需要对图象的内容进行语义描述,对图象的多层语义模型和图象语义的知识表示作了概括性介绍,重点讨论了一些将图象的低层视觉特征映射到图象高怯事义的方法,并指出了利用语义进行图象检索急需解决的一些问题。     

支持基于内容检索的图像数据模型的设计

以面向对象的多媒体数据库系统Jasmine为平台,设计具有基于内容图像检索功能的面向对象数据模型,作为数据库的引擎,实现了一个支持基于内容检索技术的图像数据库系统。     

基于支持向量机的语义图像分类研究

随着多媒体数据库的不断发展,传统的利用关键词进行图像检索已经越来越不能满足图像检索的需要,基于内容的图像检索已成为当前的研究热点。对图像的颜色和纹理特征进行提取,融合图像的颜色和纹理特征作为图像的特征向量,用支持向量机实现图像的低层特征和高级语义间的关联。实验结果表明,多特征的图像检索要比单一的特征检索效果好,在HSV颜色特征的基础上引入灰度共生矩阵纹理特征后可有效提高检索效率,而且采用支持向量机融合多特征可成功用于图像的语义的检索。     

一种图像底层视觉特征到高层语义的映射方法

基于语义内容的图像检索已经成为解决图像底层特征与人类高层语义之间“语义鸿沟”的关键。根据图像语义检索的思想,提出了一种采用支持向量机(Support Machine Vector)实现图像底层视觉特征到高层语义的映射方法,并在此基础上针对特例库实现了图像的语义标注和检索。实验结果表明,该映射方法能较好地表达人的语义,以提高图像的检索效率。     

基于SVR分类的多特征彩色图像检索算法

传统的基于内容图像检索技术对图像领域没有限制,而宽泛的图像领域不仅严重影响了系统检索精度,而且增加了系统查询时间.本文提出一种基于SVR(Support Vector Regression)分类的多特征彩色图像检索新算法,该算法首先提取出图像的颜色、空间和纹理信息并作为图像的特征向量,然后以回归型支持向量机(SVR)为学习机器,对图像库进行分类处理以缩小图像领域范围,最后在较小的领域范围内进行图像检索.实验结果表明,本文算法能够准确和高效地查找出用户所需内容的彩色图像,并且具有较好的查准率和查全率.     

基于深度学习的图像检索系统

基于内容的图像检索系统关键的技术是有效图像特征的获取和相似度匹配策略.在过去,基于内容的图像检索系统主要使用低级的可视化特征,无法得到满意的检索结果,所以尽管在基于内容的图像检索上花费了很大的努力,但是基于内容的图像检索依旧是计算机视觉领域中的一个挑战.在基于内容的图像检索系统中,存在的最大的问题是“语义鸿沟”,即机器从低级的可视化特征得到的相似性和人从高级的语义特征得到的相似性之间的不同.传统的基于内容的图像检索系统,只是在低级的可视化特征上学习图像的特征,无法有效的解决“语义鸿沟”.近些年,深度学习技术的快速发展给我们提供了希望.深度学习源于人工神经网络的研究,深度学习通过组合低级的特征形成更加抽象的高层表示属性类别或者特征,以发现数据的分布规律,这是其他算法无法实现的.受深度学习在计算机视觉、语音识别、自然语言处理、图像与视频分析、多媒体等诸多领域取得巨大成功的启发,本文将深度学习技术用于基于内容的图像检索,以解决基于内容的图像检索系统中的“语义鸿沟”问题.     

基于特征统计量分析的图像检索

研究了基于内容的图像检索系统和技术的若干问题。首先叙述了基于内容的图像检索的系统模型和特点，接着针对颜色、纹理和形状进行了概率特征提取、相似度量等的进一步具体分析讨论。展示了基于以上理论知识的一些实际工作，介绍了基于颜色和纹理检索的改进实验结果。