王丹_学术规范与学术论文写作.docVIP

四川师范大学 科学硕士（教育硕士）研究生学期作业（论文）专用封面 题目：关基于视觉注意模型的图像检索研究综述 所修课程名称： 学术规范和学术论文写作 修课程时间： 2013 年 9 月至2013 年12 月 完成作业（论文）日期： 2014 年 2 月 任课教师打分： 任课教师评阅意见： 任课教师签名： 年 月 日 基于视觉注意模型的图像检索研究综述 摘要：借鉴心理学中人眼视觉注意力模型，提出了一种新的基于显著区域的图像检索方法。利用局部结合整体的方式，既考虑图像显著区域中稳定所具有的稳定特征，同时充分利用区域间相互位置关系反映图像的整体构成，并结合二者进行检索，从而克服了传统检索中不能解决的图像旋转、平移、亮度变化等缺点。实验表明，利用显著区域进行检索有利于消除图像背景对检索结果的影响，与传统基于全局的检索方法相比，本文提出的方法具有更好的检索性能。 关键词：视觉注意模型；显著区域；图像检索；显著区 前言 随着各种多媒体数字化信息采集设备的普及和互联网（Internet）的高速发展，多媒体信息的数量呈爆炸式增长。每天，各种具有丰富内涵的图像、视频等海量多媒体信息，越来越多地出现在社会大众的日常生活中，并逐渐成为大众信息互通与服务的重要组成部分，常见的有电子商务购物、手机 GPS 导航、卫星图像天气预测、医疗图像诊断等等。如何让用户从海量的图像，视频等多媒体信息中迅速而准确地找到用户所需要的图片己成为近年来多媒体领域的研究热点之一。 基于内容的图像检索（Content Based Image Retrieval，CBIR）属于图像分析研究范畴[1]主要是根据图像的内容特点，提取出特征进行检索。该技术能辅助用户找到与给定例图具有相似内容的图像。CBIR 技术融合了图像处理、图像理解、模式识别等多个学科领域中的一些方法，同时它还从认知科学、生理学、心理学、计算机视觉等领域获得启示，引进新的图像数据表现形式和辅助计算模型，从而产生更有效和可靠的检索性能和结果[2]CBIR 目前已在部分领域获得了一定程度的应用。未来，随着多媒体信息的进一步快速增长以及社会大众对多媒体信息表达、组织、管理、处理、查询和检索需求的进一步增多。CBIR必然拥有更广泛的应用前景。 关于图像检索（CBIR）基本知识 基于内容的图像检索（CBI R）目前是一个非常活跃的研究领域早期的CBI R提取图像的整体特征（如颜色纹理形状等）进行检索，取得了较大的进展[3]。但是，这种基于全局特征的检索方法忽视了图像中人眼真正感兴趣的部分，无法满足人们越来越高的检索要求事实上，人们在观察图像时，引起人类视觉注意的往往是图中一些对人眼有刺激的部分，这些部分往往是人类视觉感兴趣部分，也称显著部分[4]。如图一中方框标示部分往往是人眼最为关注的部分。因此，针对图像中人类视觉感兴趣区域进行检索，将会更加贴近用户检索意图，有助于提高检索性能。 为此，在视觉注意力模型的框架下，提出了一种基于综合多显著区域局部与全局特征相结合的图像检索方法该方法主要包括两方面：首先，为了克服传统基于图像底层特征对于亮度平移尺度等变化敏感的缺点，采用了一种具有良好仿射不变特性的sift特征向量来描述图像中的显著区域；其次，利用图像中显著区域的相对空间布局作为图像结构信息进行检索。实验结果表明，该方法与传统方法相比，具有更加良好的检索效果。 图一 图像中的显著区域 （1）CBIR系统的框架模式： 典型的图像检索系统[5]如图二所示，主要有图像的获取、预处理、特征提取、相似性度量等四个模块。在通常情况下，预处理不是必须的。特征提取时CBIR关键技术之一，它是生成图像特征库的基础。另外特征提的优劣直接影响最终的检索性能高低。通常图像特征分为底层，中层，高层三个层次。建立好特征库后，CBIR另一关键技术是需要结合图像库的特点，选取合适的相似性测度函数。因为相似性测度函数描述了图像间的相似程度，是最后给出最匹配的K个检索结果的判决依据。目前学者研究出的相似性度量方法都有内在的优缺点，在使用过程中应结合具体的特征进行选择。 图二 典型的图像处理系统 基于视觉注意模型的显著区域提取 （1）视觉注意力模型 Itti[6]模型和Stentiford模型是目前较为著名的注意力模。Itti是南加州大学的Itti等人提出的一种自底向上的、基于图像底层特征的图像显著模型，结合颜色( color )、方向( orientation)、亮度( intensity)各维上的关注图，通过分析、融合得到显著区域；Stentiford注意力模型[7]是由伦敦大学的Stentiford提出的，他用注意力图（Visual Atte