《運用排序和相似度學習進行基於區域的圖像檢索研究》是依託南昌大學，由黃偉擔任項目負責人的地區科學基金項目。
基本介紹
- 中文名：運用排序和相似度學習進行基於區域的圖像檢索研究
- 項目類別：地區科學基金項目
- 項目負責人：黃偉
- 依託單位：南昌大學
項目摘要,結題摘要,
項目摘要
基於區域的圖像檢索是繼基於文字的圖像檢索和基於內容的圖像檢索之後，近年來國內外圖像檢索研究領域的最新發展趨勢。本項目擬提出基於排序和相似度學習思想進行基於區域的圖像檢索的新方法。本項目擬著重研究兩類問題：1）針對現行基於區域的圖像檢索工作中使用的圖像分割算法或需要大量人為調參所帶來不便(常見於基於輪廓的分割方法中)，或運用經典模式識別學習方法進行自動調參所造成的基於訓練圖像學習的參數不符合測試圖像特性等問題（常見於基於區域的分割方法中），擬提出在待分割圖像中運用像素間相似度函式自學習完成圖像分割任務的新思想和新方法；2）區別於傳統的基於聚類、分類模型進行圖像檢索的方式，擬提出運用排序和排序學習進行基於區域的圖像檢索的新模型和新方法。項目產生技術成果擬在醫學影像這一近年來迅速發展且和社會民生領域息息相關的重要運用中推廣。本項目研究具有顯著的學術創新性和重要的套用價值。
結題摘要
基於區域的圖像檢索是近年來圖像檢索領域的研究熱點。基於區域的圖像檢索相比較傳統的基於內容的圖像檢索，具有目標物體定位更加精準、抽取視覺特徵更能表征目標物體語義信息等突出優點，因此更有希望提高圖像檢索的精確度。本項目著重研究了基於區域的圖像檢索中一系列重要的關鍵科學技術問題。首先，本項目研究了前景目標物體的提取問題。在傳統圖像分割算法中，大多數算法需要大量人為調參（基於輪廓的圖像分割算法）或採用模式識別經典“訓練-測試”的思路，將訓練圖像上獲得的學習結果運用回其他測試圖像上以實現自動調參（基於區域的圖像分割算法）。然而，上述方法存在訓練圖像與測試圖像差異過大學習結果不適宜等突出缺點。針對於此，本項目提出了一類基於譜聚類模型的圖像分割新思想。該思想通過在同一幅圖像上學習參數，再將學習結果運用回同一幅圖像實現分割，妥善的解決了參數自學習和自適應的雙重技術難點。其次，本項目研究了基於排序思想的相似度函式學習技術。區別於傳統的分類、聚類、遞歸模型，本項目提出了基於標準化折扣積累增益和基於肯德爾係數等兩類具體的排序模型，通過構造最最佳化問題和求解連續且可微的近似最最佳化問題，實現了未知參數的梯度求解；並通過統計實驗驗證的手段證明了新模型較傳統模型在圖像檢索中的優越性。此外，本項目還創建了一個新的醫學圖像資料庫。基於在圖像分割和排序檢索等方面提出的新模型和新算法，實現了該資料庫中醫學圖像檢索的研究。研究團隊在本項目相關研究領域中已接收和發表了一系列高水平的國際、國內期刊、會議論文，完成了項目申請書中規定的所有研究內容。
