基于网页信息和图像特征的Web图像检索研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-7页 |
| 1 绪论 | 第12-22页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究意义 | 第13页 |
| 1.3 国内外研究现状 | 第13-17页 |
| 1.3.1 基于文本的图像检索TBIR | 第14页 |
| 1.3.2 基于内容的图像检索CBIR | 第14-15页 |
| 1.3.3 融合文本和图像信息的图像检索ABIR | 第15-17页 |
| 1.4 本文的研究内容与成果 | 第17-19页 |
| 1.5 论文结构 | 第19-22页 |
| 2 图像检索概述 | 第22-30页 |
| 2.1 Web资源的特点 | 第22-23页 |
| 2.1.1 Web数据的特点[58] | 第22页 |
| 2.1.2 Web页面的特点[59] | 第22-23页 |
| 2.1.3 Web图像的分类 | 第23页 |
| 2.2 Web图像检索模型 | 第23-24页 |
| 2.3 基于文本的图像检索TBIR | 第24-25页 |
| 2.4 基于内容的图像检索CBIR | 第25-27页 |
| 2.4.1 图像底层视觉特征 | 第25-26页 |
| 2.4.2 图像相似性计算 | 第26-27页 |
| 2.5 融合文本和图像信息的图像检索ABIR | 第27页 |
| 2.6 基于语义的图像检索 | 第27-29页 |
| 2.6.1 图像语义特征 | 第28页 |
| 2.6.2 图像语义映射 | 第28-29页 |
| 2.7 图像检索结果评价 | 第29页 |
| 2.8 小结 | 第29-30页 |
| 3 基于网页信息和图像特征的检索模型概述 | 第30-34页 |
| 3.1 词汇相似度计算 | 第31页 |
| 3.2 文本关键词的提取 | 第31页 |
| 3.3 图像关键词映射 | 第31-33页 |
| 3.3.1 图像自动标注 | 第32-33页 |
| 3.3.2 图像文本识别 | 第33页 |
| 3.4 基于贝叶斯推理网的图像检索 | 第33页 |
| 3.5 小结 | 第33-34页 |
| 4 词汇相似度计算 | 第34-42页 |
| 4.1 词汇相似度简介 | 第34页 |
| 4.2 词汇相似度计算 | 第34-35页 |
| 4.3 知网介绍 | 第35-38页 |
| 4.3.1 知网的总体思想 | 第35-36页 |
| 4.3.2 知网的结构 | 第36-38页 |
| 4.4 基于知网的词汇相似度计算 | 第38-40页 |
| 4.4.1 义原相似度计算 | 第38-39页 |
| 4.4.2 虚词概念相似度计算 | 第39页 |
| 4.4.3 实词概念相似度计算 | 第39-40页 |
| 4.5 实验 | 第40-41页 |
| 4.6 小结 | 第41-42页 |
| 5 基于笔画宽度的Web图像文本识别 | 第42-62页 |
| 5.1 图像文本识别概述 | 第43-46页 |
| 5.1.1 图像文本的分类 | 第43-44页 |
| 5.1.2 图像文本的特征 | 第44页 |
| 5.1.3 图像文本识别模型 | 第44-45页 |
| 5.1.4 图像文本定位算法 | 第45-46页 |
| 5.1.5 图像文本定位结果的判定 | 第46页 |
| 5.2 检测图像中的候选文本 | 第46-50页 |
| 5.2.1 图像预处理 | 第47-49页 |
| 5.2.2 检测候选文本区域 | 第49-50页 |
| 5.3 过滤非文本区域 | 第50-55页 |
| 5.3.1 形状规则过滤 | 第50-51页 |
| 5.3.2 纹理规则过滤 | 第51-52页 |
| 5.3.3 笔画宽度规则过滤 | 第52-55页 |
| 5.3.4 文本区域合并 | 第55页 |
| 5.4 文本识别 | 第55-60页 |
| 5.4.1 文本图像二值化 | 第55-58页 |
| 5.4.2 二值化图像去噪 | 第58-59页 |
| 5.4.3 图像倾斜校正 | 第59页 |
| 5.4.4 OCR图像文本识别 | 第59-60页 |
| 5.5 实验结果与分析 | 第60-61页 |
| 5.6 小结 | 第61-62页 |
| 6 加权Web图像自动标注模型 | 第62-82页 |
| 6.1 图像自动标注概述 | 第62-63页 |
| 6.2 图像分割 | 第63-64页 |
| 6.3 图像视觉特征 | 第64-65页 |
| 6.3.1 颜色特征 | 第64页 |
| 6.3.2 纹理特征 | 第64页 |
| 6.3.3 形状特征 | 第64-65页 |
| 6.4 图像自动标注模型 | 第65-77页 |
| 6.4.1 机器翻译标注模型MTM | 第66-69页 |
| 6.4.2 机器分类标注模型MCM | 第69-70页 |
| 6.4.3 相关语言标注模型RLM | 第70-73页 |
| 6.4.4 噪音关键词过滤 | 第73-77页 |
| 6.5 实验 | 第77-79页 |
| 6.5.1 实验数据 | 第77页 |
| 6.5.2 实验方法 | 第77-78页 |
| 6.5.3 实验结果 | 第78-79页 |
| 6.6 小结 | 第79-82页 |
| 7 基于贝叶斯推理网的Web图像检索 | 第82-104页 |
| 7.1 Web图像检索概述 | 第82-83页 |
| 7.2 基于贝叶斯推理网的Web图像检索 | 第83-86页 |
| 7.3 Web文本特征的提取 | 第86-88页 |
| 7.4 Web图像文本识别 | 第88-90页 |
| 7.4.1 Web图像文本关键词优化 | 第89-90页 |
| 7.5 Web图像自动标注 | 第90-91页 |
| 7.6 贝叶斯信息检索模型 | 第91-95页 |
| 7.6.1 检索模型选择 | 第91-93页 |
| 7.6.2 贝叶斯网络 | 第93-94页 |
| 7.6.3 贝叶斯信息检索模型 | 第94-95页 |
| 7.7 贝叶斯Web图像检索 | 第95-99页 |
| 7.7.1 贝叶斯Web图像检索算法 | 第95-97页 |
| 7.7.2 算法参数设置 | 第97-99页 |
| 7.8 实验 | 第99-103页 |
| 7.8.1 实验内容与方法 | 第99-100页 |
| 7.8.2 实验数据 | 第100-101页 |
| 7.8.3 实验结果 | 第101-103页 |
| 7.9 小结 | 第103-104页 |
| 8 总结与展望 | 第104-108页 |
| 8.1 研究总结 | 第104-106页 |
| 8.2 未来展望 | 第106-108页 |
| 致谢 | 第108-110页 |
| 参考文献 | 第110-122页 |
| 附录 | 第122页 |
| A. 作者在攻读学位期间发表的论文目录 | 第122页 |
| B. 作者在攻读学位期间参加的科研项目 | 第122页 |
