目录
前言
📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。
🚀对毕设有任何疑问都可以问学长哦!
选题指导: https://blog.csdn.net/qq_37340229/article/details/128243277
大家好,这里是海浪学长毕设专题,本次分享的课题是
🎯毕业设计-基于深度学习的图像检索系统
课题背景和意义
数字检索技术的快速发展,给数字图书馆、新闻媒体、医学图像管理、卫星遥感图像、商业在线销售等 行业带来新的应用增长点,传统的基于文本的图像检索技术在检索效率和精准度方面都效果不如人意。随着人工智能 技术的发展与运用,结合深度学习的感知哈希图像算法得到较快发展,更快的促进了图像检索技术的广泛应用。 关键词:图像检索;图像特征;深度学习;感知哈希。在Web2.0时代,尤其是随着微信、钉钉、抖音等手 机App的运用,图像、视频、音频、文本等异构数据每天 都以惊人的速度增长,各种多媒体数据以海量方式迅 速增长。针对这些丰富的海量图像信息,建立快速有 效的图像检索系统已经成为重要的研究方向,从而帮 助用户有效查询、快速检索、高效利用图像信息。经过 数十年的发展,基于内容的图像检索技术已广泛应用 于数字图书馆、医学影像、卫星遥感图像、电子商务等 社会生活的各个方面。
实现技术思路
一、图像检索技术发展
图像检索系统不仅有效地实现了用户查询信息的 快速要求,而且能够对图像库进行有针对性的分类管 理。从图像检索技术的发展过程来看,主要包括如下 3类。
基于文本的图像检索
基于文本的图像检索(Text-Based Image Retrieval, TBIR)是早期的图像检索的主要方法,其是指利用关键 字或关键短语对图像中的内容进行概括及描述,以便 用户在检索时可以根据关键词进行检索。具体的查询 过程如下:用户根据检索需求提供查询关键字,通过系 统接口交互输入后,检索系统根据用户需求进行内容 匹配,最后将查询结果返回给用户。 基于文本的图像检索技术需要人工提前对图像进 行归纳和注释,检索结果也完全依赖于人工标注信息, 现在已较少使用,该技术存在几个明显的缺陷。
(1)对目前海量的图像数据来说,完全采用人工注 释的方法需要耗费大量的人力与财力,而且随时不断 外来的图像增加,人工标注可能会遇到难以克服的困难;
(2)一幅图像包含的信息非常丰富,如“一图胜千 言”“百闻不如一见”等表述,而人工注释的文字很难充 分表达一幅图像的内涵,人工操作有时很难用简短的 关键字来描述出图片所包含的真正内涵;
(3)不同国家、不同民族对图像语义理解的差异也 很大,不可能形成一种统一的检索方法[2]。
基于内容的图像检索
基于内容的图像检索(Content-Based Image Retrieval,CBIR),指利用计算机对图像进行分析,自动 提取每幅图像的视觉内容特征,将视觉特征作为关键 字进行索引,进而比较索引特征与查询条件之间的距 离,最终反馈给用户查询结果。 基于内容的图像检索方式充分发挥了计算机工作 效率高、善于处理大规模数据的特点,从而较大提高了 检索的效率。目前,CBIR主要具有以下几个特点。
(1)CBIR突破了传统的基于表达式检索的局限, 直接对图像进行分析和抽取特征;
(2)CBIR本质上是一种近似匹配的技术,这一点 与常规数据库检索的精确匹配方法有明显不同;
(3)特征提取和索引建立可由计算机来实现,避免 了人工描述的主观性;
(4)针对CBIR存在的语义鸿沟问题,可采用相关 反馈、机器学习等手段,提高检索结果与用户满意度的 匹配程度。
自动图像标注技术
自动图像标注(Automatic Image Annotation)技术 是将基于文本的图像检索与基于内容的图像检索有效 结合起来,它是根据图像低层视觉特征,计算机自动使 用语义关键字或标签来表示一幅图像的语义内容,进 而可以将图像检索转化为基于文本的检索。自动图像 标注在特征匹配时,几乎不需要用户的参与,而主要利 用图像自身的特征(如颜色、纹理、形状等)来完成,具 有较强的客观性和直观性。利用这一特点,可以用来 抽取各类图像库中所有图像文件的特征。 目前来看,图像检索与图像标注密切相关。一方 面,图像检索的迫切需求推动自动图像标准技术的发展,另一方面,自动图像标准性能的提高也可以更好地 提高检索效果,促使检索效率和检索精度不断提高[6]。
二、图像检索关键技术
图像特征的提取与表达是CBIR技术的基础,获 取有效的图像特征是提取图像高层语义信息的关键 环节。
颜色特征
颜色特征是图像检索中应用最为广泛的视觉特 征,颜色包含着比灰度更多的信息,是彩色图像中最突 出的特征。图像的颜色特征描述了图像中物体的表面 性质,反映出的是图像的全局特征。人眼的色彩知觉 主要包括3个要素:色调、饱和度和亮度。与其他视觉 特征相比,颜色特征对图像本身的尺寸、方向、视角的 依赖性较小,从而具有较强的稳定性。常用的颜色空 间表示法有RGB颜色空间、HSV颜色空间、CIEL颜色 空间和YCrCb颜色空间。 针对颜色特征的提取与表达,首先,需要选择合适 的颜色空间来描述颜色特征;其次,采用一定的量化方 法将颜色特征表达为向量的形式;最后,以一定的方式 来描述颜色特征。
纹理特征
图像的纹理是基于物体表面结构和材质的重要特 征,一般来说,纹理结构可通过图案的不断重复,体现 图像的部分或全局特征。 典型的图像纹理特征方法如下,这几种方法特点 不同,针对不同的自然纹理、人工纹理、混合纹理进行 处理。
(1)统计方法是灰度共生矩阵纹理特征分析方法;
(2)几何法是基于平面二维特征,提取图像的纹理 元素,对图像进行分析从而得出的特征分析方法;
(3)模型法是将图像的参数进行构造,设计不同的 模型,从而进行模型分析及变换处理;
(4)信号处理法以小波变换为主、进行相应的编码 和解码处理操作。
形状特征
形状特征是反映出图像最直接的视觉特征之一, 大部分物体可以通过分辨其形状来进行判别。常用的 图像形状特征提取方法包括:基于轮廓的方法和基于 区域的方法。基于形状特征的使用在现实中有这些问 题:目前基于形状的检索方法还缺乏比较完善的数学 模型;另外,由于受视觉主观性的影响,许多形状特征 所反映的目标形状信息与人的直观感觉不完全一致; 再有就是许多形状特征仅描述了目标局部的性质,缺 乏对全局的描述。
空间特征提取
空间特征是指图像内的区域经过分割、其内部的 对象所在的位置以及对象之间的空间关系,提取空间 特征有两种方法:一种是对图像进行自动分割,根据对 象或颜色区域的接近性分割后提取图像特征,再进一 步建立索引;另一种是将图像均匀的划分为若干区域, 对不同区域提取特征,从而建立索引。在实际应用中, 需要将空间特征与其他特征相配合,来表达场景信息。
图像检索的主要处理流程如图所示。
三、图像检索系统的特点
大规模图像检索系统是近年来发展最为迅速的技 术之一,大规模图像检索系 统具有如下特点。
(1)图像数据量大。
相比较与20世纪90年代图 像检索技术发展的早期阶段,现有的图像检索系统已 达到10亿级,其数量已经有了成千上万倍的增长,因 而图像检索应满足大数据时代的要求,在检索效率、性 能等方面大幅提升。
(2)特征维度高。
图像特征是直接描述图像视觉 内容的基石,对图像来说,维度就是图像中特征向量的 数量,3个以上的特征向量即属于高维空间,如果维度 过高,则会增加机器的计算量,造成维数灾难。通过降 维,即降低特征矩阵中特征的数量,可以让算法运算更 快,效果更好,同时能够实现数据可视化。
(3)要求响应速度快。
对于用户的查询,图像检索 系统应该具备迅速响应用户查询的能力,同时由于大 规模图像数据量大、特征维度高,直接采用暴力搜索的 策略,难以满足系统实时性的要求,因此,大规模图像 检索需要解决系统实时响应的问题。
四、基于哈希的图像检索技术框架结构
目前,广泛使用的有利用深度哈希算 法进行图片快速检索,其原理在于针对每一张图片都 生成一个特定的数字指纹,然后采取一种相似度的度 量方式得出两张图片的近似程度。 在图像检索系统中,查询速度和查询准确率是一 对需要权衡的指标。查询速度方面,可以使用深度哈 希的方法来大幅度提升。
具体查询过程如下:用户提 供所需查询的图像到人机接口,进而系统用定义好的 哈希函数将查询图片映射成48 bit的二进制码,将此二 进制码与数据库中所有图片的二进制码比较汉明距 离,按汉明距离从小到大进行排序,根据反馈可进行多 次比较及排序,最终得到本次图像的检索结果。
基于哈希的图像检索技术框架结构如图所示。
深度哈希(Deep Hash)将卷积神经网络与哈希图 像检索结合,同时拥有检索精度高,速度快的特点。深 度哈希作为一种代表性方法,近年来受到广泛关注。 通过深度哈希,可以提升大容量图片库检索精度。
五、总结
就图像检索而言,一幅图像 中,各种复杂的因素往往以非线性的方式结合在一 起,图像参数复杂交织。深度学习的关键就是通过多 层非线性映射将这些因素成功的分开,使各个因素不 再彼此干扰。 深度学习技术使得图像检索系统的各个模块(即 神经网络的各个层)可以通过联合学习,整体优化,从 而性能得到大幅提升。
实现效果图样例
图像检索系统：
我是海浪学长,创作不易,欢迎点赞、关注、收藏、留言。
毕设帮助，疑难解答，欢迎打扰！
805
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
