注与识别。下图简要说明了图像语义分割与识别过程。图图像语义分割与识别流程图以下分别就图像语义分割与识别三个阶段对图像语义分割与标识技术研究现状和研究成果做简要概述。图像底层特征提取研究现状及研究成果图像底层基本特征是指可以表征图像视觉特性值，基本特征又包括全局特征和局部特征两类。全局特征是表征图像整体或是分割块特性值，比如说图像分量均值等，全局特征优点是计算速度快，但是它缺点也显而易见，即全局特征不能很充分表征整幅图片。图像局部特征是指针对每个像素点表征值，比如像素点梯度值颜色分量值等。最常用图像底层基本特征包括颜色特征纹理特原始图片特征提取图像特征图像语义映射语义分割标识图片先验知识图像分割分割图片第页征形状特征。颜色特征颜色特征是图像应用中最常用个目录摘要第章绪论研究背景和意义图像语义分割与标识技术研究现状和相关研究成果图像底层特征提取研究现状及研究成果图像分割技术研究现状及研究成果图像语义映射与标识研究现状及研究成果本文研究内容和组织安排本章小结第二章基于自组织特征映射网络图像分割概述自组织映射网络原理图像特征向量提取高斯变换特征提取高斯拉普拉斯变换特征提取高斯偏导特征提取基于自组织映射网络图像聚类分割基于图像初始聚类合并聚类分析过程图像分割实验结果分析算法效率对比分析分割效果对比分析本章小结第三章分割图片语义标注与识别概述实验图片库介绍基于图片语义学习与标识支持向量机原理图像特征语义学习图像语义标注本章小结第四章系统实现及实验结果系统概述系统模块说明图片库语义训练模块说明待测图像分割与语义标注模块说明待测图片库标注结果分析模块说明系统相关实验结果本章小结第五章全文总结主要结论研究展望本章小结参考文献数学符号说明附录缩略语表附录致谢攻读硕士学位期间已发表或录用论文第页第章绪论研究背景和意义万维网发明人之先生说语义网络构建将是网络下个进化阶段，每个人都希望网络能够以更接近人思维方式去理解网络上传输数据。但是语义网络实现目前还面临着巨大挑战，因为实现语义网络最基本问题之就是如何让网络自动地理解网络数据真正意思。以目前主流搜索网站为例，它们采用都是基于文本匹配方法来理解人输入请求，并不能做到语义意义上信息搜索，图片搜索效果尤其不能让人满意。而图像语义搜索是构建语义网络最重要组成部分之。图像语义搜索是指基于语义内容图片搜索，最简单实现图像语义搜索方法是对互联网上图片采用人工语义标注。但是，这样做工作量太大，而且主观性太强。所以我们希望可以自动对图像进行语义特征提取，使得用户可以通过输入相关图像或是语义概念来对图像进行语义搜索。图像语义分割与标识是实现基于图像语义内容搜索最关键技术，因为只要实现了对图像自动语义信息提取就可以实现图像语义搜索。图像语义分割与标识就是将图像分割成具有定语义含义分割块，并对每个分割块进行相应语义标识。有了这样处理后，对图像语义搜索就很容易了。当然图像语义分割与标识应用并不仅仅局限于图片语义搜索。它在其他方面也有很广泛应用，比如针对图像侵权散布追踪与取证等。图像侵权散布追踪与取证技术包括主动取证和被动取证两种方式，主动取证是指人为地往图片里嵌入定信息，这里我们可以考虑往图像中嵌入图像语义信息。被动取证是指我们根据图像些固有属性对侵权图片进行取证，图像语义信息可以用于图像被动取证中，比如当相关机构在段时间内发现类图片在网络上广泛流传时我们可以通过对图片进行语义提取，再从网络上抓取到具有相同语义大量图片，然后对其做进步分析以确定这些图片是否真属于侵权散布行为。第页图像语义分割与标识技术研究现状和相关研究成果图像语义分割与识别应用般分为三个阶段第，图像底层特征提取，提取图像诸如颜色纹理形状等方面底层基本特征第二，图像分割，根据图像底层特征将图像分割成具有相似特性区域块第三，图像语义映射与标识，般是通过已有先验知识如本文所采用对人工语义标注图片库语义特征进行学习产生图像语义特征模型，对图像特征或分割图片分割块区域特征或是分割块代表点特征进行语义预测，并对原始图片或是分割图片进行语义标注与识别。下图简要说明了图像语义分割与识别过程。图图像语义分割与识别流程图以下分别就图像语义分割与识别三个阶段对图像语义分割与标识技术研究现状和研究成果做简要概述。图像底层特征提取研究现状及研究成果图像底层基本特征是指可以表征图像视觉特性值，基本特征又包括全局特征和局部特征两类。全局特征是表征图像整体或是分割块特性值，比如说图像分量均值等，全局特征优点是计算速度快，但是它缺点也显而易见，即全局特征不能很充分表征整幅图片。图像局部特征是指针对每个像素点表征值，比如像素点梯度值颜色分量值等。最常用图像底层基本特征包括颜色特征纹理特原始图片特征提取图像特征图像语义映射语义分割标识图片先验知识图像分割分割图片第页征形状特征。颜色特征颜色特征是图像应用中最常用个,常发亮，彩色图像分割与复杂场景下视觉目标跟踪方法研究博士论文第页李苏梅，韩国强，基于均值聚类算法图像区域分割方法，计算机工程与应用,,第页数学符号说明附录上逻辑谓词聚类数据误差平方和第个聚类样本集样本集邻域样本方差样本均值样本最小值样本最大值距离第页缩略语表附录自组织映射网络均值聚类基于内容图像检索支持向量机微软研究中心统计学习理论二次规划,Ⅰ于自组织特征映射网络图像语义分割与标识摘要语义网络无疑将成为网络下个进化阶段，图像语义搜索是语义网络构建个重要方面，而图像语义分割与标识又是实现图像语义搜索基础。由于网络上图片数量巨大，并且图片处理很耗时，因此，图像语义分割与标识难度较大。目前在图像语义分割与标识方面研究很多，但是大多都只是针对特定领域，而且在性能以及分割标识准确率上也还存在很大不足。早期图像语义标识系统大多数都是只针对整幅图片进行，没有将图像分割和语义标识相结合来考虑。这些系统般只对图像全局特征或是局部像素点特征摘要进行语义学习和预测，因此比较粗糙，对特征学习不够充分。也有少数系统是对像素点级别特征进行语义学习和预测，这样虽然可以确保特征学习足够充分，但是语义预测过程很耗时。本文在对这些问题进行了较为深入研究分析后，提出并构建了个基于自组织特征映射网络图像语义分割及标识系统。本文在图像分割方面提出了基于自组织特征映射网络图像分割方法，该方法不仅克服了很多图像分割算法需要图像分割数作为输入参数缺点，而且由于充分考虑了图像高斯高斯拉普拉斯高斯阶导等多方位维特征使得图片分割效果很好。同时因为该算法结合使用了聚类算法所以运行效率也很高。另外，在图像语义标识方面，本文采用分开考虑图像语义训练和语义预测方法。语义训练阶段采用基于像素点级别特征充分学习办法，而语义预测时采用选取图像分割块代表点特征分割块中心点特征，来对整个分割块进行语义预测和标识，从而可以达到快速对图像进行语义标识功能。实验结果表明本文提出基于自组织特征映射网络图像语义分割及标识系统具有语义预测效率高和预测准确率高等优点，本文工作具有较好研究意义和实际应用价值。关键词自组织映射网络，图像语义分割，图像语义标识，特征提取目录摘要第章绪论研究背景和意义图像语义分割与标识技术研究现状和相关研究成果图像底层特征提取研究现状及研究成果图像分割技术研究现状及研究成果图像语义映射与标识研究现状及研究成果本文研究内容和组织安排本章小结第二章基于自组织特征映射网络图像分割概述自组织映射网络原理图像特征向量提取高斯变换特征提取高斯拉普拉斯变换特征提取高斯偏导特征提取基于自组织映射网络图像聚类分割基于图像初始聚类合并聚类分析过程图像分割实验结果分析算法效率对比分析分割效果对比分析本章小结第三章分割图片语义标注与识别概述实验图片库介绍基于图片语义学习与标识支持向量机原理图像特征语义学习图像语义标注本章小结第四章系统实现及实验结果系统概述系统模块说明图片库语义训练模块说明待测图像分割与语义标注模块说明待测图片库标注结果分析模块说明系统相关实验结果本章小结第五章全文总结主要结论研究展望本章小结参考文献数学符号说明附录缩略语表附录致谢攻读硕士学位期间已发表或录用论文第页第章绪论研究背景和意义万维网发明人之先生说语义网络构建将是网络下个进化阶段，每个人都希望网络能够以更接近人思维方式去理解网络上传输数据。但是语义网络实现目前还面临着巨大挑战，因为实现语义网络最基本问题之就是如何让网络自动地理解网络数据真正意思。以目前主流搜索网站为例，它们采用都是基于文本匹配方法来理解人输入请求，并不能做到语义意义上信息搜索，图片搜索效果尤其不能让人满意。而图像语义搜索是构建语义网络最重要组成部分之。图像语义搜索是指基于语义内容图片搜索，最简单实现图像语义搜索方法是对互联网上图片采用人工语义标注。但是，这样做工作