北京理工大学大学学位论文密级博士学位论文基于统计建模与判别学习的图像检索方法邓元导师姓名(职称)贾云得（教授）答辩委员会主席申请学科门类工学论文答辩日期申请学位专业计算机应用技术年月日DISSERTATIONImageRetrievalMethodsBasedonStatisticalModelingandDiscriminativelearningDENGYUANSupervisor:Prof.JiaYundeSpeciality:ComputerApplicationAcademicDegreeAppliedfor:DoctorofEngineeringDegreeConferredby:BeijingInstituteofTechnology研究成果声明本人郑重声明：所提交的学位论文是我本人在指导教师的指导下进行的研究工作获得的研究成果。尽我所知，文中除特别标注和致谢的地方外，学位论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京理工大学或其它教育机构的学位或证书所使用过的材料。与我一同工作的合作者对此研究工作所做的任何贡献均已在学位论文中作了明确的说明并表示了谢意。特此申明。签名：日期：关于学位论文使用权的说明本人完全了解北京理工大学有关保管、使用学位论文的规定，其中包括：①学校有权保管、并向有关部门送交学位论文的原件与复印件；②学校可以采用影印、缩印或其它复制手段复制并保存学位论文；③学校可允许学位论文被查阅或借阅；④学校可以学术交流为目的,复制赠送和交换学位论文；⑤学校可以公布学位论文的全部或部分内容（保密学位论文在解密后遵守此规定）。签名：日期：导师签名：日期：北京理工大学博士学位论文PAGEiiPAGEi摘要基于内容的图像检索（Content-basedImageRetrieval,CBIR）是模式识别和人工智能领域中的重要组成部分，在数字图书馆、医学图像分析、石油地质勘察、公共安全信息检索等多个重要领域有广阔的应用前景。本文采用统计建模与判别学习方法，针对图像检索中的若干关键问题进行了深入细致的分析和研究，包括图像的概念检索问题、图像的例子检索问题、相关反馈问题。取得的主要研究成果有：（1）提出了一种基于高斯混合模型（Gaussianmixturemodel,GMM）与最大最小后验伪概率（Max-MinPosteriorPseudo-Probabilities，MMP）判别学习的图像分类方法，简称GMM-MMP方法。该方法将统计建模方法与判别学习方法相结合，将图像检索问题看成是按照某种图像语义进行图像分类的过程，采用图像分类方法处理图像检索问题。该方法首先采用高斯混合模型建立图像低层特征到图像高层语义的映射，然后根据后验伪概率分类器将图像分为两类：语义的相关图像和不相关图像。后验伪概率分类器的有关参数通过最大最小后验伪概率判别学习方法从样本中学习得到。在GMM-MMP图像分类框架下，本文研究了图像检索中的概念检索问题、例子检索问题以及相关反馈问题。（2）提出了一种基于GMM-MMP的概念检索方法。该方法根据图像概念将图像分为两类：概念的相关图像和不相关图像，采用高斯混合模型建立图像低层特征到图像概念的映射，根据后验伪概率分类器对图像进行分类实现图像概念检索。实验表明该方法能够有效地解决图像的概念检索问题。为了进一步改善基于GMM-MMP的概念检索方法的检索效果，提出了一种融合概念标注的概念检索方法，在概念标注的基础上进行概念检索。实验表明该方法在GMM-MMP方法的基础上缩小了概念的待检索图像集，从而加快了检索速度，并进一步提高了概念检索准确率。（3）提出了一种基于GMM-MMP的例子检索方法。该方法根据图像相似性语义将图像分为两类：例子图像的相关图像和不相关图像，采用高斯混合模型建立图像低层特征到图像相似语义的映射，根据后验伪概率分类器对图像进行分类实现图像例子检索。实验表明该方法能够有效地解决图像的例子检索问题。为了进一步提高基于GMM-MMP的例子检索方法的检索效果，提出了一种基于语义—视觉相似的例子检索方法，加入了图像的语义相似性度量，采用语义相似与视觉相似相结合的双重度量方法度量图像的相似度。实验表明该方法在GMM-MMP方法的基础上缩小了例子图像的候选图像集，从而加快了检索速度，并进一步提高了例子图像检索的准确率。（4）提出了一种基于GMM-MMP的相关反馈方法。该方法根据用户意图语义将图像分为两类：用户意图的相关图像和不相关图像，采用高斯混合模型建立图像低层特征到用户意图语义的映射，根据用户标注结果学习后验伪概率分类器,从而实现概念检索和例子检索