1、隨著個(gè)人媒體設(shè)備的普及和第二代互聯(lián)網(wǎng)技術(shù)的發(fā)展，互聯(lián)網(wǎng)中的圖像數(shù)量急劇增長(zhǎng)。如何快速有效的組織和管理這些圖像成為一個(gè)研究熱點(diǎn)。而對(duì)圖像的組織和管理離不開(kāi)對(duì)圖像內(nèi)容的理解。近些年比較熱門(mén)的研究方向如圖像檢索，圖像標(biāo)注，圖像分類(lèi)，物體識(shí)別都基于對(duì)圖像內(nèi)容的理解。作為一個(gè)二維數(shù)據(jù)，圖像中存在豐富的空間分布信息，包括圖像中包含的物體之間的空間關(guān)系和物體本身的空間結(jié)構(gòu)。這些空間信息對(duì)于圖像的檢索和分類(lèi)有很重要的意義。
　　本文圍繞圖像中空間

2、信息的表示和提取方法對(duì)圖像檢索和圖像分類(lèi)，以及物體識(shí)別進(jìn)行了研究。論文的主要工作與創(chuàng)新體現(xiàn)在以下幾個(gè)方面:
　　1:提出了一種自動(dòng)的圖像空間關(guān)系提取和表示法，并將其應(yīng)用到圖像檢索之中。傳統(tǒng)的基于空間關(guān)系的圖像檢索是基于人工標(biāo)注了物體位置和種類(lèi)的圖像庫(kù)，不適應(yīng)現(xiàn)有海量數(shù)據(jù)的互聯(lián)網(wǎng)圖像檢索。文中給出了一種圖像空間關(guān)系的表示法，并給出了基于物體識(shí)別的自動(dòng)提取算法，進(jìn)而給出了其索引匹配和查詢(xún)排序等相應(yīng)算法。有別于人工標(biāo)注結(jié)果，目前物體識(shí)別

3、技術(shù)尚不完善，存在大量的誤判。本文給出的算法優(yōu)點(diǎn)在于它對(duì)識(shí)別誤判有很好的魯棒性。文中還給出了一個(gè)原型系統(tǒng)及其排序性能的評(píng)測(cè)。實(shí)驗(yàn)證明，該系統(tǒng)在NDCG@m，MAP等測(cè)度上均優(yōu)于現(xiàn)有同類(lèi)系統(tǒng)。
　　2:針對(duì)圖像分類(lèi)問(wèn)題，提出了一種對(duì)圖像拍攝角度不一致的情況有較好魯棒性的空間圓塔匹配模型。對(duì)于體積較小的物體，人們對(duì)其拍照時(shí)的拍攝視角往往較為隨意，而視角不同時(shí)物體的外觀往往不同，進(jìn)而使同類(lèi)圖像的距離變大。本文對(duì)目前較成功的空間金字塔匹配

4、模型(Spatial PyramidMatching， SPM)的層次結(jié)構(gòu)進(jìn)行了改進(jìn)，提出了一種圓塔匹配模型(SpatialTower Matching， STM)。該模型對(duì)金字塔模型的改動(dòng)較小，同時(shí)并未增加金字塔模型的計(jì)算復(fù)雜度，但在Caltech-101，Caltech-256和15-Scenes三個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集的實(shí)驗(yàn)表明，該模型對(duì)金字塔模型的分類(lèi)性能有較顯著的提升。而同期發(fā)表的金字塔模型的其他改進(jìn)算法，在計(jì)算復(fù)雜度明顯增加的情況下，

5、分類(lèi)性能改進(jìn)微小。
　　3:針對(duì)圖像分類(lèi)問(wèn)題，提出了另一個(gè)對(duì)圖像拍攝視角不一致有較好魯棒性的旋轉(zhuǎn)不變性金字塔匹配模型(Rotation-Invariant Pyramid Matching，RISPM)。文中首先使用邊緣提取和梯度統(tǒng)計(jì)得到圖像的主方向，然后使用一個(gè)新穎的平滑旋轉(zhuǎn)算法對(duì)圖像的主方向進(jìn)行歸一化。最后結(jié)合傳統(tǒng)金字塔匹配算法對(duì)旋轉(zhuǎn)后的圖像進(jìn)行分類(lèi)。文中對(duì)圖像旋轉(zhuǎn)算法進(jìn)行了優(yōu)化，預(yù)先計(jì)算了的旋轉(zhuǎn)映射矩陣，因而在圖像分類(lèi)時(shí)，平

6、滑圖像旋轉(zhuǎn)對(duì)金字塔匹配的效率影響微小。這種算法與金字塔匹配算法較為獨(dú)立，因此可以和其他同類(lèi)算法結(jié)合使用。實(shí)驗(yàn)使用Caltech-101、Caltech-256和15-Scenes三個(gè)數(shù)據(jù)集進(jìn)行評(píng)測(cè)。實(shí)驗(yàn)表明，結(jié)合了圖像主方向歸一化的SPM算法圖像分類(lèi)性能顯著提升。
　　4:傳統(tǒng)有監(jiān)督的物體識(shí)別算法需要人工對(duì)訓(xùn)練數(shù)據(jù)集中圖像的物體種類(lèi)和位置進(jìn)行標(biāo)注，消耗大量人力且通用性差。文中給出了一種無(wú)監(jiān)督的物體識(shí)別算法:使用改進(jìn)的LDA模型對(duì)可