基于超图形XGML的图像半结构化研究

There is a wide range of applications for images semi-structured processing based on SVG, it has become a hot research topic. There are limitations for the SVG unstructured way to describe the image, According to the overall image characteristics and local characteristics, the similarity between local features and local features, we study the various local entities objects and relationships in the capacity of the ancient architecture picture and coarse texture heritage crafts pictures. A XGML the instruction set architecture is proposed,it can be a good description of the function of semi-structured image and fractal graphics capabilities.Based on empirical mode decomposition method and Lagrange multiplier multiplier, a multi-level adaptive decomposition of the image semi-structured separation algorithm is designed, the raster image is separated and converted to the XGML the semi-structured documents. Meanwhile in order to get the image of storage space less documentation of Semi-structured document based on XGML,an XGML document optimization and compression algorithms based on SVM is proposed.The research will solve the key issues such as the Virtual digital museums navigation platform on Internt to quickly load and display the cultural relics image of the large-capacity, heritage image content-based locate and retrieval etc

基于SVG的图像半结构化处理具有广泛的应用前景，已成为研究的一个热点。针对SVG以非结构化方式描述图像的局限性，利用图像整体与局部、局部与局部相似性，研究大容量古建筑图片和粗纹理文物工艺品图片中的各个局部实体对象及关系，以SVG指令集与图像描述的所有标记为基础，建立XGML的指令集与体系结构,该体系结构能够很好的描述半结构化图像和分形图形的功能；以经验模态分解EMD方法和Lagrange multiplier乘子为基础，研究一种多层次自适应分解的图像半结构化分离算法，分离二进制光栅图像转换为XGML的半结构化文档；与此同时研究一种基于支撑向量机SVM的XGML文档优化与压缩算法，以得到存储空间较少基于XGML半结构化图像文档。研究成果将解决基于Internet的虚拟数字化博物馆导航平台快速载入、展示大容量文物图像和基于文物图像内容的定位和检索所涉及的关键问题。

伴随着现代社会多媒体技术和网络技术的发展，图像的数量和种类以指数的形式逐年递增，包括网络图像、社会图像和纸张上的图像等。这些图像在著名的国内外社交网络中起到了推波助澜的作用，例如：Facebook，人人网，朋友圈，微博等。海量的网络图像数据使得人们的生活更加多姿多彩，但是由于BMP、JPG、GIF等图像格式生成的图形在不同分辨率的频率上的屏幕上显示效果不同，且缩放后会出现锯齿和模糊的效果，因此无法满足网页浏览的质量要求。同时，高精度的图像存储又存在数据庞大的问题。因此，本项目在研究 Web 中光栅图像整体与局部、局部与局部的相似性的基础上，设计出 XGML 指令体系，完成图像半结构化表示方法。最后将其应用于数字博物馆平台中，解决粗纹理大容量文物图像载入速度慢、存储容量大的问题。.本文具体的研究内容主要为以下几个部分：.1.XGML指令体系设计：设计了一种简洁有效、同时具有XML和SVG语法优点的超图形文本标记语言（XGML）。由于现有的文本标记指令存在局限性，并不能完全满足图像半结构化存储的要求。因此，我们需要在面向文档数据处理的 XML 语言和面向二维矢量图形的SVG语言的基础之上，设计一种简洁有效、同时具有XML和SVG语法优点的超图形文本标记语言。.2.图元数据提取：根据图像内部相似性特征，将图像中相似区域进行分割，然后根据人体视觉感知和图像底层特征，识别出图像中的内容信息。主要包括显著性区域分割、特征提取、人机交互处理等步骤。.3.图元素转换：最后将提取的图像信息转换为我们的 XGML 标记指令，包括区域分裂合并、边缘部分处理以及半结构化转换等步骤。.4.XGML文档分类压缩：本研究以结构链接向量模型为基础，研究了基于支持向量机的XML文档自动分类方法，提出了适合XML文档分类的核函数及其参数的学习方法，从而将XML文档的结构分析与内容分析有机地结合起来。.本研究为探究图像半结构化的研究奠定了坚实的基础。项目资助发表国内外高水平论文15篇，申请受理专利10余项，登记软件著作权7项。项目投入经费82万元，支出82万元，各项支出相比预算略有调整。