运用排序和相似度学习进行基于区域的图像检索研究

"Region-based image retrieval (RBIR)" is the current new trend in image retrieval research, after the well-known "text-based image retrieval (TBIR)" and "content-based image retrieval (CBIR)". In this project, novel RBIR methods based on "ranking" and "similarity learning" are focused. Two main issues are to be addressed: 1)In order to avoid the inconvenience of manual parameteres adjustment in conventional contour-based image segmentation methods, as well as to tackle the serious problem that learned parameters from training images do not fit testing images thus deteriorating their segmentation performance in conventional region-based image segmentation methods, new strategies of conducting image segmentation using self-learned similarity will be introduced; novel image segmentation methods following this new strategy will be studied. 2)Compared with conventional image retrieval methods which are mainly based on classification and clustering models, new strategies of RBIR via ranking and learning to rank models are highlighted. Medical image retrieval, which receives much attention in recent years in medical imaging domain, will be utilized to as the application tool to realize new methods and models coming from this project. To sum up, the project is novel from academic perspective and beneficial from practical perspective.

"基于区域的图像检索"是继"基于文字的图像检索"和"基于内容的图像检索"之后，近年来国内外图像检索研究领域的最新发展趋势。本项目拟提出基于"排序"和"相似度学习"思想进行基于区域的图像检索的新方法。本项目拟着重研究两类问题：1）针对现行基于区域的图像检索工作中使用的图像分割算法或需要大量人为调参所带来不便(常见于基于轮廓的分割方法中)，或运用经典模式识别学习方法进行自动调参所造成的"基于训练图像学习的参数不符合测试图像特性"等问题（常见于基于区域的分割方法中），拟提出在待分割图像中运用像素间相似度函数自学习完成图像分割任务的新思想和新方法；2）区别于传统的基于聚类、分类模型进行图像检索的方式，拟提出运用排序和排序学习进行基于区域的图像检索的新模型和新方法。项目产生技术成果拟在医学影像这一近年来迅速发展且和社会民生领域息息相关的重要运用中推广。本项目研究具有显著的学术创新性和重要的应用价值。

基于区域的图像检索是近年来图像检索领域的研究热点。基于区域的图像检索相比较传统的基于内容的图像检索，具有目标物体定位更加精准、抽取视觉特征更能表征目标物体语义信息等突出优点，因此更有希望提高图像检索的精确度。本项目着重研究了基于区域的图像检索中一系列重要的关键科学技术问题。首先，本项目研究了前景目标物体的提取问题。在传统图像分割算法中，大多数算法需要大量人为调参（基于轮廓的图像分割算法）或采用模式识别经典“训练-测试”的思路，将训练图像上获得的学习结果运用回其他测试图像上以实现自动调参（基于区域的图像分割算法）。然而，上述方法存在训练图像与测试图像差异过大学习结果不适宜等突出缺点。针对于此，本项目提出了一类基于谱聚类模型的图像分割新思想。该思想通过在同一幅图像上学习参数，再将学习结果运用回同一幅图像实现分割，妥善的解决了参数自学习和自适应的双重技术难点。其次，本项目研究了基于排序思想的相似度函数学习技术。区别于传统的分类、聚类、递归模型，本项目提出了基于标准化折扣积累增益和基于肯德尔系数等两类具体的排序模型，通过构造最优化问题和求解连续且可微的近似最优化问题，实现了未知参数的梯度求解；并通过统计实验验证的手段证明了新模型较传统模型在图像检索中的优越性。此外，本项目还创建了一个新的医学图像数据库。基于在图像分割和排序检索等方面提出的新模型和新算法，实现了该数据库中医学图像检索的研究。研究团队在本项目相关研究领域中已接收和发表了一系列高水平的国际、国内期刊、会议论文，完成了项目申请书中规定的所有研究内容。