《Web图片搜索引擎设计.》由会员分享，可在线阅读，更多相关《Web图片搜索引擎设计.（38页珍藏版）》请在金锄头文库上搜索。
1、Web图片搜索引擎设计,基于文本的图片信息提取,大纲,图片检索技术简介 我们设计的系统总体结构 图片文字信息提取 无用图片过滤 一些统计规律 结合文本与内容的方法（后期打算）,图片检索技术分类,基于文本 利用某种提取方法获得与图片内容相关的文本信息，利用传统文本检索方法提供检索。 基于内容 提取图片中的可视化特征，比如颜色，形状，纹理等，对特征建索引，提供相似查询。 基于语义 理解可是特征的语义信息，可以利用文字查询可视特征。,基于文本,优点 符合用户查询习惯（关键字查询） 适合复杂语义查询（比如查“奥运会”） 利用已有的技术积累（文本检索） 性能好 缺点 提取的信息不够准确 文字描述不能保证
2、全面性 不能基于内容相似查询,基于内容,优点 可以查询相似图片 对图片来源要求低（不需要额外文字信息） 缺点 技术不成熟 效率低 复杂语义无法表示,基于语义,通过理解图片中的可视特征来建立低层特征到高层语义的映射（比如：能够理解大海是蓝色的） 。符合人类理解图片的自然方式。 开始大量的研究，在未来会有很大的发展。,我们的选择基于文字,理由 目前的大型图片搜索引擎基本上都是以基于文字的检索为主体。 性能良好 已有大量的网页资源可供使用。 开发周期较短。,我们设计的系统的结构,系统工作过程,抓取网页和图片 从网页中提取图片相关的文字信息 利用图片生成缩略图 对提取到的文字信息建倒排索引 提供查询,
3、核心图片信息提取（Extractor）,信息来源 HTML文档用于组织文字和图片等 通过分析HTML文档找到图片和相关的文字 提取方法 不能确知网页作者组织信息的方法，所以利用启发式规则 将最可能与某图片相关的位置的文字作为图片的文字描述信息,常用提取模式,标记 从src获取图片来源 从alt获取相关文字信息（注意可能为文件名） 获得width和height，用于以后的过滤,常用提取模式（续）,标记 从href获得URL，判断是否为图片（简单的根据扩展名，不处理动态内容） 从title获得相关文字信息 从anchor_text获得图片的文字信息（通常最准确）,常用提取模式（续）,网页的标题 图
4、片与所在网页相关，因此和网页的标题相关 提取下的文字。有时下还会嵌套标记，需要去除。有时使用缺省的名字（比如new page或者Untitled Document），需要过滤,常用提取模式（续）,链接到图片所在网页的文本 和网页的标题一样，这是对网页的描述，所以Some_info可能和xxx.jpg相关 需要跨页面的信息提取,Some_info,a.html,xxx.jpg,常用提取模式（续）,网页的meta标记 也是对网页内容的描述 可以提取其中的keywords和description的值,常用提取模式（续）,图片的URL 图片的URL可能含有相关信息（path和file_name） 判断
5、path和file_name是否为中文，或者为英文单词，是则可能有意义 不考虑站点的domain_name，太泛,常用提取模式（续）,关联的和 嵌套 则xxx.jpg和foo.html的内容相关，可以使用foo.html的标题作为文字信息 并列 anchor_text 则xxx.jpg和anchor_text相关，可以用anchor_text作为文字信息,常用提取模式（续）,结构 组织结果比较多样化 相关的文字和图片放到同一个中； 相关的文字和图片放在同一个下的两个里； 相关的文字和图片放在两个相邻的内； 以某种其他的规律出现在里 提取时需要判断使用的是哪一种组织方式,Hello, world你好，世界,常用提取模式（续）,图片周围文字 比较难于界定“周围”的含义。 基于流的方式，图片所在HTML流中位置前后一段固定的距离,常用提取模式（续）,图片周围文字（续） 基于DOM的方式 与图片具有共同最低祖先的文字节点, some_text ,
