基于P2P网络分布式图像标注方法研究

本项目研究P2P环境下分布式图像标注方法解决现有P2P网络图像检索研究中存在的图像查询语义偏差大和传递查询图像的高维特征向量带来的网络负载大的难题。为此，本项目主要研究基于移动agent智能体的网络动态拓扑架构，以节约网络带宽资源及分担通信负荷；研究P2P网络的分布式图像标注方法：研究基于多agent的分布式图像区域聚类方法，减少聚类过程中节点间信息传输量，实现快速、准确地聚类；研究基于自举验证和序列化对象区域建模方法，提高分布式图像对象的高层语义表达能力；研究基于重采样和Naive Bayes模型的查询语义扩展方法，将不同用户语义的关键字进行统一映射，方便用户查询。本项目的研究成果使用户在P2P网络上能便捷地采用文本关键字来查找相似图像，提高P2P网络上图像的语义检索水平并有效降低网络传递查询信息时的通信负荷，将产生很好的经济效益和社会效益。

随着分布式P2P网络的迅猛发展，在P2P网络上进行多媒体图像的标注与分类，使得普通用户可以在P2P网络上便捷地采用文本关键字来查找多媒体图像信息，具有非常重要的理论和应用价值。在此背景下本项目研究P2P网络上分布式图像标注与分类方法，力图解决图像语义偏差大和P2P网络在多媒体图像查询中负载大的难题，主要研究成果包括：A. P2P网络动态拓扑架构设计研究。在此项研究中研究了基于信息扩散理论的P2P搜索算法，通过周期性地检查节点搜索命中率的变化情况，将节点资源动态变化信息及时更新给网络其他节点，引导搜索信息的转发及命中,以提高P2P的搜索效率；研究了基于移动智能体的无结构P2P网络拓扑重连方法，指导移动agent有目的的在网络中迁移, 从而使移动agent及时发现网络节点上的拥塞,使得节点及时重连达到网络中节点负载均衡的目的。B. P2P网络分布式的图像区域聚类方法研究。在此项研究中主要研究了基于节点数据密度的分布式K-Means聚类算法，以及基于 Fisher 判别来确定置信半径的分布式聚类算法。以上算法通过确定在同一子类数据上的稠密和稀疏分布，从而快速确定聚类的置信半径并指导下一步的聚类过程，从而有效减少网络带宽的使用，能够在P2P网络上对高维图像多媒体数据进行分布式聚类。C. P2P网络分布式的图像对象建模研究。在此项研究中研究了基于证据理论的图像子类分类方法，通过应用证据理论融合图像上不同的特征，从而实现图像子类的分类。研究了基于多特征证据理论融合的视觉词典构建方法，应用证据理论融合不同特征的视觉相似性，构造出更加精确的视觉词典，构造的精确视觉词典可有效提高图像分类的实际效果。研究了基于冗余数据约减的支持向量机训练方法，通过费歇尔判别率准则将同一聚类的数据分成内层冗余数据和外层边界数据，只保留外层边界数据用于支持向量机的训练，在保持支持向量机分类精度的同时，能大大减少海量数据上支持向量机训练所需时间。本项研究的相关实验证明以上的研究成果可以有效地对P2P网络上的海量图像多媒体数据进行分布式分类与标注。