圖像檢索中的重排序算法研究.pdf

1、隨著多媒體及網(wǎng)絡技術的飛速發(fā)展，數(shù)字圖像的種類和數(shù)量都在與日俱增。如何從這些龐大的圖像集中迅速且精確地檢索出用戶所需要的圖像信息，并以一定的排序方式將檢索結果呈現(xiàn)給用戶，是圖像檢索領域研究的熱點問題之一。目前圖像檢索領域中普遍使用的一種方式是基于內(nèi)容的圖像檢索（Content-Based Image Retrieval，CBIR）。然而，在CBIR的各個組成部分中，排序算法直接決定了用戶看到的檢索結果。所以，排序算法的性能對于CBIR技

2、術的性能起著至關重要的作用。隨著搜索引擎檢索性能的提高，目前大多數(shù)的排序算法主要基于圖像之間的相似度對圖像進行重排序，即將與查詢圖像最相似的圖像呈現(xiàn)在結果列表的最前面，比如VisualRank算法。但是這樣的重排序方式并沒有考慮到檢索結果的多樣性，所以基于多樣性的重排序算法隨之提出，比如Multiclass VisualRank算法。
　　本研究主要內(nèi)容包括：⑴基于VisualRank算法，提出一種改進的圖像相關性重排序算法。Vi

3、sual Rank算法中提取圖像的尺度不變特征轉(zhuǎn)換（Scale Invariant Feature Transform，SIFT），在這個過程中需要提取大量的關鍵點，這造成了計算量大及計算復雜度高等缺點。本論文首先通過提取圖像的空間金字塔匹配（Spatial Pyramid Matching，SPM）特征改進了VisualRank算法中的SIFT特征，然后按照PageRank算法的思想對圖像進行重排序，最后將結果呈現(xiàn)給用戶。實驗結果表明

4、，本論文的排序算法得到的排序結果具有較高的相關性，而且計算復雜度較低，更加符合用戶的需求。⑵基于Multiclass VisualRank算法，本論文提出一種改進的圖像多樣性重排序算法。Multiclass VisualRank算法首先提取圖像的SIFT特征，然后用規(guī)范割（Normalized Cuts，Ncuts）聚類算法對圖像庫中的圖像進行聚類，之后每一類中，對圖像進行排序，將最后的結果以分類的方式呈現(xiàn)給用戶。但規(guī)范割算法是基于圖像