基于SVM的圖像內(nèi)容檢索研究.pdf

1、隨著基于內(nèi)容的圖像檢索技術(shù)的發(fā)展，包含“交互系統(tǒng)”和“用戶(hù)參與”的相關(guān)反饋構(gòu)架，在縮減高層語(yǔ)義概念與低層視覺(jué)特征之間的‘語(yǔ)義鴻溝’方面體現(xiàn)了較好的性能。特別是基于支持向量機(jī)的相關(guān)反饋，由于具有良好的泛化能力，因而進(jìn)一步提高了檢索性能。盡管如此，圖像檢索系統(tǒng)中基于支持向量機(jī)的相關(guān)反饋性能由于以下四個(gè)原因而可能變差：
　　 1)小樣本導(dǎo)致支持向量機(jī)分類(lèi)器性能不穩(wěn)定。若訓(xùn)練樣本數(shù)較小，則SVM的最優(yōu)分類(lèi)面對(duì)訓(xùn)練樣本較敏感，SVM分類(lèi)器

2、性能可能會(huì)很差。2)樣本不對(duì)稱(chēng)問(wèn)題。大多數(shù)情況下，用戶(hù)反饋的正樣本數(shù)遠(yuǎn)小于負(fù)樣本數(shù)。因此，在訓(xùn)練過(guò)程中，如果將正負(fù)樣本同等對(duì)待的話(huà)，決策而可能會(huì)發(fā)生傾斜，導(dǎo)致將不相關(guān)的圖像誤判為相關(guān)的。3)過(guò)學(xué)習(xí)問(wèn)題。由于特征向量的維數(shù)遠(yuǎn)大于用戶(hù)每次提供的反饋樣本數(shù)，多數(shù)分類(lèi)器會(huì)發(fā)生過(guò)學(xué)習(xí)問(wèn)題，導(dǎo)致SVM分類(lèi)器的性能變差。4)由于用戶(hù)參與到訓(xùn)練的過(guò)程中，算法的實(shí)時(shí)性要求嚴(yán)格。針對(duì)上述問(wèn)題，本文進(jìn)行了下述的研究：
　　 首先，對(duì)基于內(nèi)容的圖像檢索

3、中關(guān)鍵技術(shù)進(jìn)行了闡述和分析。
　　 其次，提出了一種多特征組合、訓(xùn)練多個(gè)SVM分類(lèi)器的反饋算法，更好地把握?qǐng)D像檢索中用戶(hù)的主觀(guān)意圖。
　　 第三，提出了一種模糊支持向量機(jī)結(jié)合非對(duì)稱(chēng)打包的算法，解決了傳統(tǒng)支持向量機(jī)中的小樣本和不對(duì)稱(chēng)問(wèn)題。另外，采用維數(shù)比較低的特征，緩解了過(guò)學(xué)習(xí)的問(wèn)題。實(shí)驗(yàn)表明，與已有的算法相比，雖然算法耗費(fèi)的時(shí)間略微增加，但檢索性能得到了較大提高。
　　 在上述工作的基礎(chǔ)上，構(gòu)建了一個(gè)而向本地?cái)?shù)據(jù)