基于學習聚類的圖像檢索算法研究.pdf

1、隨著信息技術的高速發(fā)展，數(shù)字圖像急劇膨脹。如何快速提取感興趣的目標圖像，成為海量信息處理面臨的瓶頸。聚類分析近十年來發(fā)展迅速，被廣泛應用到人工智能、信息控制、醫(yī)療診斷、天氣預報、圖像分析等領域，其中使用最普遍的是C-均值聚類。 C-均值聚類雖然在圖像處理中應用比較廣泛，但也存在很多不足。基于此，在聚類基礎上，引進相關反饋機制對聚類進行調(diào)整，稱之為學習聚類。當前主要的圖像檢索方法有基于內(nèi)容的和基于語義的。這兩種方法各自存在優(yōu)缺點，

2、同時也存在一些共同的難點。結合兩個圖像檢索算法的特點，在學習聚類的基礎上提出了基于底層特征和語義的圖像檢索算法BFSR(Based on Feature and Semantic Retrieval Algorithm)。它存在不少優(yōu)點：有效的解決了初始類中心的選取、能自動地進行語義標識、能從多個角度表達圖像內(nèi)容，半自動地確定聚類數(shù)目等。但也存在檢索精度不高，無法解決語義的同義性和分歧性等問題。存在這些問題的主要原因是由于側重點不同，用

3、戶對圖像相似性判斷也存在不同的標準?；诖?，在BFSR的基礎上結合相關反饋策略改進得到了基于相關反饋的學習聚類算法RFCL(Based on Relevant Feedback Cluster Learning Algorithm)。RFCL能夠根據(jù)用戶行為猜測用戶的興趣，并能自動地調(diào)整相似性度量準則來提高檢索的準確率。 根據(jù)RFCL的思路開發(fā)了一個界面設計合理的試驗系統(tǒng)。通過對查全率和查準率的分析，顯示RFCL具有能消除語義的