圖象檢索中若干距離度量算法研究.pdf

1、高斯混合(GMs)函數表示圖象內容是一種流行的方法，它比直方圖方法能夠更有效地描述圖象內容，基于GMs的距離度量算法的研究已經成為基于內容圖象檢索的研究熱點。本文主要研究基于GMs模型的兩種距離度量算法，一種是最優(yōu)化方法，其代表算法是旅行商距離(EMD)，另一種是統(tǒng)計方法，其代表算法是漸進似然估計(ALA)距離，并且分別對它們提出了相應的改進算法。本文的主要內容如下： (1)Yossi Rubner提出了基于直方圖及EMD的圖象

2、檢索算法，由于直方圖不能很好地描述圖象的內容。本文在他的基礎上提出使用高斯混合的期望最大(GMEM)算法進行圖象描述，為EMD算法提供更恰當的概率模型。實驗結果表明這種GMEM聚類加上EMD距離度量的方法可以有效地提高檢索效率。 (2)統(tǒng)計方法在圖象檢索中具有檢索精度高的優(yōu)點，但其代價是計算量很大。為克服該缺點，Nuno Vasconcelos提出了ALA算法有效地減少了計算復雜度。然而這種距離度量方式會使高斯混合模型方差較大的

3、數據庫圖象產生誤判。為此，本文提出了改進的ALA算法即IALA，即利用分層的方法來提高檢索精度。 (3)例圖混合成分的集中時，用IALA算法效果較好；反之，用EMD可以收到好的效果，這兩種算法是互補的。本文進一步提出了測度選擇(MeasurementSelect(MS))算法，即根據例子的特征來選擇最好的距離度量算法。 (4)原始的EM算法的無法跳出局部最優(yōu)。本文提出了改進的EM算法并將它應用于基于內容的圖象檢索中。本文