改進(jìn)的k-means聚類算法在圖像檢索中的應(yīng)用研究.pdf

1、傳統(tǒng)的基于內(nèi)容的圖像檢索技術(shù)使用的是順序檢索，對(duì)于海量、高維的圖像數(shù)據(jù)來說，這種檢索方法在效率上顯然已經(jīng)不能滿足需要。對(duì)圖像數(shù)據(jù)庫進(jìn)行必要的預(yù)處理并且建立索引以提高檢索效率顯得越發(fā)重要。因此本文引入高效的k-means聚類算法和凝聚式層次聚類用于圖像數(shù)據(jù)庫的預(yù)處理以建立層次索引結(jié)構(gòu)，從而達(dá)到快速檢索的目的。在預(yù)處理時(shí)，針對(duì)k-means聚類算法k值的確定以及初始聚類中心的選定作了改進(jìn)，給出了一種自適應(yīng)的聚類算法，確保同一類內(nèi)的相似度大，

2、而不同類之間相似度小。本文的主要工作如下：
　　 1、提出一種基于Delaunay三角剖分的彩色圖像加權(quán)直方圖顏色特征表示方法。該特征保留了傳統(tǒng)顏色直方圖特征簡(jiǎn)單高效和對(duì)視角變化不敏感等優(yōu)點(diǎn)，同時(shí)將顏色空間分布信息融合到直方圖的表示中，能有效地提高查準(zhǔn)率；在選擇顏色模型時(shí)，根據(jù)HSV顏色模型的特性將其劃分為黑色區(qū)域、白色區(qū)域和彩色區(qū)域，進(jìn)一步提高了顏色模型的準(zhǔn)確性。
　　 2、提出一種自適應(yīng)的k-means聚類算法。該聚

3、類算法采用Davies-BouldinIndex聚類指標(biāo)來確定最佳聚類個(gè)數(shù)，以改良的最大最小距離法來選取初始聚類中心，有效地解決了k值難以確定、初始中心選擇不當(dāng)所帶來的聚類結(jié)果不穩(wěn)定等問題。
　　 3、建立基于自適應(yīng)的k-means聚類和層次聚類的層次索引結(jié)構(gòu)。利用聚類算法對(duì)圖像特征進(jìn)行聚類，根據(jù)特征庫的數(shù)據(jù)視覺特征相似來組織層次索引結(jié)構(gòu)。通過層次索引結(jié)構(gòu)來減少對(duì)圖像特征庫的訪問次數(shù)和訪問數(shù)據(jù)量，實(shí)現(xiàn)對(duì)圖像的快速檢索。