基于聚類和SVM主動反饋的圖像檢索方法.pdf

1、隨著計算機技術和互聯(lián)網的飛速發(fā)展，包括數字圖像在內的各種多媒體數據的數量正在以驚人的速度增長，面對海量的多媒體信息，如何有效的管理、組織和利用有用的信息是一個關鍵和迫切的問題，同時也是一個重大的挑戰(zhàn)。當傳統(tǒng)的基于標注的圖像檢索方法已經不能滿足用戶的需求的時候，研究者們提出了一種通過提取圖像視覺內容，如顏色、形狀、紋理等特征來實現(xiàn)檢索的技術，并稱之為基于內容圖像檢索技術。
　　 基于內容圖像檢索存在的主要問題是低層圖像特征到高層語

2、義特征的映射問題，以及用戶的主觀性問題，稱之為語義鴻溝問題。為了更好的解決這個問題，在上世紀90年代末期，最初在文本檢索中使用并取得成功的相關反饋技術引入到基于內容圖像檢索中，它吸引了很多研究者的興趣，并被證明是一種提高基于內容圖像檢索系統(tǒng)的性能的有效方法。研究者將相關反饋問題看成監(jiān)督學習的過程，由此許多研究把機器學習方法引入到相關反饋技術中。最近很多相關反饋的研究都是基于支持向量機。相比其他算法，支持向量機有較好的泛化能力，不需要嚴格

3、的假設，以及快速學習能力。結合主動學習的思想，Tong提出一種SVM-active主動反饋算法，并認為最接近分類邊界的圖像是最有信息度，在每輪反饋中選擇最接近SVM分類超平面的樣本作為反饋樣本，但是此方法存在反饋樣本特征冗余，SVM學習會變得偏差和不穩(wěn)定。
　　 視覺特征選擇一直是圖像檢索研究的一個熱點。在檢索過程中，根據用戶查詢需求的不同，用戶對不同特征的關注度不一樣，即不同的類型的圖像與不同特征子空間的相關度是不一致的，在某

4、些查詢里面，顏色特征可能占有更重要的作用。因此需要一種更好的方法來描述用戶的查詢意圖和特征子空間之間的關系。
　　 為了改進SVM-active的樣本選擇策略和更好的模擬用戶查詢時候對不同特征子空間的關注度，本文提出了一種主動學習算法。顏色和紋理可以認為是一張圖片的兩個充分不相關的視圖，結合多視圖學習的思想，首先分別計算顏色和紋理兩種特征空間的權值，并在兩種特征空間上分別進行SVM學習，并對未標注樣本進行分類；為了減少反饋樣本的