CBIR系统中基于半监督ELM的相关反馈研究

摘要

随着数据采集技术、存储技术及多媒体技术的发展,很多应用领域都产生了大量的图像数据。面对各种类型的超大规模的图像库,如何从中快速准确的找出人们需要的图像信息,即图像检索,是当前模式识别、信息处理等很多研究领域的热点课题。基于内容的图像检索是指根据图像的底层特征对图像库进行检索,检索出与查询图像匹配的图像。在图像检索领域中目前存在的最主要的问题是,图像的底层特征与人对图像内容的理解之间存在着很大的差异即“语义鸿沟”。
　　在图像检索中引入相关反馈机制是解决语义鸿沟的有效途径之一,由于图像特征的维数较高,而传统的检索算法运算速度较慢,因此在期望提高检索正确率的情况下,提高算法的速度也很重要。为了解决这些问题,本文提出了一种基于半监督的前馈型神经网络相关反馈算法,在此基础上对检索结果的排序问题进行了研究。本文的主要工作如下:
　　(1)针对现有CBIR系统运行速度慢的问题,本文提出了一种基于Tri-training ELM的快速分类算法,用于图像数据库的分类;
　　(2)针对现有CBIR系统检索精度不高的问题,基于Tri-training ELM分类算法,提出了一种新的相关反馈策略,通过用户反馈的信息,获得较为满意的检索结果;
　　(3)针对现有CBIR系统检索结果排序较差的问题,对相似性积分重排序算法进行了改进,并将其与相关反馈相结合,获得了较好的排序结果。
　　在Corel图像数据库上进行了测试,结果表明本文所提方法是有效的。

目录

封面

声明

中文摘要

英文摘要

目录

表目录

第1章 绪 论

1.1 背景及意义

1.2 国内外研究现状

1.3 目前存在的问题

1.4 本文的主要研究内容

第2章 CBIR中的关键问题

2.1 相关反馈技术

2.2 重排序问题

2.3 图像的底层特征提取

2.4 本章小结

第3章 基于Tri-training ELM的相关反馈

3.1 极限学习机ELM

3.2 协同训练Tri-training

3.3 基于Tri-training ELM的分类算法

3.4 基于Tri-training ELM的相关反馈

3.5 实验结果与分析

3.6 本章小结

第4章 检索结果的重排序

4.1 基于相似性积分重排序算法的改进

4.2 检索结果的重排序

4.3 重排序的评价指标

4.4 重排序算法的实验结果与分析

4.5 不同条件下的实验

4.6 本章小结

第5章 结论与展望

5.1 本文研究内容的总结

5.2 展望

参考文献

致谢

攻读学位期间发表的论文及参加的科研项目