图像检索中相关反馈的半监督主动学习研究

摘要

随着多媒体与互联网技术迅猛发展，基于内容的图像检索受到广泛关注。然而早期的基于内容图像检索仅仅利用图像的颜色、纹理、形状等特征信息进行图像间相似性判定而无法有效解决图像低层特征与其高层概念语义不一致的“语义鸿沟”问题。相关反馈技术的引入有效缩小了语义鸿沟。统计学习与机器学习在相关反馈中的应用改善了图像检索的性能。本文针对学习过程中存在的小样本问题与数据冗余问题，从动态距离度量和聚类方法两个角度探索了融合谱聚类的半监督主动学习方法。具体研究内容如下：
　　 (1)本文采用一种动态距离度量方式对图像间相似性进行度量。根据反馈过程后用户反馈的相关性信息，针对不同低层特征动态地调整动态距离度量公式中相对应的权值，以反映用户的“主观性”，凸显“有利”特征，提高聚类准确性。
　　 (2)在动态距离度量的基础上，采用Ncut谱聚类方法对反馈区中样本(富有信息样本)进行聚类，选取待标集，以处理主动学习过程中的数据冗余性问题，从而使分类器从对同语义类中冗余性样本学习转变为对不同语义类样本学习，增强了分类器的主动学习效果。
　　 (3)本文针对SVM—AL，SSAIR，RS—AS3VM—AL，三种不同学习策略的算法，融合谱聚类方法，总结出了SVM—AL—DC，SSAIR—DC，RS—AS3VM—AL—DC算法。
　　 (4)本文设计并实现了一套CBIR检索系统并进行相关实验。该系统具有较好的灵活性。
　　 通过实验分析与比较，验证了半监督主动学习方法在检索准确性方面的优势，而谱聚类方法的融入，对检索准确性的进一步提升具有积极意义。

目录

文摘

英文文摘

第1章 绪论

1.1 研究背景

1.2 研究现状

1.3 研究内容

1.4 论文的组织结构

第2章 基于内容的图像检索相关技术概述

2.1 视觉特征提取

2.2 相似性度量

2.3 图像检索性能评估

第3章 融合聚类的半监督主动学习

3.1 相关反馈中的动态距离度量算法

3.1.1 构建图像模型

3.1.2 动态相似性度量融入相关反馈过程

3.1.3 规范化

3.1.4 权值调整

3.2 相关反馈中的聚类方法

3.2.1 聚类算法的选择与聚类个数

3.2.2 谱聚类算法在相关反馈中的融合

3.3 融合谱聚类的半监督主动学习框架

3.3.1 SVM(Support Vector Machine)算法概述

3.3.2 融合谱聚类的SVM主动学习SVM-AL-DC

3.3.3 融合谱聚类的基于半监督主动学习SSAIR-DC

3.3.4 融合谱聚类的基于半监督集成学习RS-AS3VM-AL-DC

3.4 实验结果与分析

3.4.1 实验涉及算法分析与对比

3.4.2 实验设置

3.4.3 结果与讨论

第4章 图像检索系统的设计与实现

4.1 CBIR系统总体结构需求分析与设计

4.1.1 系统总体结构框架

4.1.2 功能模块划分

4.2 系统实现

4.2.1 系统开发和运行环境介绍

4.2.2 系统实现界面

4.2.3 系统流程及实现细节

第5章 总结与展望

参考文献

致谢