基于K-centroid聚类和相关反馈的图像检索

摘要

近年来，伴随互联网和多媒体技术的飞速发展，数字图像的样式和内容变得日益丰富。基于内容的图像检索作为获取所需图像信息的有效方式，已经成为当代计算机视觉领域的研究热点。 采用单一图像特征对图像进行分析，会由于信息片面等原因导致对图像内容描述不精确。为此通过对颜色、形状、纹理多种特征的共同描述，准确对图像进行分析。针对在大图像库中检索范围大，效率低等缺陷，引入了K-centroid聚类算法。又针对图像检索过程中，机器对图像的分析与人对图像的分析差距大的缺陷，引入了相关反馈机制。将K-centroid聚类算法和相关反馈机制融合起来，共同作用于图像检索系统中，提高了图像检索的查询精度。 针对传统的K-centroid聚类随机确定类心而导致聚类效果不佳这一问题，提出一种改进的K-centroid聚类算法。通过计算向量距离及向量紧密度，获得K-centroid聚类的初始类心，极大程度地保证了聚类结果的准确性。又针对用户对实验结果的每一幅图像进行人工标注耗时费力这一问题，将检索结果默认为全相关，这时用户只需要反馈不相关图像即可，大大减少了用户的标注时间和精力。通过聚类算法和相关反馈机制相结合，由用户对系统的反馈来调节聚类的结果，从而满足用户的检索需求。 实验结果表明，与传统基于内容的图像检索方法相比，该方法不仅可以提高图像检索精度，还可以有效提高检索速度，实验总体效果较好。

目录

第一个书签之前

1 绪论

1.1 研究背景和意义

1.2 基于内容的图像检索的发展和现状

1.3 本文主要内容

1.4 文章内容安排

1.5 本章小结

2.1 基本原理

2.2 图像特征提取技术

2.2.1 颜色特征

2.2.2 形状特征

2.2.3 纹理特征

2.3 相似性匹配技术

2.3.1 Minkowsky距离

2.3.2 直方图相交法

2.3.3 二次式距离

2.4 评价性能指标

2.5 颜色、形状和纹理特征融合

2.5.1 图像特征归一化处理

2.5.2 不同特征权重赋值

2.6 本章小结

3.1 传统的K-centroid聚类方法

3.1.1 基本概念

3.1.2 基本原理

3.1.3 算法的操作步骤

3.2 改进的K-centroid聚类方法

3.3.1 实验环境与实验平台

3.3.2 实验方案与结果分析

3.4 本章小结

4 相关反馈检索方法研究

4.1 相关反馈机制

4.1.1 相关反馈基本思想

4.1.2 常用相关反馈算法

4.2 改进的K-centroid聚类与相关反馈融合

4.3.1 实验环境与实验平台

4.3.2 实验方案与结果分析

4.4 本章小结

5 结论与展望

5.1 结论

5.2 展望

一、基本情况

二、在学期间从事的科研工作