基于最佳路径森林分类的贪婪学习方法在CBIR系统的应用

摘要

针对一般相关反馈的基于内容图像检索(CBIR)方法不能有效处理相关图像和非相关图像的问题,提出了一种基于最佳路径森林分类(OPF)的贪婪学习方法(GL-OPF),该方法旨在返回每次迭代查询的最相关图像.首先,查询图像和数据集图像通过Gabor小波变换提取特征向量;然后,通过GL-OPF主动学习方法获得图像关联性反馈,生成标记训练集;最后,标记训练集通过OPF分类器进一步评估形成相关性和非相关性原型集,每次迭代都会返回查询的最相关图像.3个公开图像数据集Caltchl01、Corel和Pascal上的实验验证了本文方法的有效性.实验结果表明,在3个数据集中,迭代8次时,GL-OPF的查询精度比其他3种方法均有较大提高,此外,GL-OPF的迭代运行时间和查询时间与OPF几乎相同,很大程度改进了OPF方法.