改进的k-means聚类算法在图像检索中的应用研究

论文摘要

传统的基于内容的图像检索技术使用的是顺序检索,对于海量、高维的图像数据来说,这种检索方法在效率上显然已经不能满足需要。对图像数据库进行必要的预处理并且建立索引以提高检索效率显得越发重要。因此本文引入高效的k-means聚类算法和凝聚式层次聚类用于图像数据库的预处理以建立层次索引结构,从而达到快速检索的目的。在预处理时,针对k-means聚类算法k值的确定以及初始聚类中心的选定作了改进,给出了一种自适应的聚类算法,确保同一类内的相似度大,而不同类之间相似度小。本文的主要工作如下:1、提出一种基于Delaunay三角剖分的彩色图像加权直方图颜色特征表示方法。该特征保留了传统颜色直方图特征简单高效和对视角变化不敏感等优点,同时将颜色空间分布信息融合到直方图的表示中,能有效地提高查准率;在选择颜色模型时,根据HSV颜色模型的特性将其划分为黑色区域、白色区域和彩色区域,进一步提高了颜色模型的准确性。2、提出一种自适应的k-means聚类算法。该聚类算法采用Davies-BouldinIndex聚类指标来确定最佳聚类个数,以改良的最大最小距离法来选取初始聚类中心,有效地解决了k值难以确定、初始中心选择不当所带来的聚类结果不稳定等问题。3、建立基于自适应的k-means聚类和层次聚类的层次索引结构。利用聚类算法对图像特征进行聚类,根据特征库的数据视觉特征相似来组织层次索引结构。通过层次索引结构来减少对图像特征库的访问次数和访问数据量,实现对图像的快速检索。4、在以上理论基础之上,设计并实现了一个基于内容的图像检索实验平台,通过实验数据,从检索效率、查准率和查全率三方面进行比较,有力地证明了作者提出的基于聚类的层次索引结构在基于内容的图像检索中的高效、实用。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 基于内容图像检索技术研究的现状
• 1.3 论文的主要工作
• 1.4 论文组织结构
• 第二章 基于内容的图像检索技术
• 2.1 基于内容图像检索系统的体系结构
• 2.2 基于内容图像检索的原理特点
• 2.3 基于内容的图像检索关键技术
• 2.4 特征提取技术
• 2.4.1 颜色特征
• 2.4.2 纹理特征
• 2.4.3 形状特征
• 2.5 特征索引及检索技术
• 2.6 相似性测量技术
• 2.7 相关反馈机制
• 2.8 系统的检索性能评价
• 2.9 本章小结
• 第三章 基于颜色空间信息直方图的图像检索
• 3.1 颜色模型的选择
• 3.1.1 RGB颜色模型
• 3.1.2 HSV颜色模型
• 3.1.3 颜色模型的转化及改进
• 3.2 HSV模型的非均匀量化
• 3.3 加权直方图特征表示
• 3.3.1 Delaunay三角剖分
• 3.3.2 表示颜色空间分布信息的角度直方图
• 3.3.3 加权颜色直方图特征表示及匹配算法
• 3.4 实验及结果分析
• 3.5 本章小结
• 第四章 自适应的K-MEANS聚类算法和层次索引结构
• 4.1 聚类分析技术
• 4.1.1 聚类分析概论
• 4.1.2 聚类分析的典型要求
• 4.1.3 主要的聚类算法
• 4.2 K-MEANS聚类算法分析
• 4.2.1 k-means算法介绍
• 4.2.2 k-means算法的缺陷分析
• 4.3 一种自适应的K-MEANS聚类算法
• 4.3.1 选取两个最佳初始聚类中心
• 4.3.2 聚类个数k值的确定
• 4.3.3 对改进k-means算法的描述
• 4.3.4 仿真实验及分析
• 4.4 一种基于自适应的K-MEANS聚类和层次聚类的层次索引结构
• 4.4.1 高维数据及其索引结构的特点
• 4.4.2 设计思想
• 4.4.3 分层索引结构的实现
• 4.4.4 检索过程
• 4.5 实验结果
• 4.6 本章小结
• 第五章 CBIR系统设计与实验分析
• 5.1 系统框架及各功能模块
• 5.1.1 图像检索系统框架
• 5.1.2 图像数据库管理模块
• 5.1.3 图像检索模块
• 5.2 程序代码主要的类和结构
• 5.2.1 位图操作类CDib
• 5.2.2 特征层次索引类ClusterFeatrue
• 5.2.3 结果队列类CShowresult
• 5.3 实验结果与分析
• 5.4 本章小结
• 第六章 结论与展望
• 6.1 工作总结
• 6.2 需进一步研究的工作
• 参考文献
• 致谢
• 攻读硕士学位期间发表的学术论文