基于用户兴趣特征的图像检索研究与实现

论文摘要

鉴于基于内容图像检索（Content-Based Image Retrieval,CBIR）技术的高效性,人们开始研究它与Web的结合,以提高互联网图像检索效率。Web与CBIR技术的结合,已逐渐成为基于内容图像检索的热点问题,也是基于内容图像检索系统未来发展的趋势。面向Web的CBIR系统,通过跟踪用户的访问记录的方式,分析用户的兴趣特征,与待检索示例图像的特征结合,共同完成图像检索,能有效地提高用户的检索效率。本文主要完成了研究工作如下:（1）用户兴趣图像获取。通过Web服务器端日志分析,去除无用日志记录和日志项,得到用户过去访问图像的记录,并将这些数据按照用户兴趣特征检索的要求建立访问图像索引表。（2）融合颜色和纹理特征的图像检索。图像特征提取应用基于HSV（Hue, Saturation, Value）空间的累积颜色直方图法及灰度共生矩阵法获取图像的20维颜色特征和16维纹理特征,并选用直方图相交法和欧式距离分别计算颜色和纹理特征相似度,最后对颜色和纹理相似度进行归一化处理,并以一定权值合成全局相似度。（3）基于用户兴趣特征的图像检索。用户兴趣特征检索有两种方法:基于单用户兴趣特征的检索和基于多用户兴趣特征检索。基于单用户兴趣特征的检索由已经获得的用户兴趣图像,综合遗忘因子,得到用户兴趣特征,综合待检索示例图像进行检索。基于多用户兴趣特征检索则通过多用户近期兴趣特征的聚类,作为用户的近期兴趣特征,并结合待检索示例图像特征完成检索。通过与直接检索示例图像的实验对比,表明两种基于用户兴趣特征的图像检索方法均能够提高用户的检索效率。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 面向Web 的CBIR 系统
• 1.2 相关反馈技术
• 1.3 Web 数据挖掘
• 1.4 评价标准
• 1.5 主要研究内容
• 第2章 用户兴趣数据获取与处理
• 2.1 引言
• 2.2 用户兴趣图像获取
• 2.2.1 Web 兴趣数据获取方法
• 2.2.2 Web 服务器端数据获取
• 2.3 数据预处理
• 2.3.1 日志过滤
• 2.3.2 索引表的建立
• 2.4 本章小结
• 第3章 用户兴趣特征检索
• 3.1 融合图像和纹理特征的图像检索
• 3.1.1 基于HSV 空间的累积颜色直方图
• 3.1.2 灰度共生矩阵
• 3.1.3 相似性度量及归一化
• 3.2 单用户兴趣特征的图像检索
• 3.3 多用户兴趣特征的图像检索
• 3.3.1 多用户兴趣特征聚类算法
• 3.3.2 用户近期兴趣特征检索
• 3.4 本章小结
• 第4章 实验设计与分析
• 4.1 实验数据
• 4.1.1 实验平台基础数据
• 4.1.2 索引表数据
• 4.2 系统设计
• 4.3 实验参数的设置
• 4.3.1 颜色纹理相似度权重的选择
• 4.3.2 单用户兴趣特征检索
• 4.3.3 多用户兴趣特征检索
• 4.4 实验结果对比分析
• 4.4.1 实验结果对比
• 4.4.2 实验结果分析
• 4.5 本章小结
• 结论
• 参考文献
• 致谢