基于联盟的图像检索优化方法研究与实现

论文摘要

随着大规模数字图像库的出现,传统的依赖于人工标注进行的基于文本的图像检索技术已经无法满足用户日益增长的要求,基于内容的图像检索技术（Content-based image retrieval CBIR）便应运而生。CBIR的一般做法是提取图像的某些特征,构成其特征向量,为方便检索,对特征空间建立索引。现在已有一些不同的建立索引的方法,CM-tree（度量聚类树）是一种较新的方法。CM-tree节点中保存了聚类半径及聚类之间距离表,基于度量空间聚类的范围查询算法利用距离表的信息,根据三角不等式减少距离计算的次数,加快检索的时间。在处理单个的、小数据量的查询检索上,基于度量聚类检索具有一定的优势。但是用户在一段时间内提交的查询是具有相当的关联性的,或者极端的来说是重复性的,如果仍然使用常规的检索方式对度量聚类索引树进行检索,毫无疑问的会多做许多重复的工作,如对同一张图片进行多次检索,或者对关联性相关很大的图片也是进行多次的检索。基于联盟对度量聚类检索的优化方法可以解决上述问题。联盟即主查询和被邀请查询经过一系列的规则所形成的复合查询的技术手段。联盟的应用层次就在度量聚类树根节点下的第一层导航节点上,在此层次上,主查询在不同的导航节点上分别和被邀请查询根据一定的规则进行联盟操作,并创建复合查询,对复合查询进行相应节点上的检索。同时,在主查询和被邀请查询相应的属性中保留在该节点上的联盟信息,被邀请节点在下一次查询的过程中就不需要对有联盟信息的节点上进行检索,此操作可避免重复查询,减少查询的次数,提高查询的效率。基于联盟对度量聚类检索优化,主要在批量数据、实时查询的背景下应用,实验表明了采用联盟的技术能有效地提高查询的效率,减少重复查询的次数。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 课题背景
• 1.2 基于内容图像检索的研究概况
• 1.3 主要研究工作
• 1.4 论文组织
• 2 基于度量空间聚类的图像检索
• 2.1 层次结构索引
• 2.2 基于度量空间聚类的索引
• 2.3 基于度量空间聚类的范围查询算法
• 2.4 本章小结
• 3 基于联盟对度量聚类检索的优化
• 3.1 基于联盟的检索方法
• 3.2 联盟规则
• 3.3 基于联盟对度量聚类检索的优化算法
• 3.4 算法分析
• 3.5 本章小结
• 4 基于联盟对度量聚类检索的优化算法的设计与实现
• 4.1 开发平台简介
• 4.2 算法设计与实现
• 4.3 运行结果与分析
• 4.4 本章小结
• 5 结束语
• 5.1 全文总结
• 5.2 进一步的研究方向
• 致谢
• 参考文献