基于内容的图像检索和聚类反馈系统研究

论文摘要

基于内容的图像检索中面临两个问题：首先是底层视觉特征与高层语义之间存在差距；其次是视觉特征向量的维数较高,使得大型图像数据库中的检索速度非常慢。针对上述问题,本文重点研究了图像检索系统中的反馈系统以及特征向量索引方法,设计并且实现了一个图像检索仿真模拟系统。首先,针对颜色特征检索的有效性问题,提出一种基于HSV颜色模型的直方图提取算法,在保证检索准确性的前提下大幅度降低了运算复杂度；其次,为进一步提高检索有效性,提出一种基于聚类反馈的检索反馈机制,通过对数据集以及反馈结果的聚类划分,判定反馈图像的所属类别,从所属类别中检索出更多结果,该方法既能提高检索准确性,又能提高反馈过程中的检索速度；最后,针对检索效率问题,采用局部降维算法来降低高维特征向量的维数,该算法根据数据库中已有的聚类划分,应用主分量分析方法分别对每个聚类中的图像特征向量进行降维,能够大幅度降低运算复杂度,提高检索效率。本文在Visual studio2005平台上用C#编程语言设计了图像检索系统,实现了本文提出的各种算法,在图像数据库上的实验结果证明了本文中提出算法的有效性,基本实现了设计目标。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题背景与研究意义
• 1.2 国内外研究现状和面临的主要问题
• 1.3 本文研究内容和章节安排
• 1.3.1 本文研究内容和所做工作
• 1.3.2 论文章节安排
• 第二章 基于内容图像检索的相关技术
• 2.1 CBIR体系结构概述
• 2.1.1 图像特征的提取与表达
• 2.1.2 有效检索
• 2.1.3 用户接口
• 2.1.4 基于内容图像检索的特点
• 2.2 图像特征的提取与表达
• 2.2.1 图像颜色特征
• 2.2.2 图像纹理特征
• 2.2.3 图像形状特征
• 2.2.4 图像的语义特征
• 2.3 图像高维特征降维和索引
• 2.3.1 主分量分析
• 2.3.2 LLE方法
• 2.4 图像相似度度量
• 2.4.1 相似公理
• 2.4.2 常用的相似性度量方法
• 2.5 查询类型
• 2.5.1 范围查询
• 2.5.2 K近邻查询
• 2.6 图像检索中的相关反馈
• 2.6.1 基于修改查询矢量或距离度量的反馈
• 2.6.2 基于修改图像数据库点分布的反馈
• 2.6.3 基于人工智能学习的反馈
• 2.7 图像检索系统性能评价准则
• 2.7.1 查全率和查准率
• 2.7.2 命中准确率
• 2.7.3 排序值评测法
• 2.8 图像检索中的聚类算法
• 2.8.1 聚类方法介绍
• 2.8.2 K-means聚类算法
• 2.8.3 总结聚类算法在图像检索中的应用点
• 第三章 基于内容的图像检索及聚类反馈系统的设计
• 3.1 基于颜色特征的图像检索及聚类反馈系统架构
• 3.1.1 基于内容图像检索的一般框架
• 3.1.2 基于颜色特征的图像检索及聚类反馈系统框架设计
• 3.2 基于HSV的图像颜色特征提取算法
• 3.2.1 RGB颜色值转换为HSV颜色值
• 3.2.2 非等间距量化计算HSV颜色直方图
• 3.2.3 HSV分量合成一个向量
• 3.3 聚类算法
• 3.3.1 聚类算法选择
• 3.3.2 聚类算法流程
• 3.3.3 聚类效果评估
• 3.4 主分量分析算法
• 3.4.1 主分量分析原理
• 3.4.2 PCA算法步骤
• 3.4.3 Matlab仿真试验结果
• 3.5 检索算法
• 3.5.1 图像特征相似度判断算法选择
• 3.5.2 查询类型选择
• 3.5.3 聚类内部检索算法流程
• 3.6 反馈算法
• 3.6.1 基于聚类的反馈算法设计
• 3.6.2 基于聚类的反馈算法流程
• 第四章 基于内容的图像检索及聚类反馈系统的实现
• 4.1 相关技术
• 4.2 系统模型
• 4.3 实验结果分析
• 第五章 总结与展望
• 5.1 完成的主要工作
• 5.2 进一步研究方向
• 致谢
• 参考文献
• 研究成果