資源描述：
《基于加權特征空間信息視覺詞典的圖像檢索模型》由會員上傳分享，免費在線閱讀，更多相關內容在教育資源-天天文庫。
1、基于加權特征空間信息視覺詞典的圖像檢索模型 摘要：針對傳統(tǒng)的視覺詞袋模型中視覺詞典對底層特征量化時容易引入量化誤差，以及視覺單詞的適用性不足等問題，提出了基于加權特征空間信息視覺詞典的圖像檢索模型。從產生視覺詞典的常用聚類算法入手，分析和探討了聚類算法的特點，考慮聚類過程中特征空間的特征分布統(tǒng)計信息，通過實驗對不同的加權方式進行對比，得出效果較好的均值加權方案，據(jù)此對視覺單詞的重要程度加權，提高視覺詞典的描述能力。對比實驗表明，在ImageNet圖像數(shù)據(jù)集上，相對于同源視覺詞典，非同源視覺詞典對視覺空間的劃分影響較小，且基于加權特征空間信息視覺詞典在大數(shù)
2、據(jù)集上更加有效?！ ￡P鍵詞：圖像搜索；視覺詞袋模型；加權特征空間信息；視覺詞典；聚類算法 0引言 智能終端設備如智能手機、平板電腦，以及數(shù)碼相機和數(shù)碼攝像機的普及和便攜化，使這些多媒體采集設備已經成為人們日常生活中不可缺少的一部分。同時智能終端與互聯(lián)網(wǎng)之間的交互越來越方便，人們大量地使用這些設備來上傳、瀏覽和交流拍攝的數(shù)字圖像。據(jù)Intel統(tǒng)計[1]，僅在Flickr上就有2000萬的圖像瀏覽次數(shù)。據(jù)統(tǒng)計[2]，截至2011年8月，F(xiàn)lickr上的圖像總數(shù)已達60億張。相對于文字的信息而言，數(shù)字圖像具有直觀易于理解、信息層次感強、重點突出的特點。面對這
3、無比龐大的圖像數(shù)據(jù)庫，人們自然會產生這樣的需要：從這海量圖像中尋找滿足自己要求的圖像。因此，人們開發(fā)了各種各樣的圖像檢索系統(tǒng)，以滿足不同人群的各式各樣的需求?！ 』趦热莸膱D像檢索（ContentBasedImageRetrieval，CBIR）模型[3-5]的核心思想是模擬人對圖像的認知，通過對圖像的內容進行計算機層面的分析，根據(jù)內容建立語義索引，記錄圖像深入層面的信息，從而更好地理解用戶的需求，呈現(xiàn)更高質量的檢索效果。目前有多個在線的基于內容的圖像檢索系統(tǒng)，比如國外的TinEye[6]，GoogleImages[7]和百度的百度識圖等?！ 〗陙?，國內
4、外對圖像檢索的研究主要集中在對圖像的底層視覺特征以及全局特征的相關反饋的研究。Haas等[8]提出了基于感知學習的相關反饋算法；Wang等[9]提出了帶重啟的隨機游走的圖像注釋提前算法，從其注釋中找到相關視覺特征；針對圖像旋轉對圖像檢索造成的影響，朱正禮等[10]提出了預計非下采樣輪廓變換、灰度共生矩陣和新相似性度量的旋轉不變紋理圖像檢索算法。受文本領域信息檢索的啟發(fā)，Sivic等[11]將文本信息檢索中的詞袋模型（BagofWord，BoW）引入了基于內容的圖像檢索領域，提出了視覺詞袋模型（BagofVisualWord，BoVW），其核心是將圖像局部特
5、征量化到事先聚類的視覺詞典上，然后統(tǒng)計一幅圖像中出現(xiàn)的視覺單詞數(shù)量，將圖像表示成視覺單詞的統(tǒng)計直方圖，然后通過倒排索引建立圖像集合的數(shù)據(jù)庫表示。盡管BoVW模型是一個較好的用于表示海量圖像的方法，但是它仍然有很多不足之處，主要體現(xiàn)在視覺詞典的使用上。常用的視覺詞典主要具有以下幾個缺點：1）在使用視覺詞典量化圖像的視覺單詞時引入了噪聲；2）視覺詞典中單詞的“多義性”沒有得到充分挖掘；3）視覺詞典這種表示形式本質上喪失了局部特征的空間信息；4）視覺單詞和視覺詞典的描述能力沒有得到充分的挖掘?！ ♂槍ι鲜鰡栴}，本文從用于產生視覺詞典的常用聚類算法入手，分析和探討
6、了這些聚類算法的特點，同時考慮聚類過程中利用特征空間中特征分布的統(tǒng)計信息，產生視覺詞典的優(yōu)劣描述，并充分利用聚類算法產生的聚類中心會向特征空間中特征密集的方向移動這一特性，來提高視覺詞典的表示能力。該方法與傳統(tǒng)的詞袋模型和詞頻逆文檔頻率（TFIDF）加權方式緊密結合，可以提升視覺詞典的可遷移性和圖像檢索的檢索效果 2基于加權特征空間信息的視覺詞典 2.1對特征空間的分析 特征空間指的是由特征提?。‵eatureExtraction）步驟得到的特征向量（FeatureVector）生成的向量空間，該概念與線性代數(shù)中對應于特征向量（EigenVector
7、s）的特征空間不一樣。特征空間的每個點均對應一個特征向量，且每個定長的特征向量均對應于等維度的特征空間中的一個點。對特征空間和空間中的關系更簡潔與準確的描述，意味著對由特征向量表示的圖像數(shù)據(jù)集更為緊致與精確地表達，也就是說能夠提高圖像檢索系統(tǒng)的圖像存儲量與檢索的效果。因此，如何刻畫特征空間，如何用一定的方式來描述在特征空間中匹配的特征向量之間的關系，是非常重要的問題?！ ∫曈X詞典本質上是一種對特征空間中向量匹配關系的描述。一般來說，通過特征提取得到的特征向量，利用視覺詞典量化為特定的視覺單詞。這個過程在特征空間中的表現(xiàn)即為對特征空間中點的聚類。因此，基本的
8、視覺詞典模型中視覺詞典對特征空間中點與點之間關系的刻畫方法，即對距
