《相关反馈中动态权重算法的研究及应用》由会员分享，可在线阅读，更多相关《相关反馈中动态权重算法的研究及应用（60页珍藏版）》请在金锄头文库上搜索。
1、湘潭大学 硕士学位论文 相关反馈中动态权重算法的研究及应用 姓名：文立 申请学位级别：硕士 专业：计算机应用技术 指导教师：石跃祥 20070501 第 I 页 共 64 页 摘 要 随着多媒体技术及 Internet 网络的迅速发展，图像来源不断扩大，大容量高速存储 系统为图像的海量存储提供了基本保障，各行各业对图像的使用越来越广泛，图像信息 资源的组织、管理和检索显得日益重要。为提高图像资源的利用率，图像信息资源的检 索方法已成为国内外研究的热点。鉴于语义特征提取比较困难情况下，基于低层特征的 图像检索是目前比较常用的方法。 基于低层特征的图像检索容易造成低层特征与高层特 征之间的鸿沟。
2、目前解决语义鸿沟问题的方法之一是相关反馈。 相关反馈方法有许多种， 如查询向量、动态权重更新、贝叶斯、支持向量、神经网络等。其中贝叶斯参数、支持 向量机、神经网络方法其实是一个机器学习的过程，这些方法都会受到样本数量多少及 特征维数大小的影响。 如果样本数量太少， 就得不到准确的反馈信息。 若特征维数过大， 机器学习就是一个费时的过程，因此常常要进行特征维约减处理。与贝叶斯参数、支持 向量机、神经网络方法相比，查询向量移动和动态权重更新的相关反馈方法就不会受到 样本数量多少及特征维数大小的影响。鉴于以上分析，本文对这两种相关反馈方法进行 研究，着重研究了动态权重的更新。通过实验和分析发现，动态
3、权重更新对那些语义和 视觉上比较相似的图像进行检索时，有时会陷入局部最优。本文对查询向量移动、动态 权重更新方法进行详细的分析，分析两者的优缺点并且采取两种措施来解决此问题：一 是在交互反馈中，把负例图像对检索的影响以交互的形式反馈给计算机，从而去影响权 值。二是利用 Fish 准则函数强行改变权重的值，从而退出局部最优区域。在对动态权重 算法改进的基础上，提出两种相关反馈方法结合的模型。基于内容的图像检索中，选取 恰当的图像特征、采取有效的特征提取方法、特征匹配算法的选取这三个方面会影响到 图像检索的检索性能；本文选取的特征是颜色和形状特征，并提出了自己的均匀量化方 法。采用的匹配算法是加权
4、欧氏距离匹配算法。 实验结果表明，在同等实验条件下，改进后的动态权重方法与前人提出的传统权重 更新反馈方法（Rui 方法）相比，其性能得到了改善。而这两种相关反馈结合方法的检 索性能都优于在同等实验条件下同类和不同类的相关反馈方法。 本文的研究对图像检索 研究、相关反馈方法研究有一定的参考价值和实际意义。 关键词：相关反馈； 权值； 局部最优； 干扰因子； 查询向量移动 第 II 页 共 64 页 Abstract With rapid development of multimedia technology and internet technology, enlargement of th
5、e image resource can be got and has been used in all works by high-speed storage. It is increasingly important to organize, manage and retrieve the image information resource. In order to improve the use ratio of image, the image retrieval method has become the hot research area at home and abroad.
6、Because of the difficulty in semantic feature extraction, the image retrieval based on low-level feature is a common method at present. But this method can easily form the semantic gap between the low-level feature and the high-level feature. Now one method of solving this problem is relevant feedba
7、ck. The relevant feedback includes many methods, such as querying vector modification, dynamic weight updating, Bayesian parameter, support vector machine, neural network and so on. Bayesian parameter, support vector machine, neural network methods are actually a machine learning process. These are
8、affected by the sample quantity and the feature dimensions. If the sample quantity is too small, the machine can not get accurate feedback information. If the feature dimension is too high, the machine learning process is time-consuming, so it must be reduced often. However the query vector movement
9、 and re-weight updating do not have the problems. Because of all above, we studied both methods, and stressed on the re-weighting updating. Through the experiment analysis, we found that the retrieval sometimes falls in Sub-optimum when retrieving the semantically and visually similar images, with t
10、he method of dynamic weight updating. In order to solve the problem, we take two measures: the first one is, in the interactive feedback process, to offer the impact of negative examples to retrieval as interactive formation to the computer that would affect the weight. The second is to use Fisher c
11、riteria function to change the weight forcefully, so to withdraw from the local optimal region. Further in the thesis, base on the improving this method, we propose a new one that combines both of the two approaches. In the content-based image retrieval, selecting appropriate image features, taking
12、effective method to extract features, and selecting appropriate feature matching algorithm will all affect the retrieval performance. We select the color and shape features in my thesis, and put forward our own equality quantization method. And we adopt the Euclidean distance matching algorithm. Exp
13、erimental results show that, under the same experimental conditions, our improved dynamic re-weight method outperforms the traditional updating weight method proposed by the predecessor (Rui method),and its performance is improved. Nevertheless the retrieval performance of our combination method is
14、better than the same and different relevance feedback methods. The study of ours contributes to the research of image retrieval and relevance feedback, and it has certain theory reference value and practical significance. Key word: : Relevant feedback; Weight; Sub-optimum; Disturbing factor; query v
15、ector moving 湘潭大学湘潭大学 学位论文原创性声明学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研 究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文 不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研 究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完 全意识到本声明的法律后果由本人承担。 作者签名： 日期：2007 年 5 月 8 日 学位论文版权使用授权书学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定， 同意学校保留并向国家有关部门或机构送交论文的复印件和电子版， 允许论文被查阅和借阅。
16、本人授权湘潭大学可以将本学位论文的全部 或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等 复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名： 日期：2007 年 5 月 8 日 导师签名： 日期：2007 年 5 月 8 日 湘潭大学硕士论文 相关反馈中动态权重算法的研究及应用 第 1 页 共 64 页 第一章 绪论 1.1 课题背景 随着多媒体技术及 Internet 网络的迅速发展， 图像来源不断扩大,大容量高速存储 系统为图像的海量存储提供了基本保障,各行各业对图像的使用越来越广泛,图像信息 资源的组织、管理和检索显得日益重要。为提高图像资源的利用率，图像信息资源的检 索方法已成为国内外研究的热点。 建立有效的图像描述和检索机制己成为迫切需要解决 的问题；而基于文本的检索由于存在文本注释量大、文本标注主观性强等不足，于是就 产生了基于内容的图像检索。基于内容的图像检索(content-based image retrieval, CBIR),试图通过提取图像中固有信息来表达、识别和理解图像的内容。这种固有信息主 要就是视觉特征。对图
