信息熵和信息瓶颈算法在图像聚类中的应用

提出基于信息熵特征选择和信息瓶颈算法的图像聚类算法,首先提取图像的Gabor小波纹理特征和灰度共生矩阵纹理特征,然后采用信息熵特征选择方法进行特征降维;图像聚类方法很多,其中较为典型的k-means聚类算法,但它过分依赖距离函数和聚类中心的选择,采用信息瓶颈算法对图像进行聚类,信息瓶颈算法不需要定义距离函数,它考虑了样本与特征的关系,不仅压缩了样本的信息,同时又考虑保留特征信息。实验结果表明,提出的方法具有良好的聚类效果。     

基于多特征融合和Adaboost算法的图像检索

提出了一种多特征融合的图像检索方法。首先将图像进行分块,并提取分块主色,然后采用主色直方图作为图像的颜色特征。同时,提出采用Gabor小波描述图像的纹理特征,采用小波矩描述形状特征,最后将三种不同特征进行融合的检索方法。为了提高图像检索的准确度,提出Adaboost的相关反馈算法,在反馈过程中,Adaboost算法对特征进行降维,加快检索的速度。最后分别给出基于单一特征,特征融合和相关反馈方法的查准率和查全率,并对实验结果进行分析。     

基于k-means算法和相关反馈信息的图像检索方法

提出一种基于K-means算法和相关反馈信息的图像检索方法。首先运用环形分块策略对图像进行划分,运用分块加权方法进行图像相似性比较,突出了图像中心的主体地位。对图像样本数据运用K-means方法进行聚类,采用差分进化算法确定初始聚类中心,减少聚类结果对初始聚类中心的依赖性和聚类结果不稳定等问题。在图像检索过程中,根据检索结果进行相关信息反馈,必要时对样本数据重新进行聚类操作,以提高图像检索的准确率和查全性,满足用户需求。     

基于纹理的图像检索

为得到纹理特征提取的合适的算法,首先研究了基于灰度共生矩阵的纹理特征的提取方法,将彩色图像变换灰度图像,然后进行四个方向的纹理特征提取,包括能量、熵、惯性矩、相关量四个向量元素作为纹理特征值,并研究了基于Gabor小波的纹理特征的提取。首先将Gabor小波作为母小波,将图像进行二维的Gabor小波变换,将Gabor小波系数的均值和标准方差作为纹理特征值;将两种方法进行比较,查全率和查准率作为测量标准,实验表明基于Gabor小波变换的纹理特征方法在频域具有比较好的检索效果。     

基于信息瓶颈算法的图像语义标注

首先采用改进的k均值无监督图像分割算法将图像分割成不同的区域,提出信息瓶颈聚类方法对分割后的区域进行聚类,建立图像语义概念和聚类区域之间的相互关系.然后对未标注的图像进行分割,在给出分割区域的条件下,计算每个语义概念的条件概率,使用条件概率最大的语义关键字实现图像语义的自动标注.对一个包含500幅图像的图像库进行实验,结果表明,本文方法比其它方法更有效.     

基于SVM与Adaboost的图像检索应用

语义图像检索已成为解决简单视觉特征和用户检索高级语义之间存在的"语义鸿沟"问题的关键,本文试图提出一种基于SVM和Adaboost集成学习相结合的相关反馈算法。在相关反馈过程中选择最具信息的样本训练支持向量机,可以有效减少相关反馈的次数和所需学习样本的数量,通过两者的互补来有效地提高图像检索的精度。最后提出Adaboost算法对SVM分类器进行加权投票,这样进一步提高了图像检索的性能。实验表明,该方法能较好地解决了图像检索中的小样本选择问题,并能显著提高图像检索的效率和性能。     

信息瓶颈方法在无监督图像聚类中的研究

本文给出了一个无监督图像类别聚类的新方法,该方法基于信息理论原理--信息瓶颈.本聚类方法基于阶段性的分组:首先,对给定文档中的每一张图像应用高斯混合模型,在选定的特征空间中,以一组相连接的区域来表示图像.然后,确保簇和图像内容之间的互信息最大化,对图像进行分组.簇的合适数量可直接由信息瓶颈原理决定.实验结果显示出了该聚类方法在真实图像数据库中的表现.     

聚类技术在图像检索中的应用

本文从聚类技术对提高图像检索效率方面的改善,介绍了聚类技术的基本理论和在图像检索系统应用.     

改进k-means算法在图像标注和检索中的应用

提出一种基于改进的k-means算法的图像标注和检索方法。首先对训练图像进行分割,采用改进的k-means算法对分割后的区域进行聚类。改进的k-means算法首先采用遗传聚类算法确定聚类数k,然后对聚类中心进行选择。在图像标注时,首先通过已标注的图像求出语义概念和聚类区域的关联度,用它作为待标注图像的先验知识,然后结合区域的低层特征,对未标注的图像进行标注。在一个包含1 000幅图像的图像库进行实验,采用标注的语义关键字进行检索,结果表明,提出的方法是有效的。     

基于提升小波的图像检索算法

提升小波具有高效性和多分辨率等优点,本文提出了基于提升小波的图像检索算法。该算法首先对图像进行提升小波变换,得到每层的低频子图像和高频子图像;然后分别提取低频子图像的形状特征和高频子图像的纹理特征;最后通过计算特征向量之间的欧式距离,检索出相似的图像。实验结果表明,此算法的检索效率高于其他算法,具有一定的优越性和通用性。     

基于颜色信息熵和多尺度纹理特征的图像检索

颜色特征采用分块的HSV颜色空间的信息熵,纹理特征采用小波多尺度高频子带方差特征,结合遗传算法的图像检索方法。采用组合特征进行图像检索,改善了颜色特征缺乏空间信息的缺点,利用遗传算法能够自适应地搜索最优解,减少了在相关反馈的检索过程中,用户的选择操作。通过比较实验,具有很好的检索性能。     

基于纹理的旋转不变图像检索算法的研究

提出一种基于Gabor变换的旋转不变多尺度广义粗糙度特征向量并结合自适应加权距离进行纹理图像检索的方法。利用图像Gabor分解的幅度谱,依据多尺度空间局部能量分布、Hurst分形指数、方向差别来计算纹理特征向量,最后采用自适应加权的街区距离作为相似性准则。仿真结果表明,该算法对旋转纹理图像取得了很好的检索结果。     

集成学习SVM在图像检索中的应用

提出一种基于SVM和Adaboost集成学习相结合的相关反馈算法。在相关反馈过程中选择最具信息的样本训练支持向量机,可以有效减少相关反馈的次数和所需学习样本的数量,通过两者的互补来有效地提高图像检索的精度。最后提出Adaboost算法对SVM分类器进行加权投票,这样进一步提高了图像检索的性能。实验表明,该方法较好地解决了图像检索中的小样本选择问题,能够显著提高图像检索的效率和性能。     

利用聚类算法提高基于内容的图像检索准确率

给出了一种基于内容的图像检索算法,该算法使用了图像的颜色直方图作为图像的检索特征,并且利用了K均值聚类算法以及用户相关反馈技术来提高检索的准确率。     

基于信息瓶颈聚类的多聚焦图像融合

提出一种基于信息瓶颈聚类的多聚焦图像融合方法。该方法采用信息瓶颈算法对源图像进行聚类分析,获得联合的聚类表示;由非下采样Contourlet变换对源图像进行多分辨率分解,通过联合聚类表示指导各频域系数融合;采用非下采样Contourlet逆变换重构获得融合图像。实验结果表明,该方法具有良好的客观评价性能和主观视觉效果。     

基于聚类与遗传算法的Web图像检索

高效的Web图像检索对于用户来说是非常重要的,图像元搜索引擎作为一种有效的图像检索技术可以促进Web图像的检索质量和精度.提出一种基于改进的HACM(hierarchical agglomerative clustering methods)聚类算法和遗传算法的图像元搜索引擎模型,Web图像向量化表示之后运用HACM聚类技术进行分类,然后通过特殊设计的遗传算法对检索结果进行优化排序,最后将排序后的更精确的图像集提供给用户.实验结果表明,该系统可以在较短的时间内达到很高的检索精度.     

图像信息检索系统的设计

对采用基于图像频率特征匹配和图像识别方法来实现图像信息检索进行了研究.先用小波分析作为特征提起方法,由于小波分析具有多分辨率分析的特点,并且在提取图像频域特征的同时,保留了图像的空间信息,因此用它来提取图像特征;而后根据计算量的大小,分别用改进的二维相关性算法和二维动态规划弹性算法进行图像的匹配和识别;用VC 和Matlab混合编程进行系统构建并进行了测试实验.实验结果表明,系统有良好的检索效果.