基于多聚类中心的图像检索相关反馈方法

相关反馈技术是基于内容的图像检索领域近期研究的热点之一.现有方法通过用户给出的相关反馈图像来寻求唯一的全局最优检索点与权重.由于图像内在的复杂性,唯一的全局检索点通常难以准确覆盖用户的检索目标子空间,使得反馈对检索效果的改进表现出不稳定性.为解决这一问题,本文使用模糊聚类的方法对反馈图像集进行分析,并在此基础上给出了一个基于反馈图像的多聚类中心的相关反馈方法.实验对比显示,该方法能明显改善图像检索的效果且具有较强的稳定性.     

基于BP网络的相关反馈在图像检索中的应用

在研究图像检索基本理论基础上,提出基于主色提取和主色集扩充的图像检索算法,并运用基于BP网络的相关反馈方法提高算法性能,通过开发图像检索系统并进行检索实验,验证了算法的检索性能及BP网络相关反馈算法的有效性.     

基于交互式遗传算法和粗糙集的图像检索方法

针对如何在图像检索系统中客观地表达用户的感知,提出了一种基于粗糙集和遗传算法的相关反馈图像检索方法.采用粗糙集的方法求出图像的最简视觉特征子集,采用交互式遗传算法,对每一次反馈得到的候选图像集进行评价,利用遗传算子从图像库中选出接近用户需求的图像.实验表明该方法能有效的提高检索效率,是一种更为理想的检索方法.     

图像检索中相关反馈技术的特性研究

介绍了基于内容的图像检索技术以及一些图像检索系统存在的局限性，分析了为解决此局限而引入的相关反馈技术的机制，它将人也作为检索系统的一个部分，根据用户的反馈重新查询，从而提高检索精度。并将相关反馈技术分成3类，研究了采用相关反馈技术的图像检索系统的时序特性。     

基于优势集聚类和支持向量机的图像检索

提出一种基于改进优势集聚类的无监督学习图像检索方法,使用有记忆的SVM相关反馈将底层视觉特征和高层语义相结合,并充分发掘图像之间的相似性以得到更接近用户检索要求的结果,实验结果表明,该方法能快速收敛于用户的查询概念,在图像检索系统的准确率和反馈次数方面表现出一定的优越性.     

图像检索中基于向量转移的相关反馈算法的研究与改进

相关反馈方法是对基于内容图像检索系统的有效改进.对图像检索系统中基于向量转移的相关反馈算法进行了研究.针对传统向量转移算法速度较慢、误差较大的不足,提出了一种基于非查询向量转移相关反馈算法的改进办法,通过提高向量转移的速度和精度,有效的利用用户的反馈信息,从而加快相关向量的收敛速度.经过公用图像数据库上的实验测试表明,该方法能有效减少反馈次数,提高检索效率.     

Vague集在图像检索系统中的应用

Vague集在刻画事物性质较之传统模糊集更加直观自然,将其引入到图像检索系统中,提出并实现了基于Vague集的图像检索模型IRUV(Image Retrieval Using Vague)及其相关检索和反馈算法。实验结果表明,该模型和算法能够有效地刻画图像性质,并且有着良好的图像匹配检索效果。     

集成视觉特征和语义信息的相关反馈方法

为了有效地利用图像检索系统的语义分类信息和视觉特征,提出一种基于Bayes的集成视觉特征和语义信息的相关反馈检索方法.首先,将图像库的数据经语义监督的视觉特征聚类算法划分为小的聚类,每个聚类内数据的视觉特征相似并且语义类别相同;然后以聚类为单位标注正负反馈的实例,这显著区别于以单个图像为单位的相关反馈过程;最后分别以基于视觉特征的Bayes分类器和基于语义的Bayes分类器修正相似距离.在图像库上的实验表明,只用较少的反馈次数就可以达到较高的检索准确率.     

基于主动相关反馈的图像检索方法

在基于内容的图像检索中,如何找到有效方法以缩小图像的视觉描述和用户语义解释之间的差异是一个关键问题.本文在图像检索的相关反馈过程中引入主动学习的思想,提出了主动相关反馈方法,通过将用户的注意力集中在检索系统分类确定性低的图像上,使得用户反馈针对最能有效提高检索性能的图像进行.实验结果表明,该方法有助于缩小用户查询中的歧义性,有效提高检索效率.     

图像检索中基于粗集理论的特征加权方法

为了提高图像检索的效率，近年来相关反馈机制被引入到基于内容的图像检索领域，而在基于内容的图像检索系统中，多特征融合检索中的特征加权又是一个重要的问题。该文提出了一种新的基于特征加权的相关反馈方法，在粗集理论的基础上，结合用户标记的反馈图像建立决策表，通过决策规则的精度来对多个特征加权，使图像检索和人的感知更加接近。实验表明该方法是有效的，并较Rui的相关反馈方法在性能上有很大提高。