改进CLIMB聚类算法在图象数据库中的应用研究

CLIMB聚类算法是基于子空间的算法,基本思想是对每个样本在坐标维上投影,得到样本分布曲线。通过爬山法,找出波谷和波峰,每个山峰对应一个类。对于高维数据,由低维向高维逐步聚类,形成了对原样本集的自顶向下的层次分类。利用小波变换可以对样本分布曲线进行光滑化处理而得到近似分布曲线,该曲线平滑了样本分布曲线上一些变化较大的区域,可以去除噪声干扰。不同尺度下的近似信息去掉了不同程度的细节信息,从而得到不同的样本分类的粗糙度。实验表明,应用该改进后的CLIMB聚类算法对图象特征空间进行聚类可以起到很好的作用。     

图象投影变换及其在基于内容的检索中的应用

本文介绍一种基于投影变换的图象压缩和解压算法,讨论了该算法的特点,将其应用于关系数据系统,探索一种解决无须人工干预的基于内容的图象检索的方法。     

基于知识的图象分割模糊聚类算法

提出了一个针对识别目标的基于知识的图象分割模糊聚类算法。在特征选取时，除了考虑象素点的灰度信息外，还考虑到目标与背景纹理上的差异。     

一种用于图象检索的聚类方法

设计和实现了一种对多维颜色特征进行聚类算法,对特征库按聚类模式建立索引。矣类方法大大缩短了检索时间。     

基于内容的交互式感性图象检索

随着信息化社会的到来及信息高速公路计划的实施,人们越来越多地接触到大量的图象信息,因此基于内容的图象检索已经成为当前的一个热门研究课题,并在多媒体数据库、电子图书馆、商标管理、医疗图象管理、公安系统、卫星图象管理等方面得到广泛应用。然而,大多数基于内容的图象检索系统主要是通过图象多维物理特征的相似性匹配来进行查询,而对于用户的爱好、情感等主观或感性化的因素则考虑较少。为了弥补这方面的不足,提出了一种基于内容的交互式感性图象检索方法。该方法采用交互式进化算法,并通过人机交互的方式,来将用户的直觉、情感等感性化的因素融入到进化过程,以便进行图象的交互式在线检索;针对在检索过程中,因进化的时间可能较长和因需要用户确定的适应度值较多而产生的用户疲劳问题,采用神经网络离线学习的方法来减轻用户疲劳,从而实现了根据用户的情感和基于图象内容的图象检索,并取得了较好的实验结果。     

基于小波特征和模拟退火的遥感图象快速聚类算法

不同遥感对象，光谱曲线的突变点位置差异很大，不同尺度的小波变换可有效提取这些突变特征，在此基础上，用小波特征相关系数描述像素的近似程度，取代一般聚类算法以欧氏距离为基础的聚类概念，聚类结果可准确反映遥感对象内容，基于小波特征抽取和模拟退火的多光谱遥感图象快速聚类算法，通过扩展频段，增加特征点的个数以丰富类的特性，对空间数据进行均匀抽样产生聚类空间，采用模拟退火技术和逐步降低聚类规模的方法，快速实现全局最优的聚类中心，类内评价最优代表作为聚类中心，保证类特性的持续性和强壮性，而且解决了K－means聚类的参数选择问题，最后采用TM多光谱遥感图象进行参数分析和算法比较，验证了该算法分类快速准确，且参数控制灵活，因此基于小波特征抽取和模拟退火的多光谱遥感图象快速聚类算法有较好的应用前景。     

一种用于彩色图象量化的快速聚类算法

为了对彩色图象进行有效地压缩处理,提出了一种基于模式识别技术的图象量化新算法（FSCAMMD）,该算法首先把彩色图象中的颜色样本归为一类,并采用最大频度与类内最小距离最大相结合的方法选取初始类代表点--初始值优选法;然后采用欧氏距离聚类准则及重心法,求得新聚类域中心的向量值,从而得到了令人满意的量化效果。该算法不仅克服了SCA算法对聚类中心初始值选取的不足,较大幅度地减少了彩色图象量化后的总方差以及颜色失真度,而且较好地解决了重建彩色图象的整体层次与局部细节之间的矛盾,其量化效果优于SCA和其他一些聚类量化算法。     

一种基于内容和图象检索方法的实现

本文在直方图技术的基础上引入了颜色对方法，将图象的空间特性反映出来，因而能检索具有清晰边界的图象，并且图象的大小变化和旋转以及轻微的光照变化不影响检索结果。     

基于颜色的图象检索技术

论述了基于色彩的图象检索方法,对颜色空间的选择、颜色的量化以及颜色的相似测试进行了讨论。在此基础上,对两种典型的基于颜色的图象检索方法的特点、关键技术的实现以及存在的根本问题进行了详细的分析和比较。     

基于模糊C均值聚类和统计特性的医学图象检索

本文提出了一种基于灰度、形状和纹理特征的医学图象检索方法.图象被模糊C均值聚类算法预先分割成互相不重叠的子图象,然后对这些子图象分别提取特征,从而获得整幅图象的特征向量.分割后的各子图象和均方差特征描述了原图象的灰度分布情况,二值化后的7个不变矩和7个纹理特征描述了图象的形状和纹理信息.实验结果表明,该算法能够比较有效地应用于基于内容的医学图象检索中,在查全率和查准率上都优于实验中其他两种方法.     

基于内容的图象检索中的语义处理方法

基于内容的图象检索系统,其目标是最大限度地减小图象简单视觉特征与用户检索丰富语义之间的“语义鸿沟”,因此图象语义处理则成为基于内容的图象检索进一步发展的关键。为了使人们对基于内容的图象检索中的语义处理方法有个概略了解,首先从图象语义模型和图象语义提取方法这两个方面对利用语义进行图象检索的研究状况进行了总结,并将图象语义模型概括为图象语义知识、图象语义层次模型和语义抽取模型等3个主要组成部分;然后将图象语义提取方法分为用户交互、将查询请求作为语义模板、对象及其空间关系、场景和行为语义及情感语义等类别,同时对其中有代表性的方法进行了详细的分析,还指出了其局限性;最后从对象建模和识别、语义抽取规则和用户检索模型3个方面,阐明了实现图象语义处理所面临的问题,并提出了一些初步的解决思路。     

通过遗传聚类算法实现基于内容的图像检索

本文介绍的算法使用了颜色直方图作为检索特征,利用遗传聚类算法对图像库的聚类结果,来实现基于内容的图像检索,此外,在算法中还融合了用户反馈技术来提高检索的准确率。     

基于图象内容的链码检索方法

针对数字化图象检索问题,提出了一种基于图象内容的检索方法。这种检索方法是基于图象的灰度特征值,按照一定的分割方法,将图象区域化,并获取该区域的灰度特征描述值;然后把各个区域的灰度描述值按着规定的方向连接起来,生成一个用于检索图象的链码。实验结果表明这种基于图象内容的检索方法,较方便和准确地达到了图象检索之目的。     

基于内容图像检索的聚类算法研究*

介绍了基于内容图像检索的系统结构、特征提取等内容,并将数据挖掘的聚类算法与之结合,对各种聚类算法进行了总结,最后提出了一些未来的发展方向。     

基于颜色的图象检索中若干关键问题的研究

本文介绍了基于内容的图检索中一个重要的研究内容－一基于颜色检索。     

在线聚类算法用于基于内容的镜头检索

视频数据具有一定的隐舍层次性,因此在对视频进行镜头分割后,可以利用模糊聚类算法依据相似度提取关键帧和关键镜头,对视频内容进行抽象概括,并以此时镜头进行检索.本文用非监督学习方法中的在线聚类算法自动提取镜头的关键帧,以相似方法对关键帧进行聚类以自动提取关键镜头,并对分类结果进行自我调整.将上述方法实现并用于镜头检索,获得了良好的检索结果,并减少了经验对聚类的影响,而且较好地表示了视频内容的层次性.     

层次聚类算法在图象处理中的应用

聚类分析在任何涉及多维数据分析或处理的学科中都是很普遍的.计算机视觉领域中的图像分割经常表示成一个聚类问题.现在聚类方法在模式识别,图像处理,信息检索中的应用越来越受关注,本文就是研究层次聚类算法在图象处理中的应用,将一张图片用层次聚类方法分类.     

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.     

基于聚类的三维模型检索算法

将聚类算法应用于三雏模型对称特性的提取上,实现三维模型的检索.对三维模型表面进行采样,根据采样点计算三维模型的对称平面,通过聚类算法得出三维模型实际的对称平面,以此对称特性作为三维模型的特征信息,进行三维模型的检索.     

基于树状小波分解的纹理图象检索

针对图象检索应具有简单、快速、有效等要求,提出了一种采用树状小波分解特征的纹理图象检索方法,该方法可以在相应的能量准则下,自适应地对图象进行了带分解,同时可利用小波函数分解的多分辨率与多方向特性,来形成能够在一定程度上对图象进行精确描述的特征矢量;在此基础上,又采用基于图象特征值的主分量分析方法,有效降低了特征矢量的维数;另外,基于用户需求的分层检索,还满足了用户不同层次的需求。实验结果表明,该算法快速,有效,具有较强的应用价值。