基于内容的图像检索中SVM和Boosting方法集成应用

提出一种适用于图像内容检索的AdaBoostSVM算法。算法思想是采用支持向量机(SVM)作为AdaBoost算法的分量分类器;基于相关反馈检索机制,通过增加重要样本来模拟AdaBoost算法的权重调整方法。在包含2000幅图像的数据库中进行了检索实验,结果表明AdaBoostSVM算法能有效提高系统的检索性能。     

融合相关反馈和流形学习的语义图像检索方法研究

融合相关反馈和流形学习的图像检索方法．既可以解决基于内容图像检索的“语义鸿沟”问题．又可以解决因为用户反馈标记样例较少所导致的较难学习用户语义概念问题。深入研究近年来比较有代表性的方法,包括ARE和MMP,并在具体的系统中比较二者的性能;此外。进一步分析此类方法面临的挑战和实际应用时需迫切解决的问题。     

一种基于语义的图像数据库分类系统

实现了一种分等级的图像数据库自动语义分类系统，其中主要涉及白天、夜晚、日出／日落、室内、室外、建筑物以及风景等几个典型的语义信息。通过对图像的信息以及现有底层特征的分析，针对各级分类提取了一些判别能力好的特征。采用支持向量机(SVM)作为分类器；同时为了提高分类准确率，将支持向量机的输出改为概率形式，引入拒绝机制来拒绝一些置信度较低的样本。将Coogle检索出来的图像作为系统的测试样本取得了很好的分类结果，实验表明本系统可以对Google检索系统的结果进行一定的改进。     

基于SVM的相关反馈图像检索研究

针对全局特征的图像检索不能很好地满足用户的意图和基于图像分割的检索过分依赖复杂的图像分割算法二者的不足,在基于子图的图像检索思想的基础上,给出了一种基于用户感兴趣区域的图像检索算法,并通过基于SVM的相关反馈算法来更好地捕获用户的检索意图。实验证明,该算法能发挥用户在检索过程中的作用,具有简单、高效、查全率较高的优点。     

图像检索中融合语义和底层特征方法的研究

针对基于内容的图像检索系统检索效率不高的情况,通过在低层视觉特征上提取图像的颜色和纹理特征和空间信息,综合图像的语义特征,实现了对图像数据库的检索,最后,为了提高检索效率,把相关反馈技术引入到图像检索系统中。实验证明,该方法取得了较好的检索查全率和准确率。     

利用相关反馈技术的图像检索研究

介绍了一种支持语义的图像检索系统—PIcsearch（PICTURE Search），该系统获取图像低层特征（颜色）时采用基于区域的主颜色提取算法．综合考虑了图像的像素统计特征和空间位置信息同时节省存储空间和计算时间。提出了高级视觉特征的语义查询。在图像库上构建一个可扩展的语义网络，利用一种基于用户相关反馈的机器学习策略来改进这种语义网络，以解决低层特征向高层语义特征的过渡问题，使检索能够体现高层次语义属性。实验证明，PICsearch能有效通过人机协同工作，弥补了计算机理解能力的不足，提高了检索效率。     

图像检索中融合语义和底层特征方法的研究

针对基于内容的图像检索系统检索效率不高的情况,通过在低层视觉特征上提取图像的颜色和纹理特征和空间信息,综合图像的语义特征,实现了对图像数据库的检索,最后,为了提高检索效率,把相关反馈技术引入到图像检索系统中。实验证明,该方法取得了较好的检索查全率和准确率。     

基于支持向量的图像相关反馈检索

对图像相关反馈检索过程建立二分类的支持向量机问题模型,进而提出基于支持向量的图像相关反馈检索方法.比较了基于支持向量的反馈检索方法和传统的反馈检索方法的检索性能,研究了特征提取对支持向量机性能的影响.实验结果表明,基于支持向量的图像相关反馈检索方法具有较好的图像检索效果.     

语义视频检索综述

视频内容检索是多媒体应用的一个活跃研究方向,现有的内容检索技术大多是基于低层次特征的。这些非语义的低层特征难以理解,与人思维中的高层语义概念相差甚远,严重影响视频内容检索系统的易用性。低层特征和高层语义概念间的语义鸿沟很难逾越。如何跨越语义鸿沟,用语义概念检索视频内容是目前基于内容视频检索最具挑战性的研究方向。本文介绍语义视频检索出现的背景,分析语义鸿沟出现的原因,对现有尝试跨越语义鸿沟的主要方法进行综述;评述了相关技术的优缺点,探讨了各方法将来可能的研究发展方向以及视频语义检索近期、长期可能的技术突破点。     

一种基于SVM的相关反馈图像检索算法

相关反馈技术是近年来图像检索中的研究热点,以MPEG-7的边缘直方图作为图像特征,以支持向蕈机(SvM)为分类器,提出一种新的相关反馈算法.在每次反馈中对用户标记的相关样本进行学习,用历次返回的结果更新训练样本集,建立SVM分类器模型,并根据模型进行检索.还对不同核函数的SVM进行了对比,得出RBF核函数的SVM有较高的检索精度.使用由10000幅图像组成的图像库进行实验,结果表明,算法可有效地检索出更多的相关图像,并且在有限训练样本情况下具有良好的泛化能力.     

基于内容的医学图像检索技术

建立一个高效、准确的医学图像检索系统是目前具有挑战性的任务.文中在简述基于内容的医学图像检索模型后,着重探讨和分析了检索模型中图像特征提取、特征选择与融合、相似度匹配、图像预过滤、相关反馈等核心技术和相关算法,以及一些最新的应用.最后对基于内容的医学图像检索技术进行了展望.     

一种基于内容图像检索的半监督和主动学习算法

为了提高图像检索中相关反馈算法的效率,提出了一种新的基于相关概率的主动学习算法SVMpr,并结合半监督学习,设计了基于半监督的主动学习图像检索框架。在相关反馈过程中,首先利用半监督学习算法TSVM对标记样本进行训练,然后根据提出的主动学习算法从未标记图像中选取k幅有利于优化学习过程的图像并反馈给用户标记。与传统的相关反馈算法相比,该文提出的图像检索框架显著提高了学习器的效率和性能,并快速收敛于用户的查询概念。     

基于内容图像检索中的顺序回归问题

相关反馈技术是基于内容图像检索研究的一个重要组成部分.近年来,人们对相关反馈算法开展了许多研究工作,并提出了多种算法.目前,多数的相关反馈算法都是基于二值的相关度量--相关或不相关.为了更好地辨别用户的需要和偏好,就需要考虑相关性在程度上的差异而采用更精细的度量尺度.探讨了支持多级相关度量的相关反馈问题,指出相关反馈问题可以看成是一个顺序回归问题,并讨论了它的特点和损失函数.基于一个顺序回归的支持向量学习算法,提出了一种新的相关反馈方案.由于传统的检索性能度量(比如查准率和查全率)不适合多级相关度量的情况,采用了一种建立在图像间偏好关系上的检索性能度量.在现实世界图像数据库上的实验结果验证了所提出相关反馈方法的有效性.     

基于内容图像检索中相关反馈技术的回顾

由于相关反馈技术能有效地提高基于内容图像检索的性能,使它成为图像检索系统中不可少的一部分．近年来相关反馈技术的研究正吸引着越来越多的关注,涌现出了许多算法．在简要介绍了基于内容图像检索后,文中讨论了相关反馈的交互过程和其中的重要环节,进一步分析了相关反馈中的学习问题及其特点,根据相关反馈算法所采用的检索模型把算法分为基于距离度量的方法、基于概率框架的方法和基于机器学习的方法,并在这个分类下对近年来有代表性的一些算法进行了分析和探讨,最后展望了相关反馈技术未来的发展方向．     

历史信息学习的相关反馈图像检索

相关反馈技术被有效的应用于基于内容的图像检索.传统的相关反馈未能充分利用检索的历史信息.为了进一步提高检索的效率与准确性,提出一种基于历史检索信息学习的相关反馈检索方法.该方法将每次检索的结果作为历史检索信息保存.进行新的检索时,判断当前查询图像与历史检索信息的语义相关性,预测检索结果,以期减少相关反馈次数.对包含80 00幅图像的图像库实验表明,与传统相关反馈技术相比,该方法明显的改善了检索性能.     

基于RBFN的交互式图像检索方法

相关反馈技术是近年来图像检索中的重要研究方向,它有效地缩短了用户高层语义和图像底层视觉特征的差距,大大提高了系统的检索精度。文中从机器学习的角度出发,提出了一种基于RBFN的相关反馈算法。同时,为了方便用户对检索结果的标记,将模糊逻辑引入到图像检索中。即:用户对检索结果标记为相关图像、模糊相关图像和不相关图像,利用这些反馈信息动态地建立RBFN的结构,并进行检索,这个过程反复进行直到用户得到满意的结果。实验表明,这种方法在图像检索中具有更好的性能和更强的推广能力。     

免疫算法在图像检索的应用

目前,基于内容的图像数据库检索己成为图像检索研究的主流,核心是图像相似性检索。其遇到的主要问题是检索的准确性需要进一步提高。由于免疫算法具有长期记忆和学习的能力,非常适合对用户的反馈信息进行长期的学习来提高系统对用户语义的理解能力。本文利用免疫算法的优点提出了基于免疫算法的图像检索模型并实现了一个原型化检索模型。对10000张corel图像库进行试验表明,相对于传统方法检索精度有了很大的提高。     

一种基于用户感兴趣区域的图像检索算法

利用图像全局特征的检索不能很好地检索用户想要的对象内容,而基于分割后各区域特征的检索又过分依赖于复杂的图像分割算法。针对上述两者的缺点,文中提出了一种基于用户感兴趣区域的图像检索算法。该算法首先对样例进行多分辨率树状分解,再由用户选择分解后的任意多个感兴趣的子图,提取子图的特征以进行相似性度量,并应用相关反馈以更好地捕获用户的检索意图。该方法无需对图像进行复杂的分割就能提取对象特征,且经由实验证明具有较高的查全率。     

一种偏好于查询子流形的半监督图像检索算法

在基于反馈的图像检索中,由于被用户标记为相关和不相关的图像数较少,使得检索问题变成了一个典型的小样本问题.流形可表达数据在低维空间中的内在几何结构,流形正则化的目的是利用这种几何结构来约束解空间,以使最优解能反映数据本身的几何分布.为了解决反馈检索中的小样本问题,本文在流形正则化框架下提出一个新的半监督图像检索算法.在新算法中,流形正则化项只依赖于文中定义的查询子流形,而不依赖于数据集的全局结构.在两个图像集上的实验结果对比表明,本文提出的新算法在检索效果上优于现有的4种state-of-the-art算法.