基于图书馆应用图像检索中的用户研究综述.docVIP

基于图书馆应用图像检索中的用户研究综述 　　[摘 要]基于图像内容检索一定程度上提高图像检索效果，但抽取出来的图像低层特征与人对图像的语义理解之间存在很大的差距，而将用户作为图像检索研究中的一个出发点能够很好的减少语义鸿沟现象。本文总结了基于用户研究的图像检索方法，包括基于相关反馈、基于感兴趣区域、基于用户情感等相关方法，对每种方法的含义、原理及应用进行总结。 中国论文网 /4/view-7125249.htm 　　[关键词]图像检索；用户研究；相关反馈；感兴趣区域；用户情感 　　1.引言 　　随着多媒体技术的高速发展和Internet的普及，数字图像的数量快速增长，我们已经进入读图时代。图像以其内容丰富、表现直观等特点，已在国防军事、工业制造、医疗卫生、新闻媒体和大众娱乐等领域发挥着重要作用。但是随着日益增大的图像数据库，图像无序化问题也越来越突出，如何在庞大的图像数据库中快速找到用户感兴趣的图像已成为一个亟待解决的问题。 　　Internet网中图像的检索经历了两个阶段：第一阶段是以关键字为基础的检索；第二阶段是以图像内容为基础的检索。以关键字为基础的检索是基于文本的检索，由于图像内容复杂，不同个体理解不一致，难以用文字描述图像，并且对图像标注费时费力，基于文本的图像检索效果并不能很好地满足用户的需求。在20c90s开始出现基于内容图像检索（Content-Based Image Retrieval，CBIR），借助于对图像从低层到高层进行自动处理和分析来描述其内容，并根据内容进行检索[2]。它是将图像表示为高维空间中的矢量，这些矢量是由从图像中提取的颜色、纹理、形状等底层特征组成的。基于内容的图像检索在一定程度上提高了图像检索的效果，但又出现的一个很严重的问题―语义鸿沟：抽取出来的图像低层特征与人对图像的语义理解之间存在很大的差距，用户仍然不能找到满意的图像。研究者发现将用户作为图像检索研究中的一个出发点能够很好的减少语义鸿沟现象。目前研究者提出多种方法，包括：（1）相关反馈法，其思想是通过人机交互，让系统能够根据用户的选择猜测用户的检索意图，并能自动地调整相似度量准则；（2）感兴趣区检测法，其思想是以分割后的区域的特征来描述图像，并以区域为单位来匹配图像，以找到用户感兴趣的图像；（3）基于用户的情感出发，以用户情感为线索检索图像，其目标是以图像可能激发的人的主观体验（即情感语义特征，或者感性特征）为中间桥梁，实现用户检索需求与图像之间的匹配。 　　2.基于相关反馈 　　相关反馈法是基于内容的图像检索中最常用的方法，其检索过程有如下几个步骤：（1）提交初始检索，系统返回初始检索结果；（2）用户对排序前10（或前20）的结果评价是否和本次检索相关，相关称为正反馈样本，不相关称为负反馈样本；（3）系统根据用户提交的反馈对检索优化，将新的检索结果返回；（4）如果用户仍不满意，可重复反馈。 　　根据相关反馈算法所采用的检索模型把算法分为查询点移动、特征权重调整、基于概率模型、基于机器学习、基于聚类分析等方法。 　　（1）查询点移动：查询点移动算法是通过用户的反馈信息，改变数据库中每幅图像与查询图像之间的距离，使相似点靠近查询图像，不相似的点远离查询图像。 　　（2）特征权重调整：对图像不同的特征赋予不同的权值，系统根据用户的反馈信息，把用户认为与查询图像相似的特征赋予较大的权重而不相似的特征赋予较小的权重，然后根据调整后的权重计算图像间的相似度。曹奎等提出一种新的基于灰关联分析（GRA）的相关反馈技术，它使用GRA来描述“例子图像”与“相关图像”之间的关系，并据此更新查询向量和特征的权重，据此自动更新图像的相似度量和用户的查询需求。 　　（3）基于概率模型：把相关反馈看成是一个分类问题，大部分情况下考虑的是两类分类问题。以贝叶斯（Bayesian）理论等为基础，通过用户的反馈信息，估计每一幅图像与查询图像的相关概率，将高概率的图像检索出来，从而提高检索效率。张亮等提出一种基于动态学习用户模型的贝叶斯概率检索方法。通过对历史反馈信息的长期学习，动态估算用户模型，从而预测目标图像的概率分布。 　　（4）基于机器学习：将交互过程看做一个训练过程，通过对训练样本的学习，逐步了解用户的具体查询目的，并建立图像特征与用户查询目的间对应的模型，根据该模型来进行新一轮的检索。常小红等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。即在检索阶段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，然后将这些反馈信息作为训练样本，动态地建立RBFN的结构，这个过程反复进行，直到用户得到满意的结果或失去耐心为止[8]。 　　（5）基于聚类分析：首先对特征空间进行聚类划分，形成不同的图像类，相关图像落在一类中或距离