多媒体技术(之九)PPT.ppt

11.4.3 相关特征匹配方法 （2）构造颜色索引结构 图像的索引结构是建立在基于图像颜色相似度的基础上，因此必须从图像中选取有效的颜色特征及图像相似度算法构造索引结构。 由于图像的颜色非常多，其直方图矢量的维数对也很多。现使用HSV模式的特征抽取方法，抽取颜色特征。为了减少计算量，将H、S、V分量按照人的颜色感知进行非等间隔的量化。把色调H空间分成8份，饱和度S和亮度V空间分别分成3份，再根据色彩的不同范围进行量化。 11.4.3 相关特征匹配方法 2. 形状特征匹配 数据库中对于不同的查询要求，可以有完全匹配、移动匹配、相同比例匹配、不同比例匹配、相似匹配等方式。相似匹配对每一个特征矢量规范一个范围，以便对每一个轮廓的位置和尺寸的确切值给予相应的灵活度。这种“模糊”的限度与具体的每个特征矢量无关，并由相似性参数决定。通常在允许的相应范围内定义若干球状参数。大的位置和尺寸值将允许更多的边界错误。 形状的描述是有序而非任意的。通过控制描述形状的矩形框（MBR）的数目,可以选择一个形状相似于给定形状的程度。查询中，MBR的数目是一个必须谨慎选择的参数，例如若形状数据库中索引结构是K个MBR，则K是MBR数目参数的最高极限。为了使相似度更具有普遍性，总是希望检索基于较少的MBR，但使用的MBR越少，查询后返回完全不相似形状的可能性越大。 11.4.3 相关特征匹配方法 相似查询的一个问题是一些非常吻合或相近的形状，却具有完全不相似的描述。因而需要采取基本相同的两个或多个顺序描述方式，或者获得给定查询形状的多种“好的”顺序描述方式，然后用每一种方法实现一个查询，获得一个结合的结果。 通常，一个对象的顺序描述的长度不需要与索引的维度数目相匹配。如果数据库中的一个对象有一个较长的顺序描述，则其前面的一部分用于索引结构。 对于存在顺序描述非常短的数据库对象，需要一个确切的MBR来描述，例如存在完全是矩形的形状。对于在顺序描述中的MBR数目L值小于K值（构建的索引结构中MBR的数目）的形状，需要增加K-L个虚拟的“MBR”，使这些对象在特征空间变成超文本MBR而不是简单的点。 在相似匹配情况下，考虑具有附加MBR的查询形状。如果查询形状与数据库中某个相关对象相似，这些附加MBR必须有一个小的范围，即对每个附加MBR两个参数中至少有一个很小。这些MBR的其他位置参数和尺寸参数近似地与虚拟MBR相交于数据库中相关的对象。 11.4.3 相关特征匹配方法 3. 纹理特征匹配 纹理分析难于颜色和形状分析。一个对象的纹理可用不同的维来定义。例如，一种纹理可以按水平、垂直或对角线方向测量，也可使用其他的维，如：光滑度、粗糙度和周期性等。使用的维越多，结果越精确，计算时间也越长。 已知一组n维规范化的值t1到tn。最简单的距离函数是线性平均值，其中Di为数据库中的ti与目标t1之间的绝对差,或是加权的线性和，其中ωi为第i维的权，如公式，其中。也可用欧几里得距离，如公式所示。 11.5 基于NN的多媒体语音特征挖掘 10.5.1 神经网络挖掘方法的理论基础 1．神经网络挖掘方法概述 计算机中神经网络的概念，实为人工神经网络，通常简称神经网络(NN: Neural Network)。神经网络作为模拟复杂系统非线性关系的一种模型，非常适用于一些数据的非线性复杂关系，并且在处理复杂问题时不需了解网络内部所发生的结构变化，因而广泛的应用于数据挖掘和知识发现的研究。 神经网络挖掘通常是指研究与利用不同的人工神经网络模型及其自学习功能，分别实现聚类、分类、关联、回归、模式识别等多种算法，从而发现这种网络中大量输入数据之间隐含的概念、未知的相应模式或潜在的关系等表达的知识或描述。 11.5.1 神经网络挖掘方法的理论基础 对于多媒体数据关系中的不确定性，可以采用模糊理论加以描述。模糊集理论的优势在于利用隶属函数刻画关系的不确定性，用部分归属代替归属的概率。模糊集的思想渗透到神经网络的数据挖掘方法中，形成了模糊神经网络数据挖掘策略。 采用模糊推理概念与神经网络方法的结合，研究模糊神经网络挖掘的学习算法算法。一种基于高斯隶属函数的模糊神经网络SFNN算法，通过神经网络来实现模糊推理，并且利用神经网络的自学习功能，达到调整模糊隶属函数和模糊规则的目的。 模糊神经网络数据挖掘方法能够提高系统的分类能力和分类精度，适合于对多维图像的模式识别和分类。较一般的神经网络方法相比，具有对知识的表达更便于理解，对神经元的激活度较高，通过输入输出样本学习更易获取知识等特点。 11.5.1 神经网络挖掘方法的理论基础 2. NN基本单元的神经元模型要素