相关反馈中动态权重算法的分析及应用-analysis and application of dynamic weight algorithm in correlation feedback.docxVIP

第 第 I 页 共 64 页 摘 要 随着多媒体技术及 Internet 网络的迅速发展，图像来源不断扩大，大容量高速存储 系统为图像的海量存储提供了基本保障，各行各业对图像的使用越来越广泛，图像信息 资源的组织、管理和检索显得日益重要。为提高图像资源的利用率，图像信息资源的检 索方法已成为国内外研究的热点。鉴于语义特征提取比较困难情况下，基于低层特征的 图像检索是目前比较常用的方法。基于低层特征的图像检索容易造成低层特征与高层特 征之间的鸿沟。目前解决语义鸿沟问题的方法之一是相关反馈。相关反馈方法有许多种， 如查询向量、动态权重更新、贝叶斯、支持向量、神经网络等。其中贝叶斯参数、支持 向量机、神经网络方法其实是一个机器学习的过程，这些方法都会受到样本数量多少及 特征维数大小的影响。如果样本数量太少，就得不到准确的反馈信息。若特征维数过大， 机器学习就是一个费时的过程，因此常常要进行特征维约减处理。与贝叶斯参数、支持 向量机、神经网络方法相比，查询向量移动和动态权重更新的相关反馈方法就不会受到 样本数量多少及特征维数大小的影响。鉴于以上分析，本文对这两种相关反馈方法进行 研究，着重研究了动态权重的更新。通过实验和分析发现，动态权重更新对那些语义和 视觉上比较相似的图像进行检索时，有时会陷入局部最优。本文对查询向量移动、动态 权重更新方法进行详细的分析，分析两者的优缺点并且采取两种措施来解决此问题：一 是在交互反馈中，把负例图像对检索的影响以交互的形式反馈给计算机，从而去影响权 值。二是利用 Fish 准则函数强行改变权重的值，从而退出局部最优区域。在对动态权重 算法改进的基础上，提出两种相关反馈方法结合的模型。基于内容的图像检索中，选取 恰当的图像特征、采取有效的特征提取方法、特征匹配算法的选取这三个方面会影响到 图像检索的检索性能；本文选取的特征是颜色和形状特征，并提出了自己的均匀量化方 法。采用的匹配算法是加权欧氏距离匹配算法。 实验结果表明，在同等实验条件下，改进后的动态权重方法与前人提出的传统权重 更新反馈方法（Rui 方法）相比，其性能得到了改善。而这两种相关反馈结合方法的检 索性能都优于在同等实验条件下同类和不同类的相关反馈方法。本文的研究对图像检索 研究、相关反馈方法研究有一定的参考价值和实际意义。 关键词：相关反馈； 权值； 局部最优； 干扰因子； 查询向量移动 第 第 II 页 共 64 页 Abstract With rapid development of multimedia technology and internet technology, enlargement of the image resource can be got and has been used in all works by high-speed storage. It is increasingly important to organize, manage and retrieve the image information resource. In order to improve the use ratio of image, the image retrieval method has become the hot research area at home and abroad. Because of the difficulty in semantic feature extraction, the image retrieval based on low-level feature is a common method at present. But this method can easily form the semantic gap between the low-level feature and the high-level feature. Now one method of solving this problem is relevant feedback. The relevant feedback includes many methods, such as querying vector modification, dynamic weight updating, Bayesian parameter, support vector machine, neural network and so on. Bayesian parameter, support vector machine, neural network methods are actually a machine l