基于聚类―反馈机制植物鲜药图像检索系统设计.docVIP

基于聚类―反馈机制植物鲜药图像检索系统设计 　　摘要：使用计算机辅助进行中草药尤其是植物鲜药的检索和鉴定有着极其重要的现实意义。本文通过研究图像库分类检索和反馈机制，设计出基于聚类-反馈的植物鲜药图像检索系统。系统采用K-means算法，利用小波特征对图像库中的图像进行聚类，并引入人工反馈机制，使聚类更加精确，检索效率和准确率进一步提高。 　　关键词：中草药；图像检索；小波特征；K-means聚类；人工反馈 　　DOI：10.3969/j.issn.1005-5304.2016.08.004 　　中图分类号：R281-05 文献标识码：A 文章编号：1005-5304（2016）08-0010-03 　　我国有关中草药植物的记载有悠久历史，但在信息时代，仅凭文字和图片的记录已无法满足需要，而相关的技术发展又比较缓慢[1]，因此迫切需要使用计算机辅助技术进行中草药的检索和鉴定工作。兹就基于聚类-反馈机制的植物鲜药图像检索系统设计介绍如下。 　　1 图像检索技术现状 　　目前对图像的检索方式主要有2种，即基于文本的图像检索和基于内容的图像检索。文本图像检索通过匹配关键字来检索出图像和其他信息。中国科学院植物研究所研制了中国植物数据库，用户通过输入植物名、产地、用途等检索出植物的图像。澳大利亚Queensland大学开发了Lucid系统，通过输入关键字可以检索出结果[2]。但是，图像信息难以用语言进行定量描述，因此，基于文本的图像检索受到制约。 　　基于内容的图像检索直接对图像进行分析、提取相应的特征，然后根据这些描述图像的特征对图像库中的图像进行检索。当输入一个待检索图像时，系统 　　会将该图像与图像库中的图像进行相似性匹配，然后根据相似性大小建立相应的索引，系统会相应输出与待检索图像特征相同或相近的图像，供用户查看。有研究基于内容的中草药植物图像检索关键技术，使图像检索速度及准确率有所提高[3]。但目前尚未见通用的植物鲜药检索软件问世，因此，中草药检索依然是一个研究的热点与难点。 　　2 基于内容的植物鲜药图像检索关键技术 　　2.1 小波特征 　　小波变换是一种新的变换分析方法，它继承和发展了傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的窗口，是进行信号时频分析和处理的理想工具。对小波特征提取的算法步骤如下。 　　步骤1：对R、G、B的3个颜色通道赋予不同权重，对R、G、B分别赋予的权重为0.299、0.587、0.114，这种比例权重比较符合要求； 　　步骤2：对图像进行伪彩矩阵压缩，目的是减小计算量，使系统运行速度加快； 　　步骤3：进行二维小波分解； 　　步骤4：提取小波分解细节系数； 　　步骤5：提取小波分解概貌系数； 　　步骤6：求分解后每个图像的均值和方差。 　　最后构成的小波特征是一个26维特征向量。在本文设计的系统中，利用小波特征对图像库进行聚类，大大缩小了范围，同时为系统进行人工反馈提供了基础。 　　2.2 K-means聚类 　　K-means聚类的中心思想是最小化类内距离，将样本数据划分为预定的k类，找到一个划分C={C1，C2，……，Ck}，使类内距离如公式⑴所示，达到最小[4]： 　　⑴ 　　系统首先对图片库中所有图片进行K-means聚类，即提取出小波特征，然后对小波特征进行聚类，将图片聚类成N类。检索时只要检索该图像所属类中的图片即可，这样就能大大提高检索效率和准确率[4-5]。 　　2.3 基于特征的相似度匹配 　　本文设计的系统通过对图像特征进行相似性匹配来判断2幅图像是否相似。先将提取出的图像特征表示成向量形式，然后通过欧氏距离计算图像特征之间的相似度，如公式⑵所示。其设计的思路是：2个图像特征之间，欧氏距离越小，图像相似度越大。 　　⑵ 　　2.4 反馈 　　因图像底层特征与高级语义之间存在“鸿沟”问题，我们目前还不能利用已有计算机视觉和人工智能技术获得二者之间满意的映射关系，因此，通过特征提取进行检索在效果上往往不能满足用户需求。为解决该技术问题，本检索系统引入人工反馈技术辅助以获得更好的检索效果。 　　在第一轮系统根据固定的相似性度量方法按相似度大小输出检索结果，然后用户对检索结果进行评价和标记，指出结果中哪些与查询图像“相似”，哪些“不相似”，然后将用户标记的相关信息反馈给系统，进行学习，以指导下一轮检索，从而使检索结果更加符合用户的需求。 　　通过上述反馈机制，可以很容易将图像库中的图像进行再“聚类”，这样经过数次检索之后，系统对图像库里的图像聚类将会越来越接近所需要求，形成一个良性循环。 　　本文设计的系统将图片分成15类，加上“未分类”图像，共16类图像，第1～15类图像分