相關反饋中動態(tài)權重算法的研究及應用.pdf

1、隨著多媒體技術及Internet網(wǎng)絡的迅速發(fā)展，圖像來源不斷擴大，大容量高速存儲系統(tǒng)為圖像的海量存儲提供了基本保障，各行各業(yè)對圖像的使用越來越廣泛，圖像信息資源的組織、管理和檢索顯得日益重要。為提高圖像資源的利用率，圖像信息資源的檢索方法已成為國內外研究的熱點。鑒于語義特征提取比較困難情況下，基于低層特征的圖像檢索是目前比較常用的方法。基于低層特征的圖像檢索容易造成低層特征與高層特征之間的鴻溝。目前解決語義鴻溝問題的方法之一是相關反饋。

2、相關反饋方法有許多種，如查詢向量、動態(tài)權重更新、貝葉斯、支持向量、神經(jīng)網(wǎng)絡等。其中貝葉斯參數(shù)、支持向量機、神經(jīng)網(wǎng)絡方法其實是一個機器學習的過程，這些方法都會受到樣本數(shù)量多少及特征維數(shù)大小的影響。如果樣本數(shù)量太少，就得不到準確的反饋信息。若特征維數(shù)過大，機器學習就是一個費時的過程，因此常常要進行特征維約減處理。與貝葉斯參數(shù)、支持向量機、神經(jīng)網(wǎng)絡方法相比，查詢向量移動和動態(tài)權重更新的相關反饋方法就不會受到樣本數(shù)量多少及特征維數(shù)大小的影響。鑒

3、于以上分析，本文對這兩種相關反饋方法進行研究，著重研究了動態(tài)權重的更新。通過實驗和分析發(fā)現(xiàn)，動態(tài)權重更新對那些語義和視覺上比較相似的圖像進行檢索時，有時會陷入局部最優(yōu)。本文對查詢向量移動、動態(tài)權重更新方法進行詳細的分析，分析兩者的優(yōu)缺點并且采取兩種措施來解決此問題：一是在交互反饋中，把負例圖像對檢索的影響以交互的形式反饋給計算機，從而去影響權值。二是利用Fish準則函數(shù)強行改變權重的值，從而退出局部最優(yōu)區(qū)域。在對動態(tài)權重算法改進的基礎上

4、，提出兩種相關反饋方法結合的模型?；趦热莸膱D像檢索中，選取恰當?shù)膱D像特征、采取有效的特征提取方法、特征匹配算法的選取這三個方面會影響到圖像檢索的檢索性能；本文選取的特征是顏色和形狀特征，并提出了自己的均勻量化方法。采用的匹配算法是加權歐氏距離匹配算法。
　　 實驗結果表明，在同等實驗條件下，改進后的動態(tài)權重方法與前人提出的傳統(tǒng)權重更新反饋方法（Rui方法）相比，其性能得到了改善。而這兩種相關反饋結合方法的檢索性能都優(yōu)于在同等實