基于支持向量机的相关反馈算法研究

相关反馈技术是近年来在图像检索中较为重要的研究方法,通过相关反馈可以形成图像低层视觉特征与用户高层语义特征的映射关系．从机器学习的角度,介绍一种以支持向量机为分类器的新的相关反馈方法,在一定程度上解决了基于内容的图像检索中存在的由于底层特征和上层理解之间的差异而造成的“语义鸿沟”（semanticgap）问题．     

基于粗糙集与SVM的图像检索相关反馈算法

通过有效的组织粗糙集理论的约简算法与支持向量集中的分类算法,借助用户的反馈标记,较大的提高了图像检索查全率与查准率,使检索的目标图像更能符合用户的语义特征.由于粗糙集理论的引入消去了本次检索的冗余属性,提高了图像检索的时间复杂性.SVM与相关反馈的结合降低了维数灾难,也降低了高层语义与低层特征的差异带来的困难.     

基于支持向量机的图像分类

介绍了支持向量机(SVM)的基本原理,并将它应用于图像分类.提取多种视觉特征作为SVM的输入向量,比较单一视觉特征和综合视觉特征作为SVM输入向量时的分类性能.还比较了多项式核和高斯径向基核的分类效果.实验结果表明,混合特征明显优于单一视觉特征,高斯径向基核优于多项式核.     

基于非负矩阵分解的相关反馈图像检索算法

提出了一种新的基于非负矩阵分解(NMF)的相关反馈检索算法．在每次反馈过程中,由用户标记与查询图像相似的正例样本的特征向量构成样本矩阵,进行NMF分解,得到NMF的基矩阵和样本的系数矩阵,然后根据分解所得的模型进行检索．由于NMF在一定程度上勾勒出了相关图像在基矩阵所代表的空间中的分布,因而可以有效地提高检索的查准率．使用由500幅图像组成的图像库进行实验,通过与特征加权以及支撑向量机相关反馈方法的比较表明,该方法通过交互的NMF相关反馈,确实能使图像检索的查准率得到较大的提高．     

基于支持向量机的局域线性嵌入算法在图像检索中的应用

SVM算法复杂度与样本维数无关,具有的泛化能力强、分类精度高的特点,而LLE是有效的非线性降维方法,本文利用支持向量机(SVM)算法对局域线性嵌入(LLE)算法进行改进,有效地解决了基于内容的图像检索中的高维特征向量的降维问题,实验表明具有较高的查全率和查准率.     

基于支持向量机语义分类的两种图像检索方法

为了更好的解决基于内容的图像检索问题,提出了2种基于语义的图像检索方法.第1种是基于支持向量机(SVM)语义分类的图像检索方法.该方法首先提取训练图像库的底层特征信息,然后利用SVM对所提取的特征进行训练,构造多分类器.在此基础上,利用分类器对测试图像自动分类,得到图像属于各个类别的概率,实现图像检索.第2种是利用图像自动标注方法进行检索.在基于语义的图像自动标注中,先对训练集进行人工标注,对测试图像利用SVM分类器进行分类,并找到与该图像最相似的N张构成图像集,对该图像集的标注进行统计,找到关键词,从而提供概念化的图像标注以用于检索.通过在标准图像检索库和自建图像库上的实验结果表明,以上2种基于语义的图像检索方法是高效的.     

基于支持向量机的图像检索主动学习方法

为解决基于内容的图像检索中训练集样本过小问题,本文提出一种结合相关反馈和支持向量机的主动学习算法,首先计算未标注样本到分类超平面的距离以及与当前训练集中样本的余弦距离和,然后取具有总的最大余弦距离同时到超平面距离最短的样本加入训练集,通过增加最具信息的样本到训练集,使得分类器可通过少量反馈次数而快速达到较高的准确性.试验表明,本文算法能有效提高分类器的分类精度和泛化能力,在减少评价样本数量的前提下,可快速收敛于用户定义的目标查询概念.     

基于支持向量机和用户反馈的图像检索算法

针对当前图像检索算法存在精度低、 实时性差等不足, 为了获得更理想的图像检索结果, 提出一种基于支持向量机和用户反馈机制的图像检索算法. 首先采集大量图像, 提取图像检索的相关特征, 建立图像检索特征库； 然后采用支持向量机计算待检索图像特征与图像检索库特征之间的相似度, 确定图像类别, 实现图像的初步检索； 最后引入用户反馈机制对图像的初步检测结果进行精细比对, 并与经典图像检索算法进行对比实验. 实验结果表明, 该方法的图像检索精度超过90%, 图像检索误差远小于经典图像检索算法, 提高了图像检索效率.     

基于支持向量机和用户反馈的图像检索算法

针对当前图像检索算法存在精度低、 实时性差等不足, 为了获得更理想的图像检索结果, 提出一种基于支持向量机和用户反馈机制的图像检索算法. 首先采集大量图像, 提取图像检索的相关特征, 建立图像检索特征库; 然后采用支持向量机计算待检索图像特征与图像检索库特征之间的相似度, 确定图像类别, 实现图像的初步检索; 最后引入用户反馈机制对图像的初步检测结果进行精细比对, 并与经典图像检索算法进行对比实验. 实验结果表明, 该方法的图像检索精度超过90%, 图像检索误差远小于经典图像检索算法, 提高了图像检索效率.     

基于支持向量机的图像分割算法设计

信息的来源多种多样,其中图像是比较重要的一种。随着信息中越来越多地出现数字图像,如何对其进行处理成为国际上的研究热点。图像处理过程包含有图像编码、图像增强、图像压缩和图像分割等许多环节。近年来,学者们对图像分割问题给予了极大关注。介绍了支持向量机的概念,将图像分割看做像素分类,将支持向量机用于图像的分割,包括样本的选择、特征的提取,训练支持向量机,最终实现了基于支持向量机的图像分割算法。结果表明,支持向量机能够很好地将图像目标分割出来。     

图像检索中相关性反馈模型研究

相关性反馈是图像检索中一个重要的组成部分。本文介绍了文本检索中相关性反馈技术及相关性反馈模型。在此基础上,引入基于内容的图像相关性反馈技术及相关性反馈模型。     

基于不对称贝叶斯学习的图像检索相关反馈算法研究

基于贝叶斯(Bayesian)理论的相关反馈技术是可有效提高图像检索性能的重要手段之一.然而,当前大多数的Bayesian反馈算法普遍受到小样本问题和训练样本不对称问题的制约.本文提出一种新的相关反馈算法,该算法将查询点移动(query point movement,QPM)技术嵌入Bayesian框架中,并采用不对称的学习策略处理正、负反馈信息,故而称之为不对称Bayesian学习(asymmetry Bayesianlearning,ABL).对于正例样本,该算法同时考虑用户提供的正、负反馈信息,并借助QPM技术估计相关语义类图像的概率分布.对于负例样本,采用一种半监督学习机制以应对负例样本稀缺问题.首先,通过随机采样从数据库中选取一组无标记图像,然后,利用QPM技术对其进行数据审计.最后,将审计后的无标记图像作为额外的负例样本,并与用户标记的负反馈信息一起用于估计不相关语义类图像的概率分布.仿真实验及对比结果表明,不对称Bayesian学习策略可显著提高相关反馈的效率,且本文算法的检索性能明显优于当前其它的相关反馈算法.     

粒子群优化结合相关反馈的花卉图像检索

针对花卉图像特性,为平衡花卉图像检索系统的检索精度与速度,提出一种将粒子群优化结合于花卉检索相关反馈的算法.算法以2RGB为花卉图像的颜色模型,选取计算量较小的图像低层特征描述,按用户的满意度对检索结果进行评价,指导反馈过程中粒子的最优运动方向.实验结果表明,该算法能有效提高系统的检索效率.     

一种基于遗传算法自学习的图像检索方法

目的 根据传统的相关反馈图像检索的不足，结合遗传算法的优越性，提出了基于遗传算法自学习的图像检索方法，以改进图像检索性能。方法首先通过相关反馈中的人-机交互过程，进行遗传算法的初始群体构造，再通过遗传算法进行自学习，获得满足用户语义要求的最优解。结果实验证明，该方法能够提高检索的性能，查找出更多表达用户查询意图的图像。结论给出了遗传算法在相关反馈图像检索中的应用方法。利用遗传算法自学习的过程，能够发现用户潜在的需求，改善查询结果。     

图像索引和相关反馈在RBIR中的应用

图像索引和相关反馈是改进基于区域的图像检索(RBIR)的2种有效的方法.本研究在图像索引方面采用随机局部搜索(RLS)算法对图像上的区域进行聚类,并引入倒查文件技术对图像库进行索引;在相关反馈方面,采用基于支持向量机的相关反馈算法来改善检索结果,并提出了一种新的核函数使该算法更适宜基于区域的图像表示.在海量图像数据库上的实验结果说明了该算法的有效性.     

基于模糊支持向量机的超光谱遥感图像分类

支持向量机（SVM）应用到超光谱图像分类中有较好的识别效果，但它在解决多分类问题时，存在不可分区域的局限性．为此提出了一种基于一对一SVM的模糊支持向量机，并将该方法应用到超光谱图像分类实验，结果表明该方法不仅改善了不可分区域的存在问题，而且比传统的SVM在分类精度上有明显的提高．     

基于内容的图像特征相关性检索方法

针对目前基于内容的图像检索系统在模型优化及通用性设计等方面的局限性，以图像单一特征描述和提取方法为基础，根据人机交互的相关反馈原理，分析图像组合特征归一化权值系数，提出一套图像特征相关性检索新方案，并在着重对基于内容的图像特征相关性检索算法研究基础上，参照国际标准MPEG－7所提供的通用性系统设计规范，对新方案下的图像检索通用模型进行概念设计，为解决基于内容的图像检索技术在Internet上实用化的瓶颈问题，提供一条新的思路，实验结果验证了新方案的合理性。     

基于内容的彩色细胞图像检索

提出了一种结合颜色、纹理和形状特征的细胞病理图像检索方法．首先,运用K-均值聚类方法提取出细胞核,并且采用多域值分割算法去除细胞图像中的背景区域．提取的特征包括颜色、纹理和形状等,这些特征能很好地表征单核细胞的主要特性．由于提取的特征数值范围以及物理意义不尽相同,对特征进行了归一化处理．最后提出了相关的反馈系统．该系统可以自动地调整不同特征的权值,提高了图像检索的准确率．运用该方法进行细胞图像的检索更符合人的视觉感觉要求,比仅仅提取一个特征的方法更加准确．