基于支持向量機的相關(guān)反饋圖像檢索算法研究.pdf

1、基于內(nèi)容的圖像檢索方法(Content-Based Image Retrieval，CBIR)有效解決了基于文本的圖像檢索方法(Content-Based Image Retrieval，TBIR)存在的人工注釋量大、注釋存在較強主觀性、少量注釋很難充分表達圖像完整信息以及不同語言標(biāo)注存在圖像語義理解差異等問題，通過提取圖像的視覺特征，選擇合適的特征組合和查詢條件，即可實現(xiàn)查詢圖像與檢索圖像間的相似匹配。機器學(xué)習(xí)方法的提出，逐漸縮小了用

2、戶與PC機在圖像內(nèi)容理解上的語義差異，提高了檢索準確性。支持向量機學(xué)習(xí)機制的提出，以所需圖像特征作為試驗樣本數(shù)據(jù)，通過選取合適的核函數(shù)以及相關(guān)參數(shù)設(shè)置構(gòu)建分類器，對測試樣本進行預(yù)測分類，以達到逼近的目的，從而檢索出相似度更接近的圖像。為了從以計算機為中心轉(zhuǎn)為以用戶為中心，研究人員提出相關(guān)反饋機制，對檢索結(jié)果進行圖像標(biāo)記，通過多次反饋使得檢索結(jié)果更加吻合用戶檢索意圖。
　　實驗系統(tǒng)以Visual C++6.0為開發(fā)工具，并結(jié)合MAT

3、LAB2013a軟件，分別提取圖像的顏色、紋理以及綜合特征，圖像分塊有效彌補了圖像空間分布信息，借鑒詞袋模型(Bag of Words)可提高分類的準確率，以不同數(shù)量的正負例圖像作為反饋檢索的實驗樣本，分別以支持向量機以及極限學(xué)習(xí)機兩種不同的學(xué)習(xí)機制進行分類器的設(shè)計，對圖像特征庫進行學(xué)習(xí)預(yù)測，以提高檢索精度。實驗表明，對于小規(guī)模圖像特征庫，支持向量機具有一定的優(yōu)勢，而對于大規(guī)模圖像特征庫，支持向量機存在一些不足，需要算法改進或者結(jié)合一些