圖像檢索中結(jié)合貝葉斯和SVM的相關(guān)反饋算法研究.pdf

1、相關(guān)反饋技術(shù)在提高圖像檢索性能方面發(fā)揮著重要作用。但圖像檢索過(guò)程中的相關(guān)反饋存在反饋次數(shù)過(guò)多，反饋效果不夠理想等問(wèn)題。貝葉斯分類算法多數(shù)會(huì)受到小樣本問(wèn)題制約，而支持向量機(jī)(Support Vector Machine，SVM)和貝葉斯分類都會(huì)受訓(xùn)練樣本不對(duì)稱問(wèn)題的影響。如何克服這些問(wèn)題，對(duì)提高檢索效果至關(guān)重要。
　　為解決上述問(wèn)題，提出一種貝葉斯和支持向量機(jī)相結(jié)合的反饋算法，并在該算法基礎(chǔ)上提出兩種改進(jìn)算法。在介紹結(jié)合算法之前，本

2、文對(duì)基于SVM和貝葉斯的反饋算法進(jìn)行了研究，為結(jié)合算法的提出做好了鋪墊。該結(jié)合算法用貝葉斯分類器對(duì)圖像庫(kù)進(jìn)行分類，聚集相關(guān)的圖像，去除無(wú)關(guān)的圖像，實(shí)現(xiàn)圖像庫(kù)的壓縮，然后用SVM分類器對(duì)縮小之后的圖像庫(kù)反饋，從而縮小了算法的搜索范圍，減少了反饋次數(shù)，提高了反饋效果，從而解決了反饋次數(shù)過(guò)多問(wèn)題。
　　而本文對(duì)小樣本問(wèn)題和訓(xùn)練樣本不對(duì)稱問(wèn)題也有幫助。首先，雖然檢索開(kāi)始的時(shí)候貝葉斯分類器的訓(xùn)練樣本有限，但隨著反饋次數(shù)增加，用戶標(biāo)注的樣本數(shù)

3、增加，訓(xùn)練樣本逐漸累加，樣本個(gè)數(shù)逐漸增多，貝葉斯分類器效果會(huì)變好；其次，本文算法中的貝葉斯分類器的參數(shù)不是固定的，它隨著樣本數(shù)的改變更新自身的參數(shù)，所以每次反饋用的貝葉斯分類器都不同，這樣構(gòu)造的貝葉斯分類器會(huì)更合理，效果會(huì)更好；最后，反饋過(guò)程中用戶標(biāo)注的是前K幅圖像，只標(biāo)注相關(guān)圖像，剩下的為不相關(guān)圖像，而不是把圖像庫(kù)中所有未標(biāo)注的圖像作為不相關(guān)圖像，所以基本不可能產(chǎn)生訓(xùn)練樣本不對(duì)稱問(wèn)題。
　　研究結(jié)果表明，跟傳統(tǒng)和改進(jìn)的支持向量機(jī)