版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、詞袋(Bag of words,簡稱Bow)模型最早應用于文本文檔的分類領(lǐng)域中,近年來,隨著對詞袋模型的進一步研究,以及模型本身具有簡單有效的特點,使得模型得到了更加廣泛的應用,并且在圖像處理中也發(fā)揮著巨大的作用。由于圖像在人們的生活工作中發(fā)揮著不可或缺的作用,因此如何在龐大的圖像數(shù)據(jù)庫中,快速準確地查找到人們所需要的圖像信息是至關(guān)重要的。論文主要研究基于詞袋模型的圖像檢索方法,針對傳統(tǒng)詞袋模型中存在的問題做出了相應的改進。
2、論文的主要研究工作概括為以下三個方面:
1.提出一種結(jié)合層次聚類和K-means聚類的混合聚類算法,自動確定數(shù)據(jù)集的最佳聚類數(shù)目。首先對數(shù)據(jù)集采用凝聚式層次聚類算法聚類,依據(jù)有效性評價指標和最大最小距離算法,自動確定最佳聚類數(shù)和初始聚類中心,然后使用K-means算法再聚類,得到最終的聚類結(jié)果。論文選取UCI數(shù)據(jù)集中的數(shù)據(jù)集作為實驗對象,證明了算法的有效性。
2.在傳統(tǒng)詞袋模型的基礎(chǔ)上,構(gòu)造了空間視覺詞袋模型。通過對
3、圖像進行空間層次劃分,引入圖像的空間信息,從而構(gòu)建空間視覺詞袋模型用于之后的圖像處理,再結(jié)合PCA算法和巴氏距離來度量圖像之間的相似程度,進而完成對查詢圖像的檢索過程。實驗結(jié)果表明采用改進后的方法檢索得到的圖像結(jié)果更接近于用戶的查詢目的。
3.引入了相關(guān)反饋技術(shù),使得查詢圖像的初步檢索結(jié)果更加接近用戶的查詢意圖,提高了圖像檢索的精確度。依據(jù)用戶對初步檢索結(jié)果給出的反饋標記,采用基于特征權(quán)重調(diào)整的相關(guān)反饋技術(shù)作進一步研究,通過反
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于改進K-means聚類的推薦方法研究.pdf
- K-means聚類算法的改進.pdf
- K-means聚類算法的改進研究.pdf
- 模糊k-means聚類方法研究及改進.pdf
- 基于K-means聚類算法的負荷模型研究.pdf
- 基于K-means聚類的LEACH協(xié)議的改進研究.pdf
- 基于凝聚模糊K-means的聚類方法研究.pdf
- K-Means聚類算法的研究與改進.pdf
- 基于密度的改進K-Means文本聚類算法研究.pdf
- 基于遺傳算法的K-MEANS聚類改進研究.pdf
- 碩士論文基于改進k-means聚類的推薦方法研究答辯
- 基于改進K-Means聚類方法的高校就業(yè)推薦系統(tǒng)研究.pdf
- K-means聚類算法的改進研究及應用.pdf
- 基于改進K-means聚類的欠定盲分離.pdf
- 基于SOM和K-means聚類算法的RFM模型分析.pdf
- 基于K-Means的文檔聚類算法研究.pdf
- 一種改進的K-MEANS聚類彩色圖像分割方法.pdf
- 基于密度垂直中點的K-means聚類算法改進研究.pdf
- 基于K-means聚類的RCNA識別算法.pdf
- K-means聚類優(yōu)化算法的研究.pdf
評論
0/150
提交評論