基于多核聚类算法和用户兴趣模型的图像搜索方法

发布时间：2021-03-07 11:01

　　现有的搜索引擎算法不能完整地分析用户的查询目的,直接影响了检索的质量并增加了用户检索的代价。为了提高图像搜索的效率,文中提出了一种基于多核聚类算法的图像搜索方法,通过使用最小二乘支持向量机建立用户兴趣模型,并将个性化的搜索结果返回给用户。实验证明,与其他聚类算法相比,该算法的查全率和查准率可分别提升了8.2%、11.42%和19.7%、26.08%,有明显的提升效果。 

【文章来源】：山东农业工程学院学报. 2020,37(09)

【文章页数】：7 页

【部分图文】：

将图像划分若干块两幅图像

(a)原始图像(b)Gabor特征图图2Gabor特征提取示意图使用公式（13）可以计算两幅图像的纹理相似性：(13)其中,σ=［σ1，…，σm］,表示x2所有图像距离的平均值，x2均值的计算使用公式（9）。3建立模型3.1基于多核动态聚类工作流程本文算法融合多核相似性与动态聚类，引入基于核函数的聚类方法。工作流程如下：步骤一:设定参数聚类类别数C，以及允许误差Emax，确定初始化聚类中心Wi(k)，i=1，…，C;步骤二:采用公式（8）和公式（13），将输入空间的特征向量映射到高维特征空间中；步骤三:第i个子类的散度矩阵计算公式如下：(14)其中(15)由于使用散度矩阵的迹度量散度矩阵大小是一种有效的方法，它在最小化类内散度矩阵迹的同时，也最大化了类间散度矩阵迹，反映了聚集和分离程度。故求出trSi，并比较几个子类迹的大小，将迹最大的子类划分，按照相似度准则的标准进行二次聚类。直到实现预定的聚类数目，这时候得到新的聚类号[8]。3.2建立用户兴趣模型3.2.1最小二乘支持向量机模型最小二乘支持向量机模型可以解决分类问题和函数估计问题，其数学模型的建立过程如下：设为训练样本，其中，xi∈R*表示样本向量，为被分类样本对应的类别标号，n为样本容量，将标准支持向量机中优化问题的约束条件由不等式改为等式，可得如下约束优化问题，见公式（16）。(16)其中，ω为超平面方向向量，φ(xi)为映射函数，ei为xi的松弛系数，γ为边际系数。公式（16）的解可由对应的公式（17）所示的?

实验结果与分析

【参考文献】：
期刊论文
[1]一种基于SIFT特征权排序多图关联图像搜索方法[J]. 阮威.  电子设计工程. 2019(02)
[2]自适应Gabor特征的协同表示人脸识别算法[J]. 严旭东,吴锡生.  传感器与微系统. 2018(03)
[3]基于K-means聚类算法的数据分析模型应用研究[J]. 沈泓,刘顺.  软件导刊. 2017(03)
[4]图像搜索结果的重叠层次聚类与代表点展现[J]. 谷瑞军,陈圣磊,陈耿,汪加才.  计算机应用. 2012(04)
[5]基于内容相关性挖掘的反馈式搜索引擎框架[J]. 侯越先,张鹏,于瑞国.  天津大学学报. 2008(08)



本文编号：3068963