图像检索中的重排序算法研究

发布时间：2017-04-26 18:08

  本文关键词：图像检索中的重排序算法研究，由笔耕文化传播整理发布。

【摘要】：随着多媒体及网络技术的飞速发展,数字图像的种类和数量都在与日俱增。如何从这些庞大的图像集中迅速且精确地检索出用户所需要的图像信息,并以一定的排序方式将检索结果呈现给用户,是图像检索领域研究的热点问题之一。目前图像检索领域中普遍使用的一种方式是基于内容的图像检索(Content-Based Image Retrieval,CBIR)。然而,在CBIR的各个组成部分中,排序算法直接决定了用户看到的检索结果。所以,排序算法的性能对于CBIR技术的性能起着至关重要的作用。随着搜索引擎检索性能的提高,目前大多数的排序算法主要基于图像之间的相似度对图像进行重排序,即将与查询图像最相似的图像呈现在结果列表的最前面,比如Visual Rank算法。但是这样的重排序方式并没有考虑到检索结果的多样性,所以基于多样性的重排序算法随之提出,比如Multiclass Visual Rank算法。基于Visual Rank算法和Multiclass Visual Rank算法,本论文做了以下工作:1.基于Visual Rank算法,本论文提出一种改进的图像相关性重排序算法。Visual Rank算法中提取图像的尺度不变特征转换(Scale Invariant Feature Transform,SIFT),在这个过程中需要提取大量的关键点,这造成了计算量大及计算复杂度高等缺点。本论文首先通过提取图像的空间金字塔匹配(Spatial Pyramid Matching,SPM)特征改进了Visual Rank算法中的SIFT特征,然后按照Page Rank算法的思想对图像进行重排序,最后将结果呈现给用户。实验结果表明,本论文的排序算法得到的排序结果具有较高的相关性,而且计算复杂度较低,更加符合用户的需求。2.基于Multiclass Visual Rank算法,本论文提出一种改进的图像多样性重排序算法。Multiclass Visual Rank算法首先提取图像的SIFT特征,然后用规范割(Normalized Cuts,Ncuts)聚类算法对图像库中的图像进行聚类,之后每一类中,对图像进行排序,将最后的结果以分类的方式呈现给用户。但规范割算法是基于图像中每个像素点对图像进行聚类的,故计算量比较大,不利于实时图像处理。基于这些问题,本论文运用均值漂移与规范割结合的聚类算法进行聚类,之后按照Page Rank算法思想对图像进行重排序,将结果呈现给用户。实验中将本论文中的算法与其他算法进行比较,实验结果表明,本论文算法在时间复杂度和结果相关度上均可达到较为理想的效果。
【关键词】：图像检索 重排序 VisualRank 空间金字塔匹配模型 Multiclass VisualRank 聚类算法
【学位授予单位】：河南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 绪论10-16
• 1.1 研究背景和意义10-12
• 1.2 重排序算法的研究现状12-13
• 1.3 本论文的主要工作及结构安排13-16
• 第二章 基本理论16-28
• 2.1 重排序算法的主要内容及其分类16-24
• 2.1.1 基于链接分析的重排序算法16-22
• 2.1.2 基于机器学习的重排序算法22-24
• 2.2 谱聚类算法24-26
• 2.2.1 谱聚类算法的背景及框架24
• 2.2.2 常用的谱聚类算法24-26
• 2.3 本章小结26-28
• 第三章 基于VISUALRANK的图像相似性重排序算法28-42
• 3.1 基于VISUALRANK的图像相似性重排序算法28-32
• 3.1.1 Visual Rank算法的一般框架29
• 3.1.2 SPM的基本理论29-31
• 3.1.3 基于Visual Rank的图像相似性重排序算法31-32
• 3.2 评价排序的性能指标32-33
• 3.2.1 评价指标AP32
• 3.2.2 评价指标MAP32-33
• 3.2.3 评价指标P@n33
• 3.2.4 评价指标NDCG33
• 3.3 实验结果及分析33-39
• 3.4 本章小结39-42
• 第四章 基于MULTICLASS VISUALRANK的图像多样性重排序算法42-56
• 4.1 改进的MULTICLASS VISUALRANK算法42-46
• 4.1.1 Mean Shift与Ncuts结合的聚类算法43-44
• 4.1.2 Multiclass Visual Rank算法的一般框架44
• 4.1.3 改进的Multiclass Visual Rank算法44-46
• 4.2 评价排序的性能指标46-47
• 4.3 实验结果及分析47-55
• 4.4 本章小结55-56
• 总结与展望56-58
• 参考文献58-62
• 致谢62-63
• 攻读硕士学位期间撰写的学术论文63
• 攻读硕士学位期间参与的科研项目63-64

【相似文献】

中国期刊全文数据库 前10条

1 韩法旺;;基于云计算模式的图像检索研究[J];情报科学;2011年10期

2 何岩;;以计算机为基础的色彩图像检索方法与研究[J];计算机光盘软件与应用;2013年12期

3 郭海凤;李广水;仇彬任;;基于融合多特征的社会网上图像检索方法[J];计算机与现代化;2013年12期

4 柏正尧,周纪勤;基于复数矩不变性的图像检索方法研究[J];计算机应用;2000年10期

5 夏峰,张文龙;一种图像检索的新方法[J];计算机应用研究;2002年11期

6 邓诚强,冯刚;基于内容的多特征综合图像检索[J];计算机应用;2003年07期

7 斯白露,高文,卢汉清,曾炜,段立娟;基于感兴趣区域的图像检索方法[J];高技术通讯;2003年05期

8 刘怡,于沛;基于“知网”的新闻图像检索方法[J];河南师范大学学报(自然科学版);2003年02期

9 张荣,郑浩然,李金龙,王煦法;进化加速技术在图像检索中的应用[J];计算机工程与应用;2004年16期

10 黄德才,胡嘉,郑月锋;交互式图像检索中相关反馈进展研究[J];计算机应用研究;2005年09期

中国重要会议论文全文数据库 前10条

1 陈旭文;朱红丽;;一种高效的图像检索方法[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年

2 周向东;张亮;张琪;刘莉;殷慷;施伯乐;;一种新的图像检索相关反馈方法[A];第十九届全国数据库学术会议论文集（研究报告篇）[C];2002年

3 陈世亮;李战怀;闫剑锋;;一种基于本体描述的空间语义图像检索方法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 赵海英;彭宏;;基于最优近似反馈的图像检索[A];’2004系统仿真技术及其应用学术交流会论文集[C];2004年

5 许相莉;张利彪;于哲舟;周春光;;基于商空间粒度计算的图像检索[A];第八届全国信息隐藏与多媒体安全学术大会湖南省计算机学会第十一届学术年会论文集[C];2009年

6 李凌伟;周荣贵;刘怡;;基于概念的图像检索方法[A];第十九届全国数据库学术会议论文集（技术报告篇）[C];2002年

7 杨关良;李忠杰;徐小杰;;基于代表色的图像检索方法研究[A];首届信息获取与处理学术会议论文集[C];2003年

8 彭瑜;乔奇峰;魏昆娟;;基于多示例学习的图像检索方法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

9 胡敬;武港山;;基于语义特征的风景图像检索[A];2009年研究生学术交流会通信与信息技术论文集[C];2009年

10 许天兵;;一种基于语义分类的图像检索方法[A];中国图象图形学会第十届全国图像图形学术会议（CIG’2001）和第一届全国虚拟现实技术研讨会（CVR’2001）论文集[C];2001年

中国博士学位论文全文数据库 前10条

1 崔超然;图像检索中自动标注、标签处理和重排序问题的研究[D];山东大学;2015年

2 杨迪;基于内容的分布式图像检索[D];北京邮电大学;2015年

3 张旭;网络图像检索关键技术研究[D];西安电子科技大学;2014年

4 吴梦麟;基于半监督学习的医学图像检索研究[D];南京理工大学;2015年

5 李展;基于多示例学习的图像检索与推荐相关算法研究[D];西北大学;2012年

6 郭丽;基于内容的商标图像检索研究[D];南京理工大学;2003年

7 邵虹;基于内容的医学图像检索关键技术研究[D];东北大学;2005年

8 韦娜;基于内容图像检索关键技术研究[D];西北大学;2006年

9 梁洪;基于内容的医学图像检索及语义建模关键技术研究[D];哈尔滨工程大学;2010年

10 谭立球;基于本体的图像检索相关技术研究[D];中南大学;2009年

中国硕士学位论文全文数据库 前10条

1 赵鸿;基于尺度不变局部特征的图像检索研究[D];华南理工大学;2015年

2 孙剑飞;基于图像索引的热点话题检索方法研究[D];兰州大学;2015年

3 章进洲;图像检索中的用户意图分析[D];南京理工大学;2015年

4 苗思杨;移动图像检索中的渐进式传输方式研究[D];大连海事大学;2015年

5 都业刚;基于显著性的移动图像检索[D];大连海事大学;2015年

6 王梦蕾;基于用户反馈和改进词袋模型的图像检索[D];南京理工大学;2015年

7 许鹏飞;基于草图的海量图像检索方法研究[D];浙江大学;2015年

8 冯进丽;基于BoF的图像检索与行为识别研究[D];山西大学;2015年

9 乔维强;基于低级特征和语义特征的医学图像检索[D];北京理工大学;2015年

10 蒋国宝;基于内容的概念建模和图像检索重排序[D];复旦大学;2014年

  本文关键词：图像检索中的重排序算法研究，，由笔耕文化传播整理发布。

本文编号：328964