基于图模型的图像检索方法研究
发布时间：2021-11-08 01:04
随着互联网技术的飞速发展,多媒体数据呈现出了指数增长态势。如何在规模庞大的数据中挖掘出有用的关键信息,是迫切需要解决的问题。图像检索聚焦于图像数据,旨在从图像数据库中搜索出符合用户意图的图像集合。基于内容的图像检索,允许用户直接将图像作为查询手段,因而图像的视觉特性及语义属性成为了重要的研究内容。在检索的流程中,图像表征和相似性度量方法对检索精度的影响至关重要。基于图像表征,欧氏距离度量能够快速判定图像之间的相关程度,是被普遍采用的度量方法之一。然而,大量研究表明,由于缺乏对特征空间中图像分布以及图像近邻关系的有效利用,欧氏距离度量的准确性直接受限于图像特征的区分力。本文聚焦于基于内容的图像检索问题,展开对图模型的研究,提出基于相似性传播的多级特征增强、基于图神经网络的图像重表征两种算法,将图像的近邻属性融入图像表征,从而提升图像表征的区分力,进而显著改善欧氏距离度量的准确性。首先,本文提出了基于相似性传播的多级特征增强方法。基于传播的相似性度量方法主要应用于在线查询的重排序过程中,限制了检索系统的时间效率和空间效率。基于上述考虑,本文提出将图传播过程从在线阶段迁移到离线阶段,利用这种...
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
图１．３近邻连接图??
级特征增强???他们的本质区别源自近邻关系的不可逆性。在增强ｘ时，机制二引用的是ＪＣ本??身的近邻，机制一引用的是将ｘ视为近邻的那些图像。通过比较这两种机制，可??以更好地理解不同的近邻定义方式的差异性。??第三种增强机制侧重于保留更多图像本身的信息，适用于分布不均匀或相??关图像较少的数据集，因为在这类数据集中，特征增强很可能引入错误信息。??为了充分利用近邻的特性，本文提出多尺度的多级特征增强方法。在公??式２．１中，尺度ｃｒ用于定义邻接矩阵，ｃｒ决定了近邻的平滑程度（如图２．１）。??具体而言，一个较小的ａ严格地限制了只有空间距离非常近的图像才可获得较??高的相似度得分，对应的两个节点之间的连接才有较大权重；随着的增大，这??种约束性减弱，空间距离稍大的图像也会被认为比较相似。??八ｉ丄??０?鈔?０??ｒ?〇??ｏ?〇?〇??〇■减小???＾??图２．１近邻尺度??注：尺度越大，则近邻连接丰富；尺度越小，则对近邻的选取越严格。??在不同尺度下进行相似性传播，灵活利用不同层级下的近邻关系，使得特征??增强更加鲁棒。将三种增强机制对应的多级方案记为ＣＦＡ－１，ＣＦＡ－２，?ＣＦＡ－３。算??法流程如下：??？?Ｉ．选择尺度ａ构建邻接矩阵；??？２．实施传播策略，得到新的相似性度量??？?３．对Ｆ施加Ａ：近邻约束并归一化，用于增强所有数据库图像的特征；??？?４．重复步骤１？３，直到达到限定次数。??总体流程如图２．２所示。??２．２．２大数据集特征增强方法??对于大型数据集，直接在整个数据库中进行传播迭代将会消耗大量内存且??计算量极大，因此必须对算法进行调整。本文选择先对数据库进
?第２章基于相似性传播的多级特征增强???厂?？＞特征更新广?？相关性传递??赢？?特征增强?＾??▲＇：义?，、卜＾＇乂??＠．：ｖ－?ＶＪ??Ｖ?＾ＳＥ＾ｆｇ］?Ｊ??邻接图?」?????图２．２多级特征增强方法??注：第一步，选择尺度构建连接图；第二步，实施迭代传播过程，得到新的相似??性度量；第三步，基于新的相似性度量，更新图像特征，在新的特征空间，相似??图像会自动聚拢；多次重复上述流程。??每一个类内实施独立的特征增强。换句话说，不需要建立全局的连接图。当采用??ｆｃ－ｍｅａｎｓ聚类和硬量化（Ｈａｒｄ?Ｑｕａｎｔｉｚａｔｉｏｎ）策略时，为了降低量化误差带来的影??响，本文选用不同的聚类中心个数（记为Ｓ），分别进行多粒度（粗粒度＋细粒??度，图２．３）聚类。在这种聚类方式下，每一张图像在每次聚类过程中，都有很??大机率与不同的图像聚成一类，即每种粒度下，都可以利用不同的近邻进行特征??增强。??如果同时采用多尺度传播策略和多粒度聚类，不仅步骤冗余，同时由于一个??类内的连接子图相当于全局图的一个局部切分，过度的传播过程可能导致误差??不断累加。因此，我们简化整个流程：首先，基于原始特征在不同粒度设置下进??行聚类（注意：聚类都是在原始特征空间进行，与每一次更新之后的特征无关，??原因在于：本文的初衷是希望减少原始特征空间的量化误差）；然后，针对每一??粒度下的聚类结果，在每个类内实施单一尺度的传播及特征增强。算法流程如??下：??？?１．确定粒度集合丨，ｇ２，?．．．，？？／｝；??？?２．选择粒度ｇ；?ｅ?Ｇ在原始特征空间进行／ｃ－ｍｅａｎｓ聚类，最终得到包含／个??聚
本文编号：3482687
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
图１．３近邻连接图??
级特征增强???他们的本质区别源自近邻关系的不可逆性。在增强ｘ时，机制二引用的是ＪＣ本??身的近邻，机制一引用的是将ｘ视为近邻的那些图像。通过比较这两种机制，可??以更好地理解不同的近邻定义方式的差异性。??第三种增强机制侧重于保留更多图像本身的信息，适用于分布不均匀或相??关图像较少的数据集，因为在这类数据集中，特征增强很可能引入错误信息。??为了充分利用近邻的特性，本文提出多尺度的多级特征增强方法。在公??式２．１中，尺度ｃｒ用于定义邻接矩阵，ｃｒ决定了近邻的平滑程度（如图２．１）。??具体而言，一个较小的ａ严格地限制了只有空间距离非常近的图像才可获得较??高的相似度得分，对应的两个节点之间的连接才有较大权重；随着的增大，这??种约束性减弱，空间距离稍大的图像也会被认为比较相似。??八ｉ丄??０?鈔?０??ｒ?〇??ｏ?〇?〇??〇■减小???＾??图２．１近邻尺度??注：尺度越大，则近邻连接丰富；尺度越小，则对近邻的选取越严格。??在不同尺度下进行相似性传播，灵活利用不同层级下的近邻关系，使得特征??增强更加鲁棒。将三种增强机制对应的多级方案记为ＣＦＡ－１，ＣＦＡ－２，?ＣＦＡ－３。算??法流程如下：??？?Ｉ．选择尺度ａ构建邻接矩阵；??？２．实施传播策略，得到新的相似性度量??？?３．对Ｆ施加Ａ：近邻约束并归一化，用于增强所有数据库图像的特征；??？?４．重复步骤１？３，直到达到限定次数。??总体流程如图２．２所示。??２．２．２大数据集特征增强方法??对于大型数据集，直接在整个数据库中进行传播迭代将会消耗大量内存且??计算量极大，因此必须对算法进行调整。本文选择先对数据库进
?第２章基于相似性传播的多级特征增强???厂?？＞特征更新广?？相关性传递??赢？?特征增强?＾??▲＇：义?，、卜＾＇乂??＠．：ｖ－?ＶＪ??Ｖ?＾ＳＥ＾ｆｇ］?Ｊ??邻接图?」?????图２．２多级特征增强方法??注：第一步，选择尺度构建连接图；第二步，实施迭代传播过程，得到新的相似??性度量；第三步，基于新的相似性度量，更新图像特征，在新的特征空间，相似??图像会自动聚拢；多次重复上述流程。??每一个类内实施独立的特征增强。换句话说，不需要建立全局的连接图。当采用??ｆｃ－ｍｅａｎｓ聚类和硬量化（Ｈａｒｄ?Ｑｕａｎｔｉｚａｔｉｏｎ）策略时，为了降低量化误差带来的影??响，本文选用不同的聚类中心个数（记为Ｓ），分别进行多粒度（粗粒度＋细粒??度，图２．３）聚类。在这种聚类方式下，每一张图像在每次聚类过程中，都有很??大机率与不同的图像聚成一类，即每种粒度下，都可以利用不同的近邻进行特征??增强。??如果同时采用多尺度传播策略和多粒度聚类，不仅步骤冗余，同时由于一个??类内的连接子图相当于全局图的一个局部切分，过度的传播过程可能导致误差??不断累加。因此，我们简化整个流程：首先，基于原始特征在不同粒度设置下进??行聚类（注意：聚类都是在原始特征空间进行，与每一次更新之后的特征无关，??原因在于：本文的初衷是希望减少原始特征空间的量化误差）；然后，针对每一??粒度下的聚类结果，在每个类内实施单一尺度的传播及特征增强。算法流程如??下：??？?１．确定粒度集合丨，ｇ２，?．．．，？？／｝；??？?２．选择粒度ｇ；?ｅ?Ｇ在原始特征空间进行／ｃ－ｍｅａｎｓ聚类，最终得到包含／个??聚
本文编号：3482687
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3482687.html
