基于SVM的圖像檢索系統(tǒng)研究與實(shí)現(xiàn).pdf

1、基于內(nèi)容的圖像檢索是當(dāng)前圖像檢索領(lǐng)域的一個(gè)研究熱點(diǎn)，這方面的研究工作自20世紀(jì)90年代開(kāi)始以來(lái)，取得了很大的進(jìn)步，但是其存在的顯著缺陷就是高層語(yǔ)義和低層圖像特征之間存在著語(yǔ)義鴻溝，低層視覺(jué)特征事實(shí)上并不能很好地表達(dá)圖像的語(yǔ)義，高層的基于語(yǔ)義的圖像檢索必然是未來(lái)研究的重點(diǎn)。
　　相關(guān)反饋通過(guò)人機(jī)交互來(lái)細(xì)化查詢(xún)，希望細(xì)化后的查詢(xún)結(jié)果能夠與用戶(hù)的查詢(xún)意圖更加吻合。在假設(shè)高層語(yǔ)義概念可以被低層視覺(jué)特征捕獲的前提下，相關(guān)反饋技術(shù)試圖通過(guò)用戶(hù)

2、的反饋信息在高層語(yǔ)義概念和低層視覺(jué)特征之間建立聯(lián)系。支持向量機(jī)（Support Vector Machine，以下簡(jiǎn)稱(chēng)SVM）是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的學(xué)習(xí)算法。它通過(guò)選擇適當(dāng)?shù)暮撕瘮?shù)，可以很好地應(yīng)用于非線(xiàn)性分類(lèi)。SVM的基本思想就是通過(guò)最大化相關(guān)樣本和不相關(guān)樣本之間的分類(lèi)間隔從而找到能夠?qū)深?lèi)樣本盡可能正確分開(kāi)的分類(lèi)超平面。
　　本文在反饋檢索過(guò)程中引入了支持向量機(jī)學(xué)習(xí)方法，可以使檢索系統(tǒng)在與用戶(hù)的實(shí)際交互過(guò)程中不斷地進(jìn)行學(xué)

3、習(xí)，使支持向量機(jī)的分類(lèi)超平面最大化地接近真實(shí)的分類(lèi)界面，建立并修正圖像高層語(yǔ)義與低層特征間的聯(lián)系，縮小語(yǔ)義鴻溝，使得該系統(tǒng)能有效、快速地檢索大規(guī)模的圖像數(shù)據(jù)庫(kù)，能滿(mǎn)足各種不同的用戶(hù)需求。為了不增加用戶(hù)負(fù)擔(dān)并在少量的反饋次數(shù)內(nèi)盡可能地?cái)U(kuò)大標(biāo)記數(shù)據(jù)集，我們?cè)谟脩?hù)反饋的同時(shí)把離分類(lèi)邊界最遠(yuǎn)的樣本以及它們的標(biāo)記也加入到標(biāo)記集。本文采用顏色直方圖和顏色不變矩作為圖像底層特征，通過(guò)我們的算法，我們的圖像檢索系統(tǒng)可以在較少的反饋次數(shù)下達(dá)到很好的檢索效