圖像檢索中的高斯混合聚類算法研究.pdf

1、高斯混合模型能夠用參數(shù)化的方法描述樣本空間中的數(shù)據(jù)分布，將高斯混合模型的參數(shù)作為圖像的特征具有簡潔高效的優(yōu)點(diǎn)。層次性圖像檢索在圖片高斯混合特征的基礎(chǔ)上通過聚類得到類的高斯混合特征。層次性高斯混合聚類算法能將復(fù)雜的高斯混合特征聚類成比較簡單的混合模型，檢索的時(shí)候可以先查找類，然后在類中查找目標(biāo)圖片，這樣可以大大降低時(shí)間復(fù)雜度。層次性圖像檢索的核心是高效的層次性聚類算法。 聚類分析用來探索未知數(shù)據(jù)的內(nèi)部結(jié)構(gòu)，為決策服務(wù)，在各個(gè)領(lǐng)域有

2、著廣泛的應(yīng)用。高斯混合聚類將高斯成分當(dāng)作樣本空間中的基元，借鑒經(jīng)典聚類算法的思路，將復(fù)雜的高斯混合模型聚類成簡單的高斯混合模型，適合于處理高維空間中的大樣本數(shù)據(jù)集，是對(duì)經(jīng)典聚類算法思想的推廣。本文主要研究了如下兩種混合聚類算法： 一種是由N.Vasconcelos提出的層次性期望最大(HEM)算法。HEM算法是EM算法的推廣，但是HEM算法沒有充分考慮混合成份之間協(xié)方差的差異，使得聚類的時(shí)候出現(xiàn)協(xié)方差大的混合成份過度擴(kuò)張，導(dǎo)致最

3、后聚類得到的混合模型不能很好的反映類的內(nèi)部結(jié)構(gòu)。本文提出一種改進(jìn)的HEM聚類算法-COY-HEM，摒棄傳統(tǒng)的分裂算法，采取引入?yún)f(xié)方差因子平衡后驗(yàn)概率即隸屬度的方式，增強(qiáng)小協(xié)方差成分的影響，抑制大方差成分過度膨脹。 另一種是Slonim提出的一種基于信息論的凝聚式信息瓶頸(AIB)算法。AIB算法是凝聚算法的推廣，但是AIB算法在聚類時(shí)采用的Monte-Carlo仿真公式卻是值得商榷的。本文證明了此Monte-Carlo仿真公式與