论文部分内容阅读
随着互联网和多媒体信息技术的发展,数字图像资源也日趋丰富,如何快速有效地从海量的图像数据库中检索出满足用户需求的图像,是现在一个非常重要的研究方向。用户在检索图像的时候,更多的还是追求高层语义上的相似与匹配,所以,基于语义的图像检索渐渐成为研究的重点。图像的底层特征的提取技术已经相对成熟,而图像的高层语义的提取及描述技术却还是个难以解决的问题,所以,建立底层特征和高层语义之间的联系就成了解决“语义鸿沟”问题的关键。本文提出了一种基于聚类的语义图像检索方法,在图像的底层视觉特征和高层语义之间建立了联系。聚类是一种无监督学习方法,一直以来都是用于图像分割领域,并未直接用于图像检索当中,而本文将聚类直接应用到图像检索技术当中,先用聚类算法结合图像的底层特征分类图像,建立底层特征与高层语义之间的联系,使图像分成不同语义的类别,再进行相似性比较,使检索结果更加符合用户需求。本文针对两种不同的聚类算法在图像检索中的应用做了仿真实验比较。提取图像的颜色特征,用传统的K-means算法和谱聚类方法中改进的NCut算法分别对图像库进行语义分类,并对结果进行分析。经实验证明,NCut算法分类效果较好,应用到图像检索能够得到更好的检索结果。本文用分类效果较好的NCut聚类算法,结合图像的颜色特征和形状特征,设计实现了一个基于聚类的语义检索系统。首先提取图像的颜色特征,然后用颜色特征建立相似性矩阵,结合NCut算法对图像进行语义聚类,使图像库中图像分成不同语义的类别,计算查询图像与各语义类别的相似性,提取最相似的类中图像的形状特征,将之与查询图像的形状特征进行相似性比较,得到检索结果。在现有的图像检索方法当中,基于形状的图像检索效果较好,将本文设计的聚类检索方法与未结合聚类方法的基于形状的图像检索方法进行仿真实验对比,经实验证明,本文设计的检索系统具有较好的检索效果,查全率和查准率有所提高。