论文部分内容阅读
K-Means 聚类是视觉词典构造的常用方法，其聚类结果直接影响后续的特征量化效果和检索精度，而现有的 K-Means 聚类算法难以获得高质量的视觉词典。针对这种情况，提出局部化 K-Means 聚类算法。算法首先根据启发式原则将特征集划分成若干个独立的子集，并对各子集进行传统 K-Means 聚类，然后以各子集的聚类中心为对象进行加权 K-Means 聚类。上述过程不断迭代直至形成特定规模的视觉词典。实验结果表明，与现有算法相比，该算法提高了聚类质量。在 SIFT 特征集和标准数据集上进行的多组对比实验