基于聚類緊湊特征的大規(guī)模圖像檢索研究.pdf

1、隨著互聯(lián)網(wǎng)和數(shù)字攝影設備的普及和發(fā)展，圖像的數(shù)量和內容越來越豐富。圖像作為一種內容豐富、表現(xiàn)直觀、數(shù)字化的數(shù)據(jù)形式，其信息的強大優(yōu)勢，使圖像迅速滲透到社會的各行各業(yè)，應用價值越來越高。面對圖像數(shù)據(jù)的爆炸性增長，如何從中檢索到自己感興趣的圖像，就顯得尤為重要。
　　近幾年研究者們將注意力集中在基于內容的圖像檢索技術，以計算機視覺、信息檢索、機器學習等理論為基礎，發(fā)展圖像視覺內容的提取和檢索技術，并取得了一定的進展。但面對目前日益增長

2、的海量圖像，圖像檢索實時性要求越來越高，傳統(tǒng)的基于內容的圖像檢索已經(jīng)不能滿足實時性需求。針對現(xiàn)有方法存在的不足，吸取了計算機視覺理論、信息檢索理論和機器學習理論中的最新成果，圍繞圖像特征提取、圖像表達、索引等技術內容展開了深入的研究。
　　針對圖像中大量高維局部特征引發(fā)的維度災難問題，基于聚類思想提出了一套簡單有效的圖像局部特征聚合框架。我們將圖像中多個局部特征聚合為一個向量，避免了大量高維向量量化和索引導致的計算開銷，降低硬件要

3、求，提高特征描述和檢索的速度。根據(jù)聚類對象的不同，分為兩類聚類緊湊特征：基于圖像的聚類緊湊特征和基于圖像集的聚類緊湊特征。
　　第一種聚類特征通過將每幅圖像的局部特征進行聚類，提取每個聚類的主要信息，并計算局部特征分布和空間統(tǒng)計信息作為補充。同時在以往采用單一視覺信息建立索引的基礎上，提出基于詞匯樹模型的多元信息索引方法。該方法結合基于圖像的聚類緊湊特征，在犧牲一定檢索準確率的前提下，顯著地提高了大規(guī)模圖像檢索的效率。
　　

4、第二類聚類特征首先將圖像集的局部特征集進行聚類，對整個特征空間進行劃分，再根據(jù)局部特征和聚類中心的距離和空間信息的相關性將圖像的局部特征分配到每個劃分空間生成緊湊直方圖。基于圖像集的聚類緊湊特征能充分利用圖像集中特征的全局特征和統(tǒng)計信息，記錄圖像的局部特征相對于整個圖像集的分布，進而提高特征的描述能力和辨識度。
　　綜上所述，本文提出了一種基于聚類緊湊特征的大規(guī)模圖像檢索框架。針對兩種聚類緊湊特征，提出具體的檢索方案，并通過實驗驗