基于SIFT特征和距離度量學(xué)習(xí)的圖像檢索方法.pdf

1、隨著社會(huì)的進(jìn)步和人們生產(chǎn)生活方式的改變，網(wǎng)絡(luò)上的圖像數(shù)據(jù)的數(shù)量呈現(xiàn)激增的趨勢(shì)?；趦?nèi)容的圖像檢索技術(shù)作為近年來(lái)處理圖像數(shù)據(jù)的重要手段之一，受到了廣泛關(guān)注。將其推廣到大規(guī)模的圖像信息數(shù)據(jù)庫(kù)中，提升檢索的性能，與用戶交互，滿足用戶的需求，這些都是基于內(nèi)容的圖像檢索技術(shù)在目前這個(gè)時(shí)代面臨的挑戰(zhàn)和機(jī)遇。
　　本文首先著眼于圖像的表示與描述，在介紹了常用的SIFT特征后，為了使其能更精簡(jiǎn)的表示圖像，采用了基于主成分分析算法的圖像表示方法。面

2、對(duì)大規(guī)模圖像數(shù)據(jù)的現(xiàn)狀，首先提出利用密度改進(jìn)的譜聚類算法，使用該算法對(duì)數(shù)據(jù)庫(kù)進(jìn)行分割，接著利用類簇建立分布式KD索引樹。在檢索部分引入用戶反饋，根據(jù)用戶的反饋反復(fù)進(jìn)行距離度量學(xué)習(xí)，從而不斷提高檢索的準(zhǔn)確度。本文主要研究工作包括：
　　1.闡述了SIFT特征的原理和提取過(guò)程，學(xué)習(xí)了基于SIFT特征和主成分分析的特征提取方法。
　　2.針對(duì)目前數(shù)據(jù)庫(kù)中圖像數(shù)量的增加，提出建立分布式檢索的解決方法。根據(jù)圖像數(shù)據(jù)庫(kù)中的類簇，在Map

3、Reduce架構(gòu)上建立分布式KD索引樹。
　　3.為了分割圖像數(shù)據(jù)庫(kù)，分析現(xiàn)有聚類算法的優(yōu)缺點(diǎn)，根據(jù)目前已存在的譜聚類和基于密度的聚類方法，提出了二次聚類算法。
　　4.為了取得更好的檢索效果，利用距離度量學(xué)習(xí)的算法，從已標(biāo)記的圖像中學(xué)習(xí)一個(gè)適合的距離度量。結(jié)合用戶不斷返回的對(duì)中間結(jié)果的反饋，建立了一個(gè)基于距離度量學(xué)習(xí)的交互式檢索模型。
　　通過(guò)實(shí)驗(yàn)，證明了提取出的特征向量依然具有平移、縮放等不變性，改進(jìn)的聚類算法性能