论文部分内容阅读
传统的图像检索技术是通过图像间相似度实现的。由于检索结果中存在过多重复的信息,所以有必要展开多样性检索技术研究。本文以植物图像为研究对象,对植物图像特征提取、基于聚类的多样性检索、面向分类的多子流形学习等内容进行了深入和较为全面的研究。本文工作分为以下四个部分:(1)验证多种图像特征在基于内容的植物图像检索中的有效性。根据植物图像特点,综合不同的图像特征,进行多样性检索。针对花卉图像,使用形状和颜色特征相结合的描述符;针对植物叶图像,使用形状和纹理特征相结合的描述符,进行植物图像检索。(2)提出一种基于最大散度评估的植物图像多样化检索技术,解决了多样性检索结果中信息不相关问题。通过支持向量机相关反馈的检索机制,再使用AP(Affinity Propagation, AP)聚类算法,使检索结果同时具有相关性和多样性的特点。并针对多样性检索这一特性设计最大散度多样性的评估指标。(3)提出一种基于多子流形学习的多样性检索方法,提高了多样性检索效率。该方法可以保证高维特征投影到低维空间后,每个流形间的距离尽可能大,同时也保证子流形分布差异尽可能大,从而利于提取图像特征的多样性,达到多样性检索的目的。(4)开发了一个基于内容的多样性植物图像检索系统,该系统实现了对多种图像特征的提取,进行初步检索,验证各种图像特征的检索效果,同时实现了基于相关反馈聚类的多样性检索和基于多子流形学习特征提取的多样性检索技术。