论文部分内容阅读
随着互联网技术和多媒体技术的发展与普及产生了海量的数字图像，基于文本的图像检索已经无法满足人们对图像检索的需求，基于内容的图像检索技术(CBIR)成为信息检索的研究新热点。检索速度一直是图像检索的一个需要突破的瓶颈。在国内外CBIR技术的研究基础上本文提出将机器学习中的分层神经网络聚类算法引入基于内容的图像检索框架中，提高了检索速度。主要工作内容如下: (1)提出了一种将颜色直方图和改进Tamura纹理特征相融合的图像特征提取方法; (2)提出了一种改进的增长型分层自组织映射网络(GHSOM)，该算法应用赤池信息该准则来选择GHSOM网络的子网络（SOM网络）的生长参数，使得每个子网络都能正确地表达出映射到它的数据集的结构，提高GHSOM网络的聚类效果; (3)针对传统的顺序图像检索方法需要将请求图像与图像库中的每一张图像进行比较，检索速度和检索准确度都很低的问题，本文将改进的GHSOM聚类算法应用到基于内容的图像检索中，先将图像特征库用改进的GHSOM算法进行聚类，图像检索时先在GHSOM网络模型上找到相似的类，然后在相似的类上继续进行检索，大大提高了检索速度。并且在搜索相似的类时充分利用GHSOM网络的分层结构，更迸一步的提高了检索效率。 实验结果表明改进的GHSOM算法得到了更好的聚类效果，基于它的图像检索方法提高了的图像匹配速度，同时图像检索准确率也得到了一定程度的提升。