基于非線性降維的圖像檢索算法的優(yōu)化研究.pdf

1、海量圖像檢索是當前活躍的研究方向,它有著廣闊的應用前景,在計算機領域中得到了廣泛的關注。但同時它又是一個極為困難的問題,困難主要來源于海量圖像檢索環(huán)境經常是一個規(guī)模驚人的分布式圖像數據庫,而且檢索用戶一般不愿花過長的時間等待檢索結果。因此,海量圖像檢索技術的關鍵在于在具有相當準確度的前提下找到一種特別高效的檢索算法。為了更加高效地進行海量圖像檢索,兩種途徑被廣泛采納：采用高效的圖像降維算法和采用適當的特征選擇技術。 基于拉普拉斯

2、特征映射(LE)算法的保局投影(LPP)算法不僅可以保持流形學習的能力,而且具有線性方法計算簡單、直觀快捷的優(yōu)點。研究表明：LPP算法在用于海量圖像檢索時具有明顯的優(yōu)勢。本文的工作集中于LPP算法應用于海量圖像檢索時的相關研究：包括LPP圖像降維算法的優(yōu)化研究以及結合非線性降維技術的特征選擇算法研究。 1.對基于LE算法的LPP算法在圖像降維方面的應用作了深入的研究,論證了LPP算法用于海量圖像檢索系統(tǒng)的比較優(yōu)勢。LPP算法是基

3、于LE算法的線性擴展,兼具有非線性的LE算法和線性降維方法二者的優(yōu)點。與LE算法相比,LPP算法具有一個轉換矩陣,而且計算復雜度比LE算法大大降低；與其它線性算法(如PCA算法)相比,LPP算法具有較強的流形學習能力,當數據集存在非線性結構時,利用該算法更能夠保留圖像空間的本質特征。 2.對LPP算法應用于圖像檢索作了進一步的研究,介紹了一種具有代表性的LPP應用優(yōu)化算法：結合相關反饋的LPP算法(FLPP算法)。然后,針對LP

4、P算法中最近鄰圖并不能夠總是準確地模擬數據流形,提出了一種優(yōu)化的LPP算法：ILPP算法。ILPP算法通過迭代地更新最近鄰圖,從而使之能更好地模仿流形的局部結構。通過人臉識別的實驗結果表明該算法能夠有效地提高LPP算法的性能。 3.在分布式海量圖像檢索系統(tǒng)中,經常會有一些新加入的圖像,大多數現有的半監(jiān)督學習方法(包括基于SVM的半監(jiān)督方法)在未標注數據量較大時處理效率較低。本論文提出了一種基于LPP的半監(jiān)督降維學習算法一"LPP

5、半監(jiān)督算法”。該算法可以很好地辨識數據空間的流形結構,同時可以更加有效地使用未標注的數據。實驗結果顯示,LPP半監(jiān)督降維算法的檢索準確度明顯高于SVM半監(jiān)督方法,而且特別適用于訓練樣本相對缺乏的場合。最后,在對現有圖像檢索技術中的特征選擇方法進行研究的基礎上,針對海量圖像檢索的特點,提出了一種結合非線型降維技術的新型特征選擇算法:LSDF算法。該算法具有在降維時有效辨識數據局部結構的能力,在海量圖像檢索使用該算法時,我們可以只花極小的計