基于SVM的圖像檢索系統(tǒng)研究與實現(xiàn).pdf

1、基于內容的圖像檢索是當前圖像檢索領域的一個研究熱點，這方面的研究工作自20世紀90年代開始以來，取得了很大的進步，但是其存在的顯著缺陷就是高層語義和低層圖像特征之間存在著語義鴻溝，低層視覺特征事實上并不能很好地表達圖像的語義，高層的基于語義的圖像檢索必然是未來研究的重點。
　　相關反饋通過人機交互來細化查詢，希望細化后的查詢結果能夠與用戶的查詢意圖更加吻合。在假設高層語義概念可以被低層視覺特征捕獲的前提下，相關反饋技術試圖通過用戶

2、的反饋信息在高層語義概念和低層視覺特征之間建立聯(lián)系。支持向量機（Support Vector Machine，以下簡稱SVM）是一種基于結構風險最小化原理的學習算法。它通過選擇適當?shù)暮撕瘮?shù)，可以很好地應用于非線性分類。SVM的基本思想就是通過最大化相關樣本和不相關樣本之間的分類間隔從而找到能夠將兩類樣本盡可能正確分開的分類超平面。
　　本文在反饋檢索過程中引入了支持向量機學習方法，可以使檢索系統(tǒng)在與用戶的實際交互過程中不斷地進行學

3、習，使支持向量機的分類超平面最大化地接近真實的分類界面，建立并修正圖像高層語義與低層特征間的聯(lián)系，縮小語義鴻溝，使得該系統(tǒng)能有效、快速地檢索大規(guī)模的圖像數(shù)據(jù)庫，能滿足各種不同的用戶需求。為了不增加用戶負擔并在少量的反饋次數(shù)內盡可能地擴大標記數(shù)據(jù)集，我們在用戶反饋的同時把離分類邊界最遠的樣本以及它們的標記也加入到標記集。本文采用顏色直方圖和顏色不變矩作為圖像底層特征，通過我們的算法，我們的圖像檢索系統(tǒng)可以在較少的反饋次數(shù)下達到很好的檢索效