基于最佳路径森林分类的贪婪学习方法在CBIR系统的应用
针对一般相关反馈的基于内容图像检索(CBIR)方法不能有效处理相关图像和非相关图像的问题,提出了一种基于最佳路径森林分类(OPF)的贪婪学习方法(GL-OPF),该方法旨在返回每次迭代查询的最相关图像.首先,查询图像和数据集图像通过Gabor小波变换提取特征向量;然后,通过GL-OPF主动学习方法获得图像关联性反馈,生成标记训练集;最后,标记训练集通过OPF分类器进一步评估形成相关性和非相关性原型集,每次迭代都会返回查询的最相关图像.3个公开图像数据集Caltchl01、Corel和Pascal上的实验验证了本文方法的有效性.实验结果表明,在3个数据集中,迭代8次时,GL-OPF的查询精度比其他3种方法均有较大提高,此外,GL-OPF的迭代运行时间和查询时间与OPF几乎相同,很大程度改进了OPF方法.
基于内容图像检索、最佳路径森林分类、贪婪学习、Gabor小波、相关性反馈
48
TP391(计算技术、计算机技术)
国家重点基础研究发展计划前期研究专项资助2011CB311802;河南省科技厅科技发展计划科技攻关项目资助122400450356;河南省科技厅科技发展计划软科学项目资助132400410927
2016-10-27(万方平台首次上网日期,不代表论文的发表时间)
共8页
135-142