一种基于视觉词典优化和查询扩展的图像检索方法
视觉词典方法(Bag of visual words,BoVW)是当前图像检索领域的主流方法,然而,传统的视觉词典方法存在计算量大、词典区分性不强以及抗干扰能力差等问题,难以适应大数据环境.针对这些问题,本文提出了一种基于视觉词典优化和查询扩展的图像检索方法.首先,利用基于密度的聚类方法对SIFT 特征进行聚类生成视觉词典,提高视觉词典的生成效率和质量;然后,通过卡方模型分析视觉单词与图像目标的相关性,去除不包含目标信息的视觉单词,增强视觉词典的分辨能力;最后,采用基于图结构的查询扩展方法对初始检索结果进行重排序.在Oxford5K和Paris6K图像集上的实验结果表明,新方法在一定程度上提高了视觉词典的质量和语义分辨能力,性能优于当前主流方法.
视觉词典模型、密度聚类、卡方模型、查询扩展
44
国家自然科学基金60872142;华侨大学科研基金资助Supported by National Natural Science Foundation of China60872142;Scientific Research Funds of Huaqiao University本文责任编委刘跃虎
2018-03-13（万方平台首次上网日期，不代表论文的发表时间）
共7页
99-105
