流形學習方法在Web圖像檢索中的應用研究.pdf

1、Web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Web圖像檢索環(huán)境是一個規(guī)模驚人的分布式圖像數據庫，而且互聯(lián)網用戶一般不愿意花過長的時間等待檢索結果。因此，Web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Web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相關反饋技術。 基于

2、拉普拉斯特征映射(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。我們的研究表明，LPP算法在用于Web圖像檢索時具有明顯的優(yōu)勢。本論文的工作集中于LPP算法應用于Web圖像檢索時的相關研究：包括LPP圖像降維算法的優(yōu)化研究以及結合相關反饋技術的LPP算法研究。 首先，本論文對基于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Web圖像檢索系統(tǒng)

3、的比較優(yōu)勢。LPP算法是基于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。 其次，針對LPP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。在檢測集的分布比

4、較均勻的情況下，L2P算法定義的最近相鄰圖可以很好地模擬數據集的幾何結構。然而，檢測集是隨機抽樣產生的，分布情況未知(而且樣本通常不足)，并不能確保準確地表示出圖像的流形結構。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。實驗結果表明該算法能夠有效地提高LPP算法的性能。 另外，在Web圖像檢索系統(tǒng)中，經常會有一些新加入的圖像(網頁在不停變化)，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

5、未標注數據量較大時處理效率較低。本論文提出了一種有效地結合SVM和LPP的半監(jiān)督學習算法一“LPP半監(jiān)督算法”。結合了SVM機制的LPP半監(jiān)督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)督算法的檢索準確度明顯高于SVM半監(jiān)督方法。最后，在對現有圖像檢索技術中的相關反饋方法進行研究的基礎上，針對、Web圖像檢索的特點，提出了一種結合相關反饋技術的新型LPP算法：FLPP算法。該算法兼具

6、短期學習和長期學習的能力，通過該算法，我們在原有的LPP算法中引入用戶反饋，通過對用戶反饋的適當處理，可以優(yōu)化LPP算法的降維映射，從而得到一個更能夠反映語義屬性的圖像表示子空間。實驗結果顯示，比起現有相關反饋方法，FLPP算法可以明顯提高檢索準確度，而且經過長期學習后，可以獲得一個近似最優(yōu)的降維子空間。 由于LPP算法的特殊優(yōu)點，使它特別適合應用于Web圖像檢索系統(tǒng)。但由于LPP算法提出時間不長，實際應用于Web圖像檢索時尚有