本文選題：基于內(nèi)容的圖像檢索 + k近鄰�。� 參考：《數(shù)據(jù)采集與處理》2017年01期

【摘要】：圖像特征匹配是基于內(nèi)容的圖像檢索(Content-based image retrieval,CBIR)實現(xiàn)的一個關(guān)鍵環(huán)節(jié),而圖像特征的匹配主要依賴于圖像特征之間的相似度測量。為了提高CBIR的檢索性能,本文提出了一種有效的相似度測量方法——基于圖像k近鄰的相似度測量(Similarity measure based on k-nearest neighbors of images,SBkNN)方法。在該方法中,查詢圖像與被檢索圖像的相似度通過計算這兩幅圖像屬于同一語義(無論是哪種語義)種類的聯(lián)合概率來衡量,而此概率可分別通過分析這兩幅圖像與各自近鄰圖像的距離得到。最后利用Corel5k數(shù)據(jù)集對本文所提出的SBkNN方法和傳統(tǒng)的相似度測量方法進(jìn)行了對比。實驗結(jié)果表明,在CBIR中使用本文提出的SBkNN方法,有效地提高了CBIR的檢索性能。
[Abstract]:Image feature matching is a key step in Content-based image retrieval (CBIR) implementation, and image feature matching mainly depends on the similarity measurement between image features. In order to improve the retrieval performance of CBIR, this paper presents an effective similarity measurement method-Similarity measure based on k-nearest neighbors of image similarity measurement based on image k-nearest neighbor. In this method, the similarity between the queried image and the retrieved image is measured by calculating the joint probability of the two images belonging to the same semantic category (no matter what kind of semantics). The probability can be obtained by analyzing the distance between the two images and their neighbor images. Finally, the Corel5k data set is used to compare the proposed SBkNN method with the traditional similarity measurement method. The experimental results show that using the proposed SBkNN method in CBIR can effectively improve the retrieval performance of CBIR.
【作者單位】： 山東師范大學(xué)信息科學(xué)與工程學(xué)院;
【基金】：國家自然科學(xué)基金(61170145,61373081)資助項目
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鄭煒冬;;試卷相似度自動評估技術(shù)的研究[J];智能計算機(jī)與應(yīng)用;2011年06期

2 趙濤;肖建;;二型模糊相似度及其應(yīng)用[J];計算機(jī)工程與應(yīng)用;2013年08期

3 徐志明;李棟;劉挺;李生;王剛;袁樹侖;;微博用戶的相似性度量及其應(yīng)用[J];計算機(jī)學(xué)報;2014年01期

4 李桂林,陳曉云;關(guān)于聚類分析中相似度的討論[J];計算機(jī)工程與應(yīng)用;2004年31期

5 秦玉平;楊興凱;;基于案例推理的區(qū)間屬性相似度研究[J];遼寧師范大學(xué)學(xué)報(自然科學(xué)版);2006年04期

6 蔣鵬;;基于本體的應(yīng)急案例相似度算法研究[J];南昌高專學(xué)報;2009年03期

7 何亞;;詞語相似度算法的分析與改進(jìn)[J];硅谷;2011年24期

8 仇麗青;陳卓艷;;基于共同鄰居相似度的社區(qū)發(fā)現(xiàn)算法[J];信息系統(tǒng)工程;2014年05期

9 焦鵬;唐見兵;查亞兵;;仿真可信度評估中相似度方法的改進(jìn)及其應(yīng)用[J];系統(tǒng)仿真學(xué)報;2007年12期

10 姜毅;樂慶玲;;一種基于興趣相似度的學(xué)習(xí)社區(qū)算法[J];電腦知識與技術(shù)(學(xué)術(shù)交流);2007年16期

相關(guān)會議論文 前10條

1 劉海波;鄭德權(quán);趙鐵軍;;基于相似度線性加權(quán)方法的檢索結(jié)果聚類研究[A];中國計算語言學(xué)研究前沿進(jìn)展（2009-2011）[C];2011年

2 陸勁挺;路強(qiáng);劉曉平;;對比相似度計算方法及其在功能樹擴(kuò)展中的應(yīng)用[A];計算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

3 董刊生;方金云;;基于向量距離的詞序相似度算法[A];第四屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集（上）[C];2008年

4 劉曉平;陸勁挺;;任意功能樹的物元相似度求解方法[A];全國第21屆計算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會議（CACIS·2010）暨全國第2屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2010年

5 王茜;張衛(wèi)星;;基于分類樹相似度加權(quán)的協(xié)同過濾算法[A];2008年計算機(jī)應(yīng)用技術(shù)交流會論文集[C];2008年

6 洪文學(xué);王金甲;常鳳香;宋佳霖;劉文遠(yuǎn);王立強(qiáng);;基于圖形特征增強(qiáng)的相似度分類器的研究[A];中國生物醫(yī)學(xué)工程進(jìn)展——2007中國生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會論文集（上冊）[C];2007年

7 雷慶;吳揚(yáng)揚(yáng);;一種基于語義信息計算XML文檔相似度的新方法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

8 葉正;林鴻飛;楊志豪;;基于問句相似度的中文FAQ問答系統(tǒng)研究[A];第三屆學(xué)生計算語言學(xué)研討會論文集[C];2006年

9 羅辛;歐陽元新;熊璋;袁滿;;通過相似度支持度優(yōu)化基于K近鄰的協(xié)同過濾算法[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集A輯一[C];2010年

10 王健;劉衍珩;焦玉;;VANETs信任傳播建模[A];中國通信學(xué)會通信軟件技術(shù)委員會2009年學(xué)術(shù)會議論文集[C];2009年

相關(guān)重要報紙文章 前1條

1 王伽　衛(wèi)江;出入境證件照片應(yīng)及時更換[N];中國國門時報;2008年

相關(guān)博士學(xué)位論文 前10條

1 操震洲;矢量數(shù)據(jù)動態(tài)多尺度網(wǎng)絡(luò)傳輸研究[D];南京大學(xué);2015年

2 程亮;基于本體的疾病數(shù)據(jù)整合與挖掘方法研究[D];哈爾濱工業(yè)大學(xué);2014年

3 劉振宇;基于區(qū)域相似度和特征降維的極化SAR影像分類[D];武漢大學(xué);2013年

4 曹，

本文編號：1906265