基于多尺度分析和SVM相关反馈的纹理图像检索

山东大学学报(工学版)

基于多尺度分析和SVM相关反馈的纹理图像检索

周新虹¹, 彭玉华¹, 刘勇²,曲怀敬¹

1. 山东大学信息科学与工程学院，山东济南 250100;2．山东电子职业技术学院电子系，山东济南 250014

收稿日期:2006-10-13 修回日期:1900-01-01 出版日期:2008-04-16 发布日期:2008-04-16
通讯作者: 周新虹

Image retrieval based on multi-scale analysis and SVM relevance feedback

ZHOU Xin-hong¹， PENG Yu-hua¹， LIU Yong², QU Huai-jing¹

1. The School of Information Science and Engineering， Shandong University， Jinan 250100, China；2. The Department of Electronics, Shandong College of Electronic Technology

Received:2006-10-13 Revised:1900-01-01 Online:2008-04-16 Published:2008-04-16
Contact: ZHOU Xin-hong

摘要/Abstract

摘要： 采用了基于小波、Contourlet等多尺度分析工具和SVM(Support Vector Machine)相关反馈的图像检索方案.对纹理图像采用Contourlet变换提取其特征，Contourlet具有多尺度和多方向性，因此比小波变换能更好地提取纹理特征，然后联合一类和二类支持向量机进行检索.首先使用一类支持向量机来估计查询样本的特征向量在高维空间的分布情况，从而给出在没有标识的情况下，进行初步学习探索得到的相似性排名.通过用户反馈，得到带有标识的正负样本信息，从而提供给二类支持向量机进行更细致地学习，使检索结果逐步求精.实验结果从多方面证明了本方案的合理有效性，并指出了较优的反馈数量和反馈次数.

关键词: Contourlet, 支持向量机, 图像检索

Abstract: An image retrieval scheme based on multiscale analysis and SVM relevance feedback was proposed. First, a more accurate texture feature was extracted in Contourlet domain than Wavelet due to its multiresolution and directionality. One class and binary class SVM were combined to retrieve. The one class SVM can estimate the distribution of data in high dimensional space, and exploit unlabeled data to get a primary similarity measure order. Then binary class SVM was used to get the labeled sample information through learning user's feedback, which finally improved the retrieval accuracy. The experimental results demonstrate the reasonability and effectiveness of the scheme. The most appropriate feedback image quantity and feedback times were proposed.

Key words: Contourlet, support vector machine, image retrieval

中图分类号:

TP391

周新虹,彭玉华,刘勇,曲怀敬 . 基于多尺度分析和SVM相关反馈的纹理图像检索[J]. 山东大学学报(工学版), 2008, 38(2): 45-50 .

ZHOU Xin-hong,PENG Yu-hua,LIU Yong,QU Huai-jing . Image retrieval based on multi-scale analysis and SVM relevance feedback[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2008, 38(2): 45-50 .

参考文献

相关文章 15

[1]	叶明全,高凌云,万春圆. 基于人工蜂群和SVM的基因表达数据分类[J]. 山东大学学报(工学版), 2018, 48(3): 10-16.
[2]	韩学山,王俊雄,孙东磊,李文博,张心怡,韦志清. 计及空间关联冗余的节点负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(6): 7-12.
[3]	刘岩,李幼军,陈萌. 基于EMD和SVM的抑郁症静息态脑电信号分类研究[J]. 山东大学学报(工学版), 2017, 47(3): 21-26.
[4]	李素姝,王士同,李滔. 基于LS-SVM与模糊补准则的特征选择方法[J]. 山东大学学报(工学版), 2017, 47(3): 34-42.
[5]	刘杰, 杨鹏, 吕文生, 刘阿古达木, 刘俊秀. 基于气象因素的PM_2.5质量浓度预测模型[J]. 山东大学学报(工学版), 2015, 45(6): 76-83.
[6]	刘晓勇. 一种基于树核函数的半监督关系抽取方法研究[J]. 山东大学学报(工学版), 2015, 45(2): 22-26.
[7]	浩庆波, 牟少敏, 尹传环, 昌腾腾, 崔文斌. 一种基于聚类的快速局部支持向量机算法[J]. 山东大学学报(工学版), 2015, 45(1): 13-18.
[8]	李发权, 杨立才, 颜红博. 基于PCA-SVM多生理信息融合的情绪识别方法[J]. 山东大学学报(工学版), 2014, 44(6): 70-76.
[9]	孔超1,2,张化祥1,2*,刘丽1,2. 基于兴趣区域特征融合的半监督图像检索算法[J]. 山东大学学报(工学版), 2014, 44(3): 22-28.
[10]	周咏梅1，杨佳能2,阳爱民2. 面向文本情感分析的中文情感词典构建方法[J]. 山东大学学报(工学版), 2013, 43(6): 27-33.
[11]	王昊,华继学,范晓诗. 基于双联支持向量机的入侵检测技术[J]. 山东大学学报(工学版), 2013, 43(6): 53-56.
[12]	施珺,朱敏. 一种基于灰色系统和支持向量机的预测优化模型[J]. 山东大学学报(工学版), 2012, 42(5): 7-11.
[13]	赵加敏,冯爱民*,刘学军. 局部密度嵌入的结构单类支持向量机[J]. 山东大学学报(工学版), 2012, 42(4): 13-18.
[14]	谢伙生,刘敏. 一种基于主动学习的集成协同训练算法[J]. 山东大学学报(工学版), 2012, 42(3): 1-5.
[15]	潘冬寅，朱发，徐昇，业宁*. 结肠癌基因表达谱的特征选取研究[J]. 山东大学学报(工学版), 2012, 42(2): 23-29.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed