在图像检索中的应用

《在图像检索中的应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、LLE在图像检索中的应用卢进军，杨杰，梁栋，常宇畴（上海交通大学图像处理与模式识别研究所，上海200030）摘要：在基于内容的图像检索中，当特征向量的维数非常高时，建立图像特征库时的存储高维特征的空间复杂度和度量图像之间相似性的运算复杂度都将非常的高。本文将LLE用于图像检索中高维特征的降维和特征提取，降低了空间和运算复杂度；同时，实验结果表明采用LLE降维和提取特征之后，能获得较好的检索结果。关键词：图像检索、LLE、高维特征、降维ApplicationofLLEinImageRetrievalAbstract：InCo

2、ntent-BasedImageRetrieval,whenthedimensionofeigenvectorisveryhigh,thespatialcomplexityofhigheigenvector’sstorageandtheoperationcomplexityofcomputingtheirsimilaritywillbemuchhigher.Inthispaper,LLEisappliedtothedimensionreductionandextractingeigenvector,thenitwillre

3、ducebothspatialandoperationcomplexity.Theexperimentsprovethatitcangetbetterresults.KeyWordImageRetrieval,LLE,high-dimensionedeigenvector,dimensionreduction1．引言随着多媒体、网络技术的迅速发展，图像信息的应用日益广泛，对规模越来越大的图像数据库、可视信息进行有效的管理成为迫切需要解决的问题。灵活、高效、准确的图像检索策略是解决这一问题的关键技术之一。传统的图像检索基于文

4、本方式，使用关键字或自由文本描述图像数据库中的每幅图像，采用文本匹配检索。但目前计算机视觉技术还不成熟，达不到对图像的描述性关键字和语义信息的自动提取，而人工提取一方面费时，另一方面带有强烈的主观性；同时，图像的某些可视信息，例如纹理、形状、空间关系等，很难用文本准确描述。因此，新兴的基于内容的图像检索（content-basedimageretrieval，CBIR）技术日益受到人们的重视。CBIR是一种信息检索技术，它关注的是以基于内容的方法快速发现信息。一般地，图像内容可由一组低层特征来描述，其中包括颜色、形状、纹理

5、、空间位置以及对象间的相互关系等。CBIR是一种相似匹配，它使用距离度量函数来计算两个图像间的相似度，评价的标准是预先定义的。相似查询是多媒体信息系统基于内容检索的本质需求，能否有效地支持支持这一特性是衡量系统查询功能强弱的重要标志。多维索引结构是CBIR研究的一个基本问题。一般地，图像特征的表示均是高维向量，并且图像的距离度量也有很多准则。因此，一个图像可使用尺度空间中的一个点来表示，而图像检索可视为在高维特征空间中寻找与指定点距离最近的一组点的问题。然而，对大型的图像数据库，高维向量的存储，以及高维空间中距离的计算，其

6、空间复杂度和运算复杂度非常高。如果能将高维尺度空间的点集映射到低维尺度空间，并且保持数据原来的分布结构，即对于在高维尺度空间里点X的K近邻点集Y，在低维尺度空间里的映射X’的K近邻点集是Y到低维尺度空间的映射Y’。这样，无论是从存储复杂度，还是运算复杂度上来讲，都会得到很大的降低。目前降维的算法有很多，比如PCA，ICA，ISOMAP，还有比较新的[1][2][3]LLE。[4]比较常用的降维算法比如PCA，是针对线性分布的高维数据进行降维的算法，并且有局部最优的问题。而LLE（LocalLinearEmbedding）算

7、法则针对于非线性数据，图1是一个很好的例子。在这个例子里，用LLE进行降维成功的体现了数据内在的局部分布结构，而用PCA映射则会将高维空间里的远点映射到低维空间后变成了近邻点。和PCA和MDS一样，LLE算法也可以很容易实现，并且它不存在局部最优的问题，可以解决高度非线性分布数据的降维。（a）(b)（c）（d）图1.（b）是从一个曲面（a）上采样得到的一组3维数据；（c）是经LLE降维后的二维数据分布；（d）是经PCA降维后的数据分布本文将讨论LLE在图像检索高维特征降维以及特征中的应用。2．LLE算法介绍d给定N个输入向

8、量{x,x,L,x}，x∈R，通过LLE算法，得到输出向量y,12Niimi∈[1,N]，y∈R，m<