基于分层聚类相关反馈算法的图像检索技术研究
基于聚类―反馈机制的植物鲜药图像检索系统设计
基于聚类―反馈机制的植物鲜药图像检索系统设计摘要：使用计算机辅助进行中草药尤其是植物鲜药的检索和鉴定有着极其重要的现实意义。
本文通过研究图像库分类检索和反馈机制，设计出基于聚类-反馈的植物鲜药图像检索系统。
系统采用K-means算法，利用小波特征对图像库中的图像进行聚类，并引入人工反馈机制，使聚类更加精确，检索效率和准确率进一步提高。
关键词：中草药；图像检索；小波特征；K-means聚类；人工反馈DOI：10.3969/j.issn.1005-5304.2016.08.004中图分类号：R281-05 文献标识码：A 文章编号：1005-5304（2016）08-0010-03我国有关中草药植物的记载有悠久历史，但在信息时代，仅凭文字和图片的记录已无法满足需要，而相关的技术发展又比较缓慢[1]，因此迫切需要使用计算机辅助技术进行中草药的检索和鉴定工作。
兹就基于聚类-反馈机制的植物鲜药图像检索系统设计介绍如下。
1 图像检索技术现状目前对图像的检索方式主要有2种，即基于文本的图像检索和基于内容的图像检索。
文本图像检索通过匹配关键字来检索出图像和其他信息。
中国科学院植物研究所研制了中国植物数据库，用户通过输入植物名、产地、用途等检索出植物的图像。
澳大利亚Queensland大学开发了Lucid系统，通过输入关键字可以检索出结果[2]。
但是，图像信息难以用语言进行定量描述，因此，基于文本的图像检索受到制约。
基于内容的图像检索直接对图像进行分析、提取相应的特征，然后根据这些描述图像的特征对图像库中的图像进行检索。
当输入一个待检索图像时，系统会将该图像与图像库中的图像进行相似性匹配，然后根据相似性大小建立相应的索引，系统会相应输出与待检索图像特征相同或相近的图像，供用户查看。
有研究基于内容的中草药植物图像检索关键技术，使图像检索速度及准确率有所提高[3]。
但目前尚未见通用的植物鲜药检索软件问世，因此，中草药检索依然是一个研究的热点与难点。
基于聚类和相关反馈的图像检索方法研究的开题报告
基于聚类和相关反馈的图像检索方法研究的开题报告一、选题背景随着数字图像的广泛应用，图像检索技术成为了解决图像信息管理、图像信息检索的重要手段。
如何从海量的图像数据库中高效、准确地检索所需图像是图像检索技术发展的主要目标之一。
目前，图像检索方法主要分为两类：基于内容的图像检索与基于反馈的图像检索。
基于内容的图像检索是指以图像的视觉特征作为检索关键字，通常使用颜色、形状、纹理等特征描述图像进行匹配。
基于反馈的图像检索可以从多个方面对检索结果进行反馈和调整，以提高检索的准确性和效率。
近年来，基于聚类和相关反馈的图像检索方法已成为研究的热点之一，其主要思想是通过聚类分析来对检索结果进行分类，再通过相关反馈对分类结果进行优化和调整。
二、研究意义基于聚类和相关反馈的图像检索方法可以有效提高图像检索的准确性和效率，对于图像信息管理、图像信息检索等方面具有广泛的应用前景。
例如，可以应用于大规模的图像检索系统、图像搜索引擎等领域。
三、研究内容本文首先介绍图像检索技术的基本原理和分类方法，然后重点介绍基于聚类和相关反馈的图像检索方法的研究框架和实现步骤。
具体而言，研究内容包括以下三个方面：1. 基于聚类的图像分类方法。
我们将图像检索结果进行聚类分析，对每个聚类进行标签分类和关键字提取，从而实现对图像的归纳总结和分类管理。
2. 基于相关反馈的图像优化方法。
我们使用相关反馈算法对分类结果进行调整，提高检索结果的准确性和效率。
其中，我们将使用多种评估指标来评价算法的性能和稳定性。
3. 图像检索系统的实现。
我们将设计和实现一个基于聚类和相关反馈的图像检索系统，通过实验测试来验证该方法的有效性和性能。
同时，我们还将探讨如何进一步优化该方法，以提高图像检索的准确性和效率。
四、研究方法本研究主要采用综合研究方法，即既采用理论研究，又进行实证研究。
具体而言，研究方法包括以下几个方面：1. 进行相关文献调研，并对目前常用的图像检索方法进行综述和对比分析，确定本文要研究的基于聚类和相关反馈的图像检索方法的框架和具体操作流程。
基于频率层特征的相关反馈高效图像检索算法
第31卷 第22期2009年11月武 汉 理 工 大 学 学 报JOURNA L OF WUHAN UNIVERSIT Y OF TECHN OLOG Y Vol.31 No.22 Nov.2009DOI :10.3963/j.issn.167124431.2009.22.045基于频率层特征的相关反馈高效图像检索算法翟志华1,王留奎1,王 端2(1.黄河水利职业技术学院自动化工程系,开封475004;2.清华大学自动化系,北京100084)摘 要: 为了准确地提取用户感兴趣的图像特征以及提高图像检索的性能,提出了一种基于视觉感知的相关反馈图像检索算法。
该算法根据视觉感知原理,考虑到人眼对各个频率层的图像感知具有不同的兴趣与敏感度,以频率层特征为图像特征。
该特征不仅考虑了频率层色彩的特征,而且考虑了图像形状的视觉因素。
提出的算法基于最大似然估计,自适应地调整频率层色彩特征与形状特征之间的权值。
结果表明,与基于支持向量机的相关反馈算法SVM 相比,提出的算法具有更高的查准率。
关键词: 相关反馈; 图像检索; 视觉感知; 频率层特征中图分类号: TP 391.41文献标识码: A 文章编号:167124431(2009)2220160205E ff icient R elevance Feedback Image R etrieval Algorithm B asedon Frequency Layer CharactersZHA I Zhi 2hua 1,W A N G L i u 2kui 1,W A N G Duan 2(1.Department of Automation ,Y ellow River Conservancy Technical Institute ,K aifeng 475004,China ;2.Department of Automation ,Tsinghua University ,Beijing 100084,China )Abstract : In order to accurately extract image features of user interested and improve the performance of image retrieval ,a relevance feedback image retrieval algorithm based on visual perception is proposed.The proposed algorithm considers the fact that users may have different interests and importance about different frequency layers perception image according to visual per 2ception theory ,and adopts frequency layer as image feature.Frequency layer feature reveal both color and shape of image con 2tent.The proposed algorithm adaptively adjusts the weight of color and shape features.Simulation results prove that ,compared with the algorithm based on support vector machine (SVM ),the proposed algorithm outperforms in term of accurate ratio.K ey w ords : relevance feedback ; image retrieval ; visual perception ; frequency layer characters收稿日期:2009206220.基金项目:湖北省教育厅青年科学基金(B200514003).作者简介:翟志华(19752),女,硕士,讲师.E 2mail :duanghb @随着信息技术的迅速发展,人们每天都面临着大量的图像和视频等多媒体数据。
基于聚类和分类的图像检索技术研究
基于聚类和分类的图像检索技术研究在当今数字化时代，图像数据生成与存储量越来越大，快速而准确地检索图像数据就成了一项重点研究。
传统的基于文本的检索已经不能满足复杂应用场景的需求，因此，基于聚类和分类的图像检索技术逐渐成为研究热点。
本文将从聚类与分类技术入手，探究基于聚类与分类的图像检索技术的研究现状和未来发展趋势。
一、聚类技术在图像检索中的应用研究聚类是一种无监督学习技术，它能够将数据集中不同的类别作出划分，并将相似度高的数据分配至同一类别中。
在图像检索中，将图像进行聚类批量处理后，可以有效降低重复度，并使得后期的检索效率得到提高。
1.1 基于特征点聚类的图像检索图像特征是指在数码图像中所提取出来的一种有较为明显空间意义的信息点，常见的特征点包括sift、surf和orb等，它们可以通过计算相邻像素的变化率或幅值来提取出。
根据这些特征点，可以使用k-means算法对图像进行聚类分析，以便更加快速、直观地定位到待检索图像。
1.2 基于局部颜色直方图的图像聚类局部颜色直方图是用来描述图像颜色属性的重要特征之一，通过在图像分块过程中统计每一个局部的颜色直方图，就可以得出整个图像的颜色特征。
在图像聚类中，通常通过对局部颜色直方图进行聚类分析，从而得到一定数量的簇。
在待检索的图像输入到系统中后，可以快速的定位到相应的聚类簇中，从而更快、更准确地完成检索任务。
二、分类技术在图像检索中的应用研究与聚类不同，分类技术则是一种有监督学习的技术，可以通过对已标记样本的学习，来完成对待检索样本的分类。
在图像检索中，分类技术的主要功能是，通过对样本的学习，输入到系统中待检索的图像可以准确地归类到相应的类别之中。
2.1 基于支持向量机分类的图像检索系统支持向量机是一种常用的分类技术，它可以通过对训练样本进行学习，建立模型，并通过该模型将待检测样本划分至相应的类别中。
在图像检索中，支持向量机通常是将图像的特征向量作为输入，并通过学习识别相似的特征向量。
基于k-means算法和相关反馈信息的图像检索方法
随着 网 络 技 术 与 多媒 体 技 术 的 迅 速 发 展 ， 每 天 都 会 产 生 和
使用 大量 的视频信 息 ， 图像作 为最基本 、 最 重要 的多媒体信 息 形式 已广 泛运 用于众多领域 。如何对越来越大的图像数据和可
启发式随机搜索算法 ， 该算法原理简单 ， 收敛速度 快， 具有 较强
的全 局搜 索 能 力和 鲁 棒 性 ， 被 广 泛 应 用 于 诸 多领 域 。 基 于此 ， 运
视 信息进 行有效 的组织 、 管 理， 并 从 中查 找 出对 用 户 有 用 的 信 息 已成 为 国 内外信 息 检 索领 域研 究 的 热 点 。
就越 低， 依据此对 图像进行圆环划分。图像共分为中心圆形、 两
个 圆 环 和 四周 边 角 四个 区域 ， 为 了尽 量 保 持 中心 重要 对 象 的完 整性 ， 中心 圆 形 区域 面 积 为 整 个 圆 的 一 半 ， 圆环 区 域 采 用 等 面 积划分方法 ， 具体如 图 １ 所 示 。按 照 图 １ 将 图像 分 成 了四 个 部 分， 令 分 块 颜 色 直 方 图 向量 为 ， ， ， ， ， ， 权 重 向量 ＝（ 。 ，
１ ． １颜 色 空 间 的量 化
性 能对聚 类中心有过分的依赖性 ，初始聚类 中心选择 得不好 ，
聚类算法可能不收敛 。 差分进化算法［ ６ － ９ ３ 是 一 种 基 于 群 体 差 异 的
按 照 人 的视 觉 分辨 能 力 ， 根 据 色 彩 的 不 同范 围对 Ｈ、 Ｓ和 Ｖ 分量 进行非均匀 量化 ， 把 色 调 Ｈ 分 成 ８份 ， 饱 和 度 Ｓ和 亮 度 Ｖ 分 别 分 成 ３份 ， 具体如文 献 ［ ５ ］ 所 述 。 运 用 以上 的 量 化 级 ， 把 ３ 个颜色分 量合成一维特征矢量 ： ，其 中 、分 别 为 分 量 Ｓ 、 Ｖ 的量
相关反馈技术在图像检索系统中的应用
（） １
个“ 智能 系统 ” 的通 讯 和对话 过程 ， 对 迅 速获 取 间 将 少量 而准确 的信 息起 到至 关重要 的作用 。 在线 交互 ， Ｂ Ｒ系统 中在 线交 互过程 也称 相关 ＣＩ
技 术 中得到 了重 视 。 通常 ， 户不 愿和检 索 系统进行 用
多次交互 。实际 系统 中 ， 户提交 的反馈 样本 较少 ， 用
而且 图像低 层特 征都 是高维 矢量 。 因此 ， Ｂ Ｒ 中相 ＣＩ 关 反馈 就是一 个 需要在 高维 空间 中解决 的 、小训 练
样 本 的学 习问题 。
目前 相关 反 馈技 术 大 致 可 以分 为 ４种 类 型 ： 查
询点移 动 、 权系 数调 整 、 于传统 的统 计学 习理论 和 基
以来 。 提取 图像 的低层 特 征 一 直是 该领 域 研 究 的热
统根 据用 户提交 的反 馈对 检索 优化 ，将新 的检索 结 果返 回；４ 如果 用 户仍 不满意 ， （） 可重 复反馈 。 索 系 检
统 中常用 的反馈 算 法可 概括 为两种 ：检 索扩 展和权 值法 。
点 。对低 层特 征抽 取技 术 的研究极 大地 推 动 了图像 检 索技 术 的发 展 ， 因为 它利 用 的是 图像 自身 的 内容 ， 而 不是 人 工标 注 的信 息 ， 样 就 节省 了大量 的人 工 这 劳动 。然而 ， 随着 研究 的深 入 ， 们发 现这 种简单 的 人 检索 策略根 本无 法 给出令 人满 意 的结果 。其根 本原 因在 于 ， 抽取 出来 的 图像低 层特 征 与 人对 图像 的语
义理 解之 间存在 着很 大差 距 。单凭 计算机 的 能力解
离线 交互 是在 检索 过程 中提供 的另 一类 交互 手 段， 同在线 交互 的 区别 是 ： 线 交互 并 非 显示 的 ， 离 而 是 在检 索系统 收集 到充 分 的用户 检索信 息后 ，从 这 些 信 息中发现 规 律 ， 助这 些发 现 的知识 ， 改用 户 借 修 界面 ， 从而在 用 户再次 检索 时 ， 现更 方便 的检索 方 呈
基于内容的医学图像检索中相关反馈技术的研究与实现
基于内容的医学图像检索中相关反馈技术的研究与实现医学图像检索是医学图像处理领域中的一个重要研究方向，其主要目的是从医学图像数据库中自动检索出与给定查询相关的图像。
基于内容的医学图像检索是一种常用的方法，其利用图像特征进行检索，能够有效地提高检索精度和效率。
然而，基于内容的医学图像检索面临着一些挑战，如图像复杂性、多样性和语义差异等问题。
为了克服这些挑战，相关反馈技术被广泛应用于医学图像检索中。
1.相关技术综述1.1基于内容的医学图像检索技术基于内容的医学图像检索是利用图像特征进行检索的一种方法，其主要包括图像特征提取和相似度计算两个过程。
常用的图像特征包括颜色、纹理、形状和空间关系等，相似度计算通常采用欧氏距离、余弦相似度等方法。
1.2相关反馈技术在医学图像检索中的应用相关反馈技术是一种利用用户反馈信息来调整检索结果的技术。
在医学图像检索中，相关反馈技术通常包括正反馈和负反馈两种方式。
正反馈是指用户选择与查询相关的图像作为反馈信息，负反馈是指用户选择与查询不相关的图像作为反馈信息。
常用的相关反馈算法包括Rocchio算法、KNN算法和SVM算法等。
1.3相关反馈技术的分类和比较根据反馈信息的不同，相关反馈技术可以分为主动反馈和被动反馈两种方式。
主动反馈是指系统主动向用户提供反馈信息，被动反馈是指用户通过操作来提供反馈信息。
根据反馈信息的类型，相关反馈技术可以分为显式反馈和隐式反馈两种方式。
显式反馈是指用户明确地提供反馈信息，隐式反馈是指系统通过用户的操作行为来推断反馈信息。
根据反馈信息的数量，相关反馈技术可以分为单次反馈和多次反馈两种方式。
单次反馈是指用户只提供一次反馈信息，多次反馈是指用户可以提供多次反馈信息。
在具体实现中，选择不同的相关反馈技术需要综合考虑其精度、效率、可靠性和易用性等因素。
综上所述，相关反馈技术在基于内容的医学图像检索中具有重要作用，可以提高检索精度和效率。
选择合适的相关反馈技术对于实现高效准确的医学图像检索具有重要意义。
基于相关反馈的图像检索技术研究
核 函数我 们 分别 采用 Ｒ Ｆ核 函数 Ｂ
ｆ ｉ ２
ｋｘ ＝ ｘ（上半 （， ｃｐ一Ｌ ） － ＾ ）
像。 同时考 虑 到在 图像 检 索中存 在 大量 的未标 记样本 ， 将主 动学 习 的思 想用 到 Ｓ Ｍ 中 ． 学 习过 程 中选 择 最 Ｖ 在 有利 于提 高分类 器性 能 的未 标 注样 本进 一 步训 练分类 器 来提 高其 分类 精度 和效 率 。利用 实 际数据 对算 法进
特征 颜 色
纹理
查准 率 ４ ９
０５ ．７
查 全率 Ｏ ７ ，Ｏ
０ ７ ．３
特 征融 合
０５ ．２
Ｏ７ ．６
表２ 统的相关 反馈技 术的查准率 和查全率 传 特 征 颜 色
纹 理
查准 率 ０ ５ ．３
０６ ．３
查全率 Ｏ７ ．２
Ｏ ７ ．４
特征 融合
Ｏ６ ．５
（ ）将 学 习 目标 概念 的 任务 看作是 学 习一 个 Ｓ Ｍ １ Ｖ 二元 分类 器 。 分类 超平 面一 侧 的样本 与 查 询 内容相 关 ， 而另 一侧 的样 本 与查 询 内容 不相 关 。 （ ） 过 主动 学 习方 法 快速 得 到分 类 器 ， ２通 利用 主动 学 习策 略选 择 最具 有 信 息 量 的样本 来训 练 分类 器 ． 确 保 了分 类 器 以最少 的 反馈循 环 次数 达到 快速 收 敛 到 目 标 概念 的 目的。 （ ）通过 训 练 好 的分 类器 返 回与 查 询 结果 最 相 关 ３ 的前 Ｋ张图 像 。 为使 主 动学 习方法 达 到 实用 目的 ．本 文提 出的 基 于支持 向量机 的 主动学 习方 法 ．根 据被 选择 样 本 与 当 前训练 样本 间 的信 息多 样性 程度 从 高 到低 排序 ．然 后
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
④ Ｒ． Ｍｏ ｊ ｅ ｎ ａ ，” Ｈｉ ｅ ｒ ａ ｒ ｃ ｈ ｉ ｃ ａ ｌ ｇ ｒ ｏ ｕ ｐ ｉ ｎ ｇ ｍｅ ｔ ｈ ｏ ｄ ｓ ａ ｎ ｄ ｓ ｔ ｏ ｐ ｐ ｉ ｎ ｇ ｒ ｕ ｌ ｅ ｓ ：Ａｎ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｏ ｎ ” ，Ｔ ｈ ｅ Ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ Ｊ ｏ ｕ ｒ ｎ ａ ｌ ，
解 采 用 的策略 ． 分层 聚类 法分 为 聚合法 和分 裂法 的 形 图应 用 到图像 检索 的相 关反 馈算 法 中 。 做 以下 初 首先 。 认 为 图像 内容 特征 描 述符 要 具 有 充 分层 聚 类 聚 合 法 的分 层 聚类 采 用 自底 向上 的 策 步假 设 ： 略． 首先 将 每 一个 对象 作 为 一个 类 ， 然后 按 照 某 种 分 的代 表性 ．因 此在 检 索 到 的 图像 的第 一 个 窗 口
Ｖｏ １ ． ２ ０， Ｎｏ ． ４， １ ９ ７ ７， Ｐ Ｐ ． ３ ５ ９－ ３ ６３ ．
第 ３期
张戎 秋 ： 基 于 分 层 聚 类 相 关 反 馈 算 法 的 图 像 检 索 技 术 研 究
２ ０ １ ５年 第 ３期
淮 南 师范 学 院学报
Ｊ Ｏ Ｕ Ｒ Ｎ Ａ Ｌ Ｏ Ｆ Ｈ Ｕ Ａ Ｉ Ｎ Ａ Ｎ Ｎ Ｏ Ｒ ＭＡ Ｌ Ｕ Ｎ Ｉ Ｖ Ｅ Ｒ Ｓ Ｉ Ｔ Ｙ
Ｎ ｏ．３ ， ２０１ ５
第 ｌ ７卷 （ 总第 ９ １期 ）
Ｇｅ ｎ ｅ ｒ ａ ｌ Ｎｏ ．９１ ，Ｖｏ １ ． １ ７
像 平 均距 离 ， 最 小方 差 ， 沃 改进 ． 采 用 一 种基 于 聚合 的分层 聚类 策 略 。 把 这 种 通 过使 用某 种距 离度 量 （ ） ．在 当前 的分 区中寻 找到最 相似 簇 ； 然 策 略应用 到 图像 检 索技术 的相 关反 馈 中 。 通过 该算 德 距 离等④ 法． 有 效地 缩小 了图像 的低层 特征 与高 层语 义 中存 后 ， 合 并 这些 簇 。 使簇 的总数 目减 少 。重 复上 述 过 在 的语义 鸿沟 ． 提高 了图像检 索 系统 的检索精 度 。 程． 聚合 法 的分 层 聚类 将 生 成 一个 树 形 图 ， 这 个 树
【 收 稿 日期】 ２ ０ １ ４ — １ ０ —１ ０
【 基金项 目】 淮南师范学 院科 学研 究项 目（ ２ ０ １ ３ ＸＪ ６ １ ） ； 淮南师范学 院重点科学研 究项 目（ ２ ０ １ ２ Ｌ Ｋ ２ ７ Ｚ Ｄ） ； 安徽省高校省级 自然科学研究项
目（ Ｋ Ｊ ２ ０ １ ２ Ｂ １ ７ ３ ）
【 作 者 简 介】张戎 秋 （ １ ９ ７ ７ 一 ） ， 男， 淮南 师 范学 院计 算 机 学 院 讲 师 ， 硕士 ， 主 要 从 事 模 式 识 别 与 图像 处 理研 究 。
① 章 毓 晋 ：《 基 于 内 容 的 视 觉信 息 检 索》， 北京 ： 科 学 出版社 ， ２ ０ ０ ３年 ， 第 ６ — ７页 。 ② 牛蕾 ， 倪林 ： 《 基 于 内容 的 图像 检 索 中的 相 关反 馈 算 法 》 ， 《 计 算机工程 与应用） ） ２ ０ ０ ４年 第 ３ ２期 ， 第２ — ５页 。 ③张红云， 刘向东， 段 晓东， 苗夺谦 ， 马垣 ： 《 数 据 挖 掘 中聚 类 算 法 比 较 研 究 》 ， 《 计 算机 应 用与软 件 ） ２ ０ ０ ３
聚合 法分 层 聚 图像系统的检索效率和精度 ， 检索 出让用户满意 的结 略应用 于相 关反 馈算 法 中去 。通 常 ，
果． 大部 分图像检索 系统都采用 了相关反馈技术② 。
类 的分 区策 略是 这样 制定 的 。首先 ， 新分 区空 间 中
本文 在 传 统 相关 反 馈算 法 思 想 的基 础 上 进行 每 个 文档被 分 配一个 新 的簇 ，在每 次迭 代过 程 中 ，
［ 关键词】 图像检索； 分层聚类； 相 关反馈算法
【 中图分 类 Ｔ Ｐ ３ １ 【 文献 标识 码］ Ａ ［ 文 章编 号］ １ ０ ０ ９ — ９ ５ ３ ０ （ ２ ０ １ ５ ） ０ ３ — ０ ０ ２ ６ — ０ ３
前 言
度量（ 如 两个 当前类 中心 点 的距 离 ） 将 这 些 类 合并
直 到 所有 的对 象都 在 一 个 类 中 ， 或 者 基于 内容 的图像 检 索技 术 （ Ｃ Ｂ Ｉ Ｒ） 日益 受 到人 为 较 大 的类 ． 们 的广泛关 注 ． 为 了有效 地解 决 图像 的低 层特 征 与 是 满足 某个 终止 条件 时 为止 高层 语义存 在 的语义 鸿 沟问题①．提高 基于 内容 的 本 文提 出 的算法 ． 就 是把 聚合 法 的分 层 聚类 策
基于分层 聚类相 关反馈 算法 的图像检索 技术研 究
张戎 秋
（ 淮南师 范 学院 计算机 学院 ， 安徽 淮 南 ２ ３ ２ ０ ３ ８ ）
［ 摘 要】 基 于 内容的 图像检 索研 究的 目的是 实现 自动地 、 智 能地检 索图像 ， 研 究 的对 象是使 查 询 者 － ． ｑ － ￣方便 、 快速 、 准确 地从 图像 数据 库 中查找特 定 图像 的方 法和技 术 。通过 把 分层 聚类 策略 与传 统的相 关反馈 算 法相 结合 ， 提 出一种 新的 图像 检 索方式 ， 并通过 实验 加 以验证 。
１分 层聚 类 的相关 反馈算 法 的基本 思想
形 图 显示 了数据 信息 和数 据之 间 的关 系 。 由于根 据 图像 的相 似性 ． 可 以把 图像 分 成一 个
Байду номын сангаас
分层 聚类 法是 聚类 分析 的一种 常用 方法 ． 它 对
所 以可 以把上述 生 成 的树 给定 数据 对象 的集 合进 行层 次分解③ 。根据 分层 分 相 关 或不相 关 的两类 簇 ．