基于仿生形象思维方法的图像检索算法的改进
基于SIFT的图像检索特征改进方法
２．２空间特征 加 权 因子 对于特征 向量 聚类中 ，更新隶属度矩阵时，会引入空 间特征加
其 中（１）式 中，语义特征 空间ｕ是一个ｍ ｋ维特征 向量 ，ｋ是 权 因 子 ，其 定 义 如 下 ：
聚类后 的类数 目，ｍ是 图片元组个数，（２）式中对于每个图片元组ｎ表
示包 含的ＳＩＦＴ特征 向量数 ，由此Ｕ． 可通过（３）式的隶 属函数 求得 。
ｌ苎二 ｌ蕾一 ＩｌＪ （４）当 ｌｌ “ 一 ｌ『＜ｓ停止迭代 ，否则到（２）。
（６）
如 图１所示 ，一 幅图像经 ￣ｔＳＩＦＴ转换 ，降维成多个ＳＩＦＴ特征 向
在实 际实验 中，会加入迭代次数上 限 ，由此最终输出每一 幅
量后 ，对所有 图像 的ＳＩＦＴ特征聚类来进行二次降维，使得 图像进一 片元组 的隶属度 向量 ，针对此过程中，我们发现不足之处在于，对于
其 中Ｎ是 特 征 量 总 数 ，Ｃ是 聚 类 总 数 ，ｍ是 比 １大 的 参 数 ，ｕ 足 对 ｃ，中心 的隶属度 ， 是 １２８维ＳＩＦＴ特征向量 ，Ｃ 是聚类 中心 ，
ｌｌ 一Ｃｊ 表示 和ｃ，的距离。 ２．１算法 流程
１传统 ＣＢＩＲ特征 提 取 方法 分 析
算法迭 代的过程 ，即是对（４）式求最值 的过程 ，引入拉格 朗Ｅｔ乘
＝
∑ · －Ｓｍｊｎ ｌｌ
（ ）
实验 中，对于传统 的诸￣ｌ［ＩＫｍｅａｎｓ聚类，当数据量增大 ，Ｋｍｅａｎｓ
其 中Ｓｆ为ＳＩＦＴ特征向量 的空 间特征坐标 ，Ｓ 为 图片元组中的
呈现 出明显的计算复杂性 ，迭代时 ，迟迟不能收敛 ，而对于层次聚类 中心空间坐标，ｌｌ Ｓ 一 Ｉｌ 表示为ｓＩＦＴ特征点到 中心的距离，
人工智能图像识别算法优化方法研究
人工智能图像识别算法优化方法研究随着人工智能技术的飞速发展，图像识别算法在各个领域得到了广泛应用。
图像识别算法的性能直接关系到人工智能系统的准确性和可靠性。
为了提高图像识别算法的准确度和效率，需要对算法进行优化。
本文将讨论人工智能图像识别算法的优化方法。
一、特征提取方法的优化特征提取是图像识别的关键步骤，它决定了算法能否准确地从图像中提取出有用的信息。
为了提高特征提取的效果，可以采用以下优化方法：1.1 特征选择和降维特征选择是指从原始特征集中选择具有较高识别能力的子集。
通过降低特征维度和去除冗余特征，可以提高算法的效率和准确度。
常用的特征选择算法包括相关系数法、互信息法和基于机器学习的方法。
1.2 特征提取方法的改进传统的特征提取方法如SIFT、HOG等在某些情况下存在一定的缺陷。
可以通过改进传统的特征提取方法或者设计新的特征提取方法来提高算法的性能。
例如，可以采用深度学习方法来学习图像的特征表示，如卷积神经网络（CNN）。
二、分类器的优化方法分类器是图像识别算法的核心组成部分，其性能的优劣直接影响了整个系统的准确性和鲁棒性。
以下是一些常用的分类器优化方法：2.1 参数调优许多分类器都有一些重要的参数需要调优，例如支持向量机（SVM）中的核函数选择和参数C的选择。
通过交叉验证或者网格搜索等方法来寻找最优的参数组合，可以提高分类器的准确度。
2.2 集成学习集成学习是将多个基分类器组合成一个更强大的分类器的方法。
常见的集成学习方法有Bagging、Boosting和随机森林等。
通过集成学习，可以有效地减少分类器的偏差和方差，提高整体的识别准确性。
三、数据增强和预处理数据增强和预处理是数据驱动型的图像识别算法中常用的优化方法之一。
以下是一些常见的数据增强和预处理方法：3.1 数据增强数据增强是通过对训练图像进行一系列变换来扩充数据集的方法，以增加样本的多样性。
常用的数据增强方法包括旋转、翻转、缩放和平移等。
仿生智能算法及其在图像处理中的应用
仿生智能算法及其在图像处理中的应用从生物科学领域发源的仿生智能算法，被广泛应用于工程和计算领域。
它通过模仿大自然中的生物神经系统和智能行为，来设计计算机程序实现特定任务。
近年来，随着图像处理技术的快速发展，仿生智能算法也逐渐成为一种有效的图像处理方法。
本文将探讨仿生智能算法及其在图像处理中的应用。
一、什么是仿生智能算法？仿生智能算法是从仿生学的角度出发，通过模拟自然界中生物学、神经学及进化学的原理来解决问题的一种算法。
它着重于模拟大自然中的智能行为，如学习、适应、演化等，从而设计出一种基于仿生学原理的人工智能算法。
为了实现仿生智能算法，研究人员通常将自然界中智能的表现与人工智能之间的相似性进行比较，然后从中归纳出相应的算法。
比如，人脑中神经元之间互相连接的方式可以用神经网络模型来描述，离散粒子群算法则模拟鸟群在寻找食物和逃避猎人的过程。
二、仿生智能算法的分类目前，常见的仿生智能算法主要包括以下几类：1.神经网络算法神经网络算法是模仿人脑神经元之间的连接方式来设计的一种算法。
它可以应用于模式分类、信息识别、自适应控制等领域。
2.遗传算法遗传算法是模仿进化和自然选择的过程而设计的一种算法。
它采用基因编码的方式来描述问题，在整个算法过程中，通过基因交叉、基因变异、自然选择等方式来实现逐步优化。
3.模拟退火算法模拟退火算法是模仿固体物体退火过程来设计的一种优化算法。
它通过设计一系列随机过程，通过渐进式的逐渐调整来获取问题的最优解。
4.离散粒子群算法离散粒子群算法通过模拟鸟群在寻找食物和逃避猎人的过程，并通过群体协作的方式来寻找问题的最优解。
它特别适用于优化问题。
三、仿生智能算法在图像处理中的应用随着数字图像技术的发展，人们们越来越依赖数字图像来获取信息和进行分析。
借助于仿生智能算法，可以对数字图像进行高效的处理和分析。
目前，仿生智能算法在图像处理领域已经具有了广泛的应用。
1.图像分割图像分割是一种将整幅图像划分成若干个不相交的区域的技术。
基于人工智能算法的图像识别技术最新进展
基于人工智能算法的图像识别技术最新进展近年来，人工智能在计算机科学领域中取得了重大突破，其中基于人工智能算法的图像识别技术也得到了广泛关注和应用。
图像识别技术是指通过计算机对图像进行分析和理解，从而自动化地识别和分类不同类型的图像。
随着深度学习的发展，基于人工智能算法的图像识别技术实现了显著的进展。
深度学习模型通过多层神经网络，能够从大量的图像数据中学习到特征，并且能够进行高效的图像分类和识别。
在图像分类任务中，深度学习模型多数基于卷积神经网络（Convolutional Neural Networks，CNN），通过多次卷积、池化和全连接的操作，逐渐提取图像的特征并进行分类。
在此基础上，一些高级的深度学习模型，如循环神经网络（Recurrent Neural Networks，RNN）和生成对抗网络（Generative Adversarial Networks，GAN），在图像识别中也得到了广泛的应用。
目前，基于人工智能算法的图像识别技术在多个领域得到了广泛应用。
例如，在医学影像领域，通过图像识别技术可以自动分析医学图像，帮助医生进行疾病的诊断和治疗。
在自动驾驶领域，图像识别技术可以帮助车辆识别道路、行人、交通标志等，以提高自动驾驶的安全性和稳定性。
在金融领域，图像识别技术可以通过识别和验证用户的面部特征，提供更安全和便捷的身份认证方式。
此外，在智能家居、农业、工业检测等领域，也可以通过图像识别技术提供更多的智能化服务和解决方案。
尽管基于人工智能算法的图像识别技术取得了显著进展，但仍然存在一些挑战和问题。
首先，大规模的图像数据对于进行训练和验证是必需的。
然而，获取大规模的标注图像数据是一项困难和耗时的工作。
其次，由于图像的多样性和复杂性，提取有效的特征仍然是一个挑战。
当前的算法虽然能够在某些方面模拟人类的识别能力，但在面对复杂的图像场景时，仍然存在一定的误识别问题。
此外，隐私和安全性也是一个重要的问题，在人脸识别和身份认证等应用中，需要解决隐私泄露和恶意攻击等问题。
相似图像检索算法的改进研究
相似图像检索算法的改进研究随着互联网的迅速发展和移动设备的普及，图像数据的增长呈现出爆炸性的态势。
在海量的图像数据中，如何快速准确地检索到我们所需要的图像成为了亟待解决的问题。
此时，相似图像检索算法的提出和改进变得尤为重要。
一、相似图像检索算法的研究现状目前，相似图像检索算法主要分为基于内容的图像检索和基于标记的图像检索两大类。
基于内容的图像检索是指根据图像本身的视觉特征进行相似度计算和检索。
该方法主要依赖于对图像的颜色、纹理、形状等特征进行提取和分析，然后通过计算图像之间的距离或相似度来进行检索。
一些经典的基于内容的图像检索算法包括颜色直方图、感兴趣点提取、SIFT算法等。
然而，传统基于内容的图像检索算法存在着计算复杂度高、鲁棒性差等问题。
基于标记的图像检索则是根据人工标记或自动标记的方式对图像进行检索。
这种方法主要是依赖于对图像的文字标签、语义标签等进行分析和处理，从而达到更准确的检索结果。
目前，基于标记的图像检索已经得到了广泛应用，例如Pinterest 等社交平台。
二、改进相似图像检索算法的关键技术为了改进相似图像检索算法，降低计算复杂度和提高检索准确度，研究者们提出了许多关键技术。
1. 特征提取和降维特征提取是相似图像检索算法的核心步骤之一。
传统的特征提取方法如颜色直方图、纹理特征等已经被广泛应用，但是随着图像数据规模的增加，这些方法的计算复杂度也上升了。
因此，研究者们提出了一些新的特征提取方法，如深度学习提取卷积神经网络特征。
此外，降维也是一种有效的改进方法，可以通过降低特征维度来减少计算量。
2. 相似度计算相似度计算是相似图像检索算法的重要环节。
传统的相似图像检索算法主要使用欧氏距离或余弦相似度等进行相似度计算。
然而，这些方法在处理大规模数据时性能较差。
研究者们提出了一些新的相似度计算方法，如局部敏感哈希（LSH）、深度学习模型等。
这些方法在提高检索准确度的同时也能够减少计算时间和空间复杂度。
基于人工智能的图像处理技术研究与优化
基于人工智能的图像处理技术研究与优化近年来，随着人工智能技术的不断升级和发展，图像处理技术也得到了很大的提升和改善。
这种基于人工智能技术的图像处理技术不仅仅在医学、安防、自动驾驶等领域有着广泛应用，同时也在普通人的日常生活中得到了很好的推广和应用。
然而，在图像处理技术上，仍存在着一些难点和问题，如图像识别准确率不高、实时性不够、耗能量大等。
因此，为了更好地解决这些问题，人们需要对当前的图像处理技术进行深入研究和优化。
一、深度学习在图像处理中的应用近年来，深度学习成为了图像处理技术的主要工具之一。
深度学习可以通过对大量的数据进行学习，提取其中的特征，进而用于图像处理。
例如，在人脸识别方面，深度学习通过对大量的人脸图像进行学习，使得对图像的识别准确率得到了很大的提升。
在结构问题上，随着神经网络结构的不断优化，深度学习在图像处理中的性能得到了很大的提升。
例如，Facebook的深度神经网络模型DeepFace，可以实现将人脸图像转化为多角度的三维模型，并进行面部识别。
二、卷积神经网络的优化改进在图像识别领域中，卷积神经网络已经成为一种主流的图像处理方法。
在卷积神经网络中，通过对图像进行借助滤波器进行特征提取，从而判断图像是否符合要求。
而一些新的卷积神经网络的模型出现因此提出了新的针对性优化。
例如，一些研究者对卷积神经网络中的滤波器进行了改进，通过训练集，学习到某些图像中的有用特征，并对滤波器进行了优化，从而识别出更多有用的特征。
同时，一些研究还针对卷积神经网络中的激活函数和参数进行了优化。
三、GPU和FPGA在图像处理中的应用由于图像处理涉及到大量的数据计算和运算，传统的计算机无法满足这一需求。
因此，一些新的计算技术被利用到了图像处理技术中。
其中，GPU（Graphics Processing Unit）以及FPGA（Field-Programmable Gate Array）等技术成为了当前图像处理中广泛应用的技术工具。
人工智能算法在图像识别中的优化与创新
人工智能算法在图像识别中的优化与创新随着人工智能技术的不断发展和应用，图像识别作为其中的重要领域之一，在各个领域都取得了显著进展。
而人工智能算法在图像识别中的优化与创新成为了研究人员们的焦点。
本文将重点讨论人工智能算法在图像识别中的优化方法和创新技术。
1. 传统算法的局限性人工智能算法在图像识别中的优化与创新之所以显得尤为重要，主要是因为传统算法在一些复杂场景下存在局限性。
传统方法采用基于特征工程的手动设计特征提取器，然后使用分类器进行识别，但这种方法无法处理复杂的非线性问题，并且需要大量的人力和时间进行特征设计和调整参数。
2. 深度学习算法的引入深度学习算法在图像识别领域带来了一次革命。
通过构建多层神经网络，深度学习算法能够自动学习和提取图像中的特征，而不需要进行手动设计。
深度学习算法在图像识别中有着出色的表现，它能够从大量的数据中学习，达到较高的识别准确率。
例如，基于卷积神经网络的算法在图像分类、对象检测等任务中取得了重大突破。
3. 算法优化方法为了进一步优化人工智能算法在图像识别中的性能，研究人员提出了一系列算法优化方法。
一方面，针对深度学习算法的训练过程中出现的问题，如过拟合、梯度消失等，研究人员提出了正则化、批标准化、残差连接等方法来解决。
另一方面，针对计算资源有限和实时性要求的问题，研究人员提出了基于硬件加速的优化方案，如图像并行处理、GPU加速等，以加快图像识别的速度和效果。
4. 创新技术的应用除了算法优化，人工智能算法在图像识别中的创新技术也在不断涌现。
例如，迁移学习技术能够利用已有的大型数据集和训练模型的知识，来加快和提升新任务的学习效果。
生成对抗网络（GAN）则能够以无监督的方式生成逼真的图像，有助于提升图像识别的鲁棒性和泛化能力。
此外，强化学习算法在图像识别中也有广泛应用，通过与环境进行交互，使得算法能够自动学习最优策略。
5. 未来展望人工智能算法在图像识别中的优化与创新正在不断推动着技术的发展。
基于计算机视觉的人脸识别算法研究与改进
基于计算机视觉的人脸识别算法研究与改进近年来，随着计算机技术的飞速发展，人脸识别技术也逐渐成为了研究的热点之一。
基于计算机视觉的人脸识别算法，作为一种非接触式的生物识别技术，具有广泛的应用前景，从安全领域到人机交互，都可以发挥重要作用。
本文将对基于计算机视觉的人脸识别算法的研究与改进进行探讨。
首先，基于计算机视觉的人脸识别算法的核心就是特征提取和模式匹配。
特征提取是将人脸图像转换成一组更有代表性的特征向量，从而更好地区分不同的人脸。
而模式匹配则是将提取到的特征与已知的样本进行比对，找出最相似的人脸并进行识别。
因此，特征提取算法的性能直接影响到人脸识别系统的准确度和鲁棒性。
目前，常用的人脸特征提取算法包括主成分分析（PCA）、线性判别分析（LDA）和局部二值模式（LBP）等。
PCA是一种常用的降维技术，通过线性变换将原始的高维数据转换为低维的特征向量。
LDA则通过类别之间的差异最大化和类内方差最小化来提取判别特征。
LBP方法则利用像素点的局部纹理信息作为特征，简单高效。
这些算法都在实际应用中取得了一定的效果，但仍然存在一些问题。
首先，PCA算法对光照变化和姿态变化比较敏感，容易导致识别错误。
尽管PCA算法可以降低维度，但也会丢失一部分信息。
其次，LDA算法虽然可以通过最大化类间差异来提高判别性能，但只适用于线性可分的情况。
而在实际的人脸图像中，类别之间经常存在较大的重叠区域。
最后，LBP算法可以有效地提取纹理特征，但对于噪声和图像模糊比较敏感，容易导致误识别。
针对以上问题，研究人员提出了一些改进的方法。
例如，在特征提取过程中，可以引入多尺度和多方向的技术，以应对人脸图像中的光照和姿态变化。
另外，也可以通过组合多种特征提取方法，将它们的优势互补起来，提高整体的识别性能。
此外，还可以结合深度学习的技术，利用卷积神经网络（CNN）提取更为丰富的特征。
在模式匹配的过程中，传统的方法一般使用欧氏距离或余弦相似度来衡量两个特征向量之间的距离。
- 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)。
２ ０ １ ５年 ４月
智
能
系
统
学
报
Ｖｏ Ｉ ． １ ０ Ｎ ｏ ． ２
Ａｐ ｒ ．２ ０１ ５
ＣＡＡＩ Ｔｒ ａ ｎｓ ａ ｃ ｔ ｉ ｏ ｎ ｓ ｏ ｎ Ｉ ｎｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔ Ｓｙ ｓ ｔ ｅ ｍｓ
Ｄ Ｏ Ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ３ — ４ ７ ８ ５ ． ２ ０ １ ４ １ １ ０ ２ ２
中文引用格式 ： 陈阳 ， 董 肖莉 。 李 卫军 。 等．基于仿生形象思维 方法 的图像检索 算法的 改进 ［ Ｊ ］ ．智能 系统 学报 ，２ ０ １ ５ ，１ ０ （ ２） ：２ ０ ９ ．
２ １ ４ ．
英文引用格式 ： Ｃ ＨＥ Ｎ Ｙ ａ ｎ ｇ ， ＤＯＮ Ｇ Ｘｉ ａ ｏ ｌ ｉ ，Ｌ Ｉ Ｗｅ ｉ ｊ ｕ ｎ， ｅ ｔ ａ １ ． Ｉ ｍｐ ｒ ｏ ｖ ｅ ｍｅ ｎ ｔ ｏ ｆ ａ ｎ ｉ ｍａ ｇ ｅ ｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｂ ｉ ｏ ｍｉ ｍｅ ｔ ｉ ｃ ｉ ． ｍａ ｇ ｉ ｎ ａ ｌ ｔ Ｍｎ ｋ ｉ ｎ ｇ ［ Ｊ ］ ． Ｃ ＡＡＩ Ｔ ｒ ａ ｎ ｓ ａ ｃ ｔ ｉ ｏ ｎ ｓ ｏ ｎ Ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔ Ｓ ｙ ｓ ｔ ｅ ｍｓ ，２ ０ １ ５，１ ０ （ ２） ：２ ０ ９ － ２ １ ４ ．
ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ｂ ｙ ｉ ｍｉ ｔ ａ ｔ ｉ ｎ ｇ ｈ ｕｍａ ｎ ｂ ｒ ａ ｉ ｎ Ｓ ｉ ｍａ ｇ ｉ ｎ ａ ｌ ｔ ｈｉ ｎ ｋｉ ｎｇ ａ ｎ ｄ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｎ ｇ ｉ ｍａ ｇ ｅ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｆ ｒ ｏ ｍ ａ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｐ ｅ ｒ ｓ ｐ ｅ ｃ ｔ ｉ ｖ ｅ．
Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｓ ， Ｂ ｅ ｉ ｊ ｉ ｎ ｇ １ ０ ０ ０ ８ ３ ， Ｃ ｈ ｉ ｎ ａ ）
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｉ ｎ ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ，ａ ｎ ｏ ｖ ｅ ｌ ｉ ｍａ ｇ ｅ ｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ ｂａ ｓ ｅ ｄ ｏ ｎ ｂ ｉ ｏ ｍｉ ｍｅ ｔ ｉ ｃ ｉ ｍａ ｇ ｉ ｎ ａ ｌ ｔ ｈ ｉ ｎ ｋ ｉ ｎ ｇ ｉ ｓ ｕ ｓ ｅ ｄ ｆ ｏ ｒ ｉ ｍａ ｇ ｅ
Ｃ ＨＥ Ｎ Ｙ ａ ｎ ｇ ， Ｄ Ｏ Ｎ Ｇ Ｘ ｉ ａ ｏ ｌ ｉ ， Ｌ Ｉ Ｗｅ ｉ ｊ ｕ ｎ ， Ｚ ＨＡ Ｎ Ｇ Ｌ ｉ ｐ ｉ ｎ ｇ ， Ｑ Ｉ Ｎ Ｈ ｏ ｎ ｇ
（ １ ． Ｃ ｈ ｉ ｎ ａ Ｃ ｅ ｎ ｔ ｅ ｒ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｉ ｎ ｄ ｕ ｓ ｔ ｒ ｙ Ｄ ｅ ｖ ｅ ｌ ｏ ｐ ｍ ｅ ｎ ｔ ，Ｂ ｅ ｉ ｊ ｉ ｎ ｇ １ ０ ０ ８ ４ ６ ，Ｃ ｈ ｉ ｎ ａ ；２ ． Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｓ ｅ ｍ ｉ ｃ ｏ ｎ ｄ ｕ ｃ ｔ ｏ ｒ ｓ ． Ｃ ｈ ｉ ｎ ｅ ｓ ｅ Ａ ｃ ａ ｄ ｅ ｍ ｙ ｏ ｆ
Ｔ ｈｉ ｓ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｍａ ｐｓ ｅ ｖ ｅ ｒ ｙ ｉ ｍａ ｇ ｅ ｏ ｎ ｔ ｏ ａ ｐ ｏ ｉ ｎ ｔ ｉ ｎ ｔ ｈ ｅ ｈｉ ｇ ｈ ｄ ｉ ｍｅ ｎ ｓ ｉ ｏ ｎ ｓ ｐ ａ ｃ ｅ，ｄ ｅ ｒ ｉ ｖ ｉ ｎ ｇ ｔ ｈ ｅ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｓ ｏ ｆ ｔ ｗｏ ｉ ｍａ ｇ ｅ ｓ ｂ ｙ
的图像检索算法做进一 步研 究与改进 。实验结果表 明该方 法 比文 献 ［ １ ］ 基 于仿 生形象思 维方法 的 图像 检索算 法的
特征提取方法效果 有一定的提高 。 关键词 ： 仿生形 象思维 ； 图像检索 ； 颜色复杂度 ； 特征提取 中图分类号 ： Ｔ Ｐ ３ ９ １ ． ４ 文献标 志码 ： Ａ 文章编 号 ： １ ６ ７ ３ ． ４ ７ ８ ５ （ ２ ０ １ ５ ） ０ ２ — ０ ２ ０ ９ — ０ ６
陈阳 ， 董 肖莉 ， 李卫 化 部 中 国 电子 信 息 产 业 发展 研 究 院 ， 北京 １ ０ ０ ８ ４ ６ ； ２ ．中 国科 学 院 半 导 体 研 究 所 人 工神 经 网络 实验
室， 北京 １ ０ ０ ０ ８ ３ ）
网 络 出版 地 址 ： ｈ ｔ ｔ ｐ ： ／ ／ ｗ ｗ ｗ ． ｃ ｎ ｋ ｉ ． ｎ ｅ ｔ ／ ｋ ｅ ｍ ｓ ／ ｄ ｅ ｔ ａ ｉ ｌ ／ ２ ３ ． １ ５ ３ ８ ． Ｔ Ｐ ． ２ ０ １ ５ ０ ３ ２ ６ ． １ ０ １ ７ ． ０ ０ ６ ， ｈ ｔ ｍ ｉ
基 于仿 生 形 象 思 维 方 法 的 图像 检 索算 法 的 改进
Ｉ ｍ ｐｒ ｏ ｖ ｅ ｍｅ ｎｔ ｏ ｆ ａ ｎ ｉ ｍａ ｇ ｅ ｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ
ｂ ａ ｓ ｅ ｄ ｏ ｎ ｂ ｉ ｏ ｍｉ ｍｅ ｔ ｉ ｃ ｉ ｍａ ｇ ｉ ｎ ａ ｌ ｔ ｈ ｉ ｎ ｋ ｉ ｎ ｇ
摘
要： 基于仿生形象思维方法 的图像检 索算 法主要是模仿人脑 的形象 思维对 图像认 知 ， 从全新 角度提取 图像 特征
而设计的一种新算 法。此算 法把每幅 图像都映射 成高维 空 间一 个点 ， 通过 计算 点和点之 间 的判 别 函数 得到 图像之 间的关系 。该文利用最 直接 地描述图像 内容 的视觉特征 ， 即颜色复杂度 来提取 图像特征 ， 对基 于仿 生形象思 维方法