检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于K中心点算法的图像聚类应用研究

基于K中心点算法的图像聚类应用研究

作者：侯文静西北师范大学

学位级别：硕士

在如今信息高度膨胀的社会,数字图像信息也迅猛增加,怎样在海量的图像数据中进行高效地查询和处理,并获得有价值的数据信息至关重要。因此,图像数据挖掘也就应时而生,成为诸多学者炙手可热的话题。将潜在的有用知识从海量数据中挖掘出... 详细信息

在如今信息高度膨胀的社会,数字图像信息也迅猛增加,怎样在海量的图像数据中进行高效地查询和处理,并获得有价值的数据信息至关重要。因此,图像数据挖掘也就应时而生,成为诸多学者炙手可热的话题。将潜在的有用知识从海量数据中挖掘出来的过程就是数据挖掘,其中它的主要研究内容包括聚类分析,聚类分析通过无监督学习的方法将具有相似特征的数据划为一类,使同一类内数据之间的相似度高,类间数据的相似度低。而图像聚类则是将图像当作目标数据来聚类,使得相似度高的图像归为一类,继而提高图像的管理和检索性能。K中心点算法作为传统的聚类算法凭借着其原理简单、执行效率高且对“噪声”不敏感等优点被广泛应用,但K中心点算法要在执行算法前对K值和初始质心进行初始化,并且不易跳出局部最优。针对这些缺陷,诸多学者对K中心点算法进行改进,将其与群体智能仿生算法进行结合,对K中心点算法的性能进行优化。本文首先改进猫群算法;之后将改进的猫群算法与K中心点算法进行结合,从而使K中心点算法不再随机选择初始质心,可以在指定质心下进行聚类;最后将结合后的算法应用在图像聚类上。主要工作如下:(1)介绍K中心点算法的基本概念、算法流程、特点;介绍猫群算法的两种模式以及特点;简单叙述图像聚类的基本理论。(2)改进猫群算法的速度-位移公式。通过增加动态惯性权重使猫群朝着最优解的方向趋近。同时为了避免“早熟”,提高算法的收敛性,将固定值mr修改为基于动态混合比率的比例公式,使猫群算法更趋向于全局最优。(3)将K中心点算法与改进后的猫群算法相结合,从而解决K中心点算法不易跳出局部最优的局限性以及选取初始质心的随机性。(4)对图像进行操作,包括彩色图像灰度化、特征提取、图像增强等。并将基于改进猫群算法的K中心点聚类在图像上进行应用,经实验证明该算法的可行性。由实验可知,对猫群算法进行改进后不仅具有良好的稳定性和较好的收敛性,同时结合K中心点算法后提高了对数据集聚类的准确性;最后在图像上得到应用,证明该算法可行。

关键词：数据挖掘 K中心点算法猫群算法图像聚类

ImageCluster：自适应智能图像聚类系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

ImageCluster：自适应智能图像聚类系统

作者：周纯浙江大学

学位级别：硕士

随着信息科学的进步和互联网络的发展，网络信息资源越来越丰富，信息量呈爆炸式地增长。目前大多数网络信息检索的主体是文本信息。随着网络多媒体信息量的极速增长和多媒体检索技术的发展，多媒体信息的检索逐渐变得普遍，比如图像检... 详细信息

随着信息科学的进步和互联网络的发展，网络信息资源越来越丰富，信息量呈爆炸式地增长。目前大多数网络信息检索的主体是文本信息。随着网络多媒体信息量的极速增长和多媒体检索技术的发展，多媒体信息的检索逐渐变得普遍，比如图像检索，视频／音频检索。在传统的图像／网页搜索引擎中，由于查询词的模糊性和检索机制的限制，给用户获得自己所需要的信息设置了障碍。因为大量的不同主题的搜索结果被统一地以链接加图像缩略图或摘要的形式展现出来，用户需要花费大量的时间定位自己需要的图像／网页。根据语义等其他特征对结果进行聚类的方法被认为是解决此类问题的一种有效手段。本论文在多媒体理论，图论，信息论以及模式识别理论的指导下，提出了一种自适应智能图像聚类技术，设计并实现了ImageCluster智能图像聚类系统。本论文提出了一种基于规则和统计的特征融合算法FFRS，较好地融合了图像的视觉特征和语义特征。FFRS使用图像的视觉特征来辅助图像的语义特征，从而使图像的融合特征更能反应图像的本质特征。本论文提出了一个基于颜色和语义结合特征的自适应阶段式聚类法TSCM，该方法结合了不同层次的图像特征，利用了现有多种聚类算法的优点对图像进行聚类，同时通过提取主题关键词，为每类赋予含义。最后聚类结果将以一种非常直观以及生动的星爆图的方式返回给用户。本论文详细介绍了上述算法的工作原理，并在此基础上设计实现了基于B／S架构的智能图像聚类检索系统。在实验中，通过计算聚类均方差和用户评估，说明本文提出的FFRS基于融合特征的三段式聚类方法TSCM得到的聚类结果较传统聚类方法具有更低的均方差和更好的用户体验。

关键词：搜索引擎图像聚类特征提取特征融合自适应

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融入上下文的多视角IB图像聚类算法研究

融入上下文的多视角IB图像聚类算法研究

作者：王博郑州大学

学位级别：硕士

随着科学技术的飞速发展,人们的生活开始步入了智能化信息时代。图像聚类作为计算机视觉领域中的关键技术之一,在图像检索领域中发挥着举足轻重的作用。随着图像数据集的主题与场景的日益复杂,如何更有效地利用图像中的信息来提升图像... 详细信息

随着科学技术的飞速发展,人们的生活开始步入了智能化信息时代。图像聚类作为计算机视觉领域中的关键技术之一,在图像检索领域中发挥着举足轻重的作用。随着图像数据集的主题与场景的日益复杂,如何更有效地利用图像中的信息来提升图像聚类的性能,已成为该领域最重要的研究方向之一。为减轻外观变化对图像的影响,许多学者开始尝试结合图像的不同视角进行聚类,即多视角图像聚类,其中每个视角可表述为一种图像特征。近年来,学者们提出了许多经典实用的多视角图像聚类算法。但是,当前大多数算法仅考虑了图像中的内容信息或跨图像的上下文信息,尚未融合两者优势,这势必会对多视角聚类结果造成不利影响。为解决上述问题,本文提出了一种新型的融入上下文的自加权多视角IB（Context-integrated Auto-weighted Multi-view Information Bottleneck,CAMIB）算法进行图像聚类。CAMIB算法可以同时利用图像数据中的内容信息和上下文信息对图像进行聚类。内容表征的是每幅图像的内在信息,如纹理、颜色等外观特征;上下文描述的是每个视角下图像之间的密切关系,如图像间的相似性。同时引入最大熵机制,自动学习每个视角的权重,从而综合不同视角的重要性以进行有效地聚类。此外,为了去除CAMIB算法中的额外权重正则化参数,本文进一步提出了一种无参数融入上下文的自加权多视角IB（Parameter-free Context-integrated Auto-weighted Multi-view Information Bottleneck,PCAMIB）算法。该算法将图像分析视作数据压缩的过程,然后通过在对输入图像进行压缩时最大限度地保存图像中蕴含的内容信息和上下文信息,可以将上述问题表述为信息损失函数。最后,本文采用了一种新的“提取-融合”交替迭代方法,用于优化提出的这两种算法的目标函数。在五个多视角图像数据集上的实验结果表明:对比当前几种最先进的图像聚类算法,CAMIB算法与PCAMIB算法具有更高的稳定性与更好的聚类效果,验证了将上下文融入到多视角图像聚类中的优势。

关键词：图像聚类多视角聚类信息瓶颈上下文信息内容信息

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

行人重识别DBSCAN聚类方法研究

电脑知识与技术 2024年第3期20卷 28-31页

作者：项朝辉王丽亚邱健数浙江工贸职业技术学院浙江温州325000

在行人重识别(ReID)任务中,从行人图像中提取的特征受复杂的环境影响,导致搜索结果存在偏差,而大量错误且相似的图片使得在搜索结果中寻找目标变得更加困难。在行人图像特征基础上进行聚类分析,可以减小图像检测难度。首先对比各种聚类... 详细信息

在行人重识别(ReID)任务中,从行人图像中提取的特征受复杂的环境影响,导致搜索结果存在偏差,而大量错误且相似的图片使得在搜索结果中寻找目标变得更加困难。在行人图像特征基础上进行聚类分析,可以减小图像检测难度。首先对比各种聚类算法,选择DBSCAN方法对行人图像进行聚类,再根据多角度的聚类效果评估方法,确定模型参数,最后结合特征降维技术得到一个在轻量级行人特征上快速聚类的方法。通过在Market-1501数据集上实验,该方法大幅度提高了搜索速度,优化了搜索结果。

关键词：行人重识别图像聚类降维分析轮廓系数计算机视觉

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于MRF模型的图像聚类与检索研究

基于MRF模型的图像聚类与检索研究

作者：谢年群合肥工业大学

学位级别：硕士

图像聚类与检索作为计算机视觉领域中高层语义理解层面下的两大研究方向具有广泛的应用价值。其主要研究方向集中于如何形成合理的图像特征表达和设计优化的推理求解算法。使用MRF模型进行图像建模表达，通过运用统计学习思想，利用概... 详细信息

图像聚类与检索作为计算机视觉领域中高层语义理解层面下的两大研究方向具有广泛的应用价值。其主要研究方向集中于如何形成合理的图像特征表达和设计优化的推理求解算法。使用MRF模型进行图像建模表达，通过运用统计学习思想，利用概率分布形式描述元素间相互作用，可有效地刻画出图像空间依赖关系，相比于传统判别模型，降低了图像理解的模糊性和二义性。该类模型通过将推理任务等价转化为能量最小化问题，提供了广泛的优化求解算法。本文以图像聚类和检索这两大任务为驱动，重点研究MRF模型下的ICM和图切割两种离散优化算法的有效求解过程，主要工作如下：（1）分析并总结了MRF模型在图像处理相关领域的研究现状，引出MRF模型应用于图像聚类和检索任务中的重要意义和价值。（2）概述了MRF基础理论，给出能量函数基本定义及最大后验概率求解框架，重点分析ICM和图切割优化算法求解原理。（3）针对传统聚类方法缺乏图像空间关系的特点，研究提出一种基于MRF模型的图像聚类方法，将图像聚类问题等价转化为能量最小化问题，分别使用高斯混合模型和Potts模型进行图像特征场和标签场能量建模;进一步提出基于K-近邻思想的邻域系统构建方法，在贝叶斯框架下，通过ICM算法获得图像聚类任务的优化解。（4）针对传统图像检索方法中非目标区域对检索结果产生很大噪声的问题，研究提出基于图切割的区域图像检索方法，给出区域图像检索算法框架，研究分析图切割算法在图像分割任务中的有效性及在区域图像检索在中的重要作用。

关键词： MRF模型 ICM 图切割图像聚类图像检索

流形正则化的约束矩阵分解及其在图像聚类中的应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

流形正则化的约束矩阵分解及其在图像聚类中的应用

作者：陈攀上海交通大学

学位级别：硕士

随着互联网的发展以及智能手机的普及,人们获取及接触到的图像数据越来越多,图像数据有一个显著特点就是维数很高。我们在得到极大便利的同时,也面临着如何有效分析和处理这些庞大数据的难题。图像聚类技术不断应用在高维图像数据中,它... 详细信息

随着互联网的发展以及智能手机的普及,人们获取及接触到的图像数据越来越多,图像数据有一个显著特点就是维数很高。我们在得到极大便利的同时,也面临着如何有效分析和处理这些庞大数据的难题。图像聚类技术不断应用在高维图像数据中,它将相似性高的图像数据聚成一簇,相似性低的图像聚到不同簇。近年来,非负矩阵分解(NMF)被证明是一种高效的降维方法,它被广泛应用在计算机视觉,模式识别和信息检索中。然而,NMF实际上是一种无监督的方法,它不能利用数据的先验信息来提高准确度。本论文在研究流形学习的基础上,提出了一种基于流形正则化的半监督非负矩阵分解方法,其不仅可以利用数据的几何信息,而且以适当的形式利用先验标签信息来增强NMF的聚类准确度。具体来说,我们期望一个流形正则化项能够保留原始数据的局部几何结构,同时,在新的基构成的坐标空间中,具有相同标签的数据点应当被聚到同一簇中,具有不同标签的数据点应当被聚到不同簇中。这样一来,降维后的数据就会具有更强的区分能力。我们将这种方法应用在图像聚类中,通过两种评价标准,即聚类准确度(Accuracy,AC)和归一化互信息(Normalized Mutual Information,NMI),对实验结果进行评估,我们发现该方法具有非常好的效果。

关键词：非负矩阵分解降维半监督学习流形正则化图像聚类

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

矩阵分解在图像分类和聚类中的应用研究

矩阵分解在图像分类和聚类中的应用研究

作者：庞孟大连理工大学

学位级别：硕士

随着图像信息技术和图像采集工具的飞速发展,图像信息呈现指数级爆炸性增长,可以说人们的生活无时不刻的充斥着各种各样的信息和数据,此时图像分类和图像聚类问题在现实生活中就体现出了广泛的应用价值和研究前景。然而,这些海量图像信... 详细信息

随着图像信息技术和图像采集工具的飞速发展,图像信息呈现指数级爆炸性增长,可以说人们的生活无时不刻的充斥着各种各样的信息和数据,此时图像分类和图像聚类问题在现实生活中就体现出了广泛的应用价值和研究前景。然而,这些海量图像信息往往表现出数据量极大、维数过高、结构非线性化等特点,这使得我们很难对图像数据进行有效地处理。经过学者们对图像数据的多年研究,他们发现了一个有趣的规律,尽管图像数据在数学模型中的表现是高维的,然而其本质是具有很低的特征维数。因此,为了从海量的数据中挖掘出图像数据间的本质规律和内在联系,需要把高维数据投影到低维的子空间,进而学习数据间所隐含的语义信息。而矩阵分解恰好就是这样一种行之有效的降维方式,通过矩阵分解可以得到投影基矩阵和对应的低维子空间表示。本文针对图像分类和聚类的目的,结合了非负矩阵分解理论与流形学习理论及稀疏编码思想,提出了图规则化和稀疏编码的非负矩阵分解(GRNMFC)算法,以期兼顾图像数据的内蕴几何结构以及编码矩阵的稀疏性,获取最优的低维图像表达。另外,本文还立足在众多学者在矩阵分解上的研究进程,首次提出了“理想矩阵分解”的概念,并创造性地提出了一种满足“理想矩阵分解”标准的,更为新颖的稀疏概念的判别矩阵分解(SDMF)算法。SDMF矩阵分解是一种很灵活的矩阵分解思路,其近fisher准则的设计不仅能够使得学习到的基底能够捕获跨特征空间的判别信息,同时还能保持数据内蕴几何结构。而且,近fisher准则更是考虑了类别信息缺失情况下的鉴别分析,因此SDMF可以针对图像分类和图像聚类任务实现为监督版本的SDMF (S-SDMF)和非监督版本的SDMF (U-SDMF)。SDMF相较于GRNMF SC,在识别和聚类精度,以及算法实时性上均有了较大提升。

关键词：图像分类图像聚类非负矩阵分解流形学习稀疏编码

深度矩阵分解算法及其在图像聚类中的应用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

深度矩阵分解算法及其在图像聚类中的应用研究

作者：黄昊楠广东工业大学

学位级别：硕士

图像聚类一直是人工智能领域中一个热门的研究主题,其主要任务是将数据划分为多个不同的类别。由于非负矩阵分解算法在图像数据聚类上取得了良好的表现,近二十年来,非负矩阵分解算法受到了研究人员的广泛关注。非负矩阵分解主要是将输... 详细信息

图像聚类一直是人工智能领域中一个热门的研究主题,其主要任务是将数据划分为多个不同的类别。由于非负矩阵分解算法在图像数据聚类上取得了良好的表现,近二十年来,非负矩阵分解算法受到了研究人员的广泛关注。非负矩阵分解主要是将输入的数据矩阵分解为两个带非负约束的子因子矩阵,它能提取到局部的图像特征,具有良好的聚类解释性。然而随着大数据时代的到来,现实生活中采集到的图像数据复杂度越来越高,其中通常包含大量隐藏的层次信息,难以被传统单层的非负矩阵分解算法处理。随着深度学习的发展,研究者们发现多层结构的深度矩阵分解算法具备挖掘数据层次信息的能力,主要体现在不同的矩阵分解层能聚类到不同的数据特征,学习到更具有表征能力的数据低秩表示,在处理聚类任务上有明显的提升。因此深度结构的矩阵分解算法及其应用,近年来已成为新的研究热点。本文首先阐述了非负矩阵分解算法和图像聚类的研究背景及意义,综合地分析了深度矩阵分解模型与图像聚类的研究现状,并指出了现有的深度矩阵分解模型存在的问题,设计了相应的解决思路与方法。本文的主要贡献为:(1)针对现有的深度半非负矩阵分解算法无法利用数据的流型结构信息、聚类能力不足的问题,我们考虑了图约束正则化技术,通过利用K近邻方法对输入的数据矩阵构造图拉普拉斯矩阵,并将该图矩阵约束于低秩表示矩阵的学习中,使得学习到的低秩表示矩阵能有效地保留原始数据矩阵中的流型结构信息,以此提高聚类效果。其次,针对现有的深度矩阵分解算法难以保证收敛性的问题,我们利用了前向后向算法来优化图约束的深度半非负矩阵分解模型,同时理论分析了其收敛性,证明了所提出的算法生成的序列,能稳定下降并收敛到严格点。通过在四个图像的数据集上的实验,对比了三种常用的矩阵分解方法,我们的方法都能取得最好的聚类效果。(2)针对现有的深度矩阵分解方法在处理多视角图像聚类任务中无法充分利用数据特性的问题,我们提出了部分共享结构的深度矩阵分解框架,将表示矩阵分为公共部分与独立部分,能同时挖掘多视角数据的一致性与互补性信息,使得学习到的低秩表示矩阵信息更加丰富,能提高聚类效果。其次,现有的深度矩阵分解多视角方法都是无监督模型,无法考虑已知信息,针对这类问题,我们加入了标签回归技术,充分地利用了已知的标签信息,构造了半监督的深度矩阵分解模型。此外,我们还引入了自权重和图约束技术,进一步提高了模型的聚类性能。在四个经典的多视角图像数据集上,分别对比了无监督和半监督的经典聚类算法,我们的方法都取得了最好的表现。

关键词：图像聚类多视角图像聚类非负矩阵分解深度矩阵分解图约束

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

图像搜索结果的重叠层次聚类与代表点展现

计算机应用 2012年第4期32卷 1097-1100页

作者：谷瑞军陈圣磊陈耿汪加才南京审计学院信息科学学院南京210029 江苏大学计算机科学与通信工程学院江苏镇江212013

针对图像聚类中面临的高维、准确度低、部分重叠等问题,提出了一种高效的基于链接层次聚类的多标记图像聚类。该方法通过图像距离计算相似度,通过链接聚类检测重叠簇。从而每个图像可能归属于多个簇,使得簇标签的意义更明确。为了检验... 详细信息

针对图像聚类中面临的高维、准确度低、部分重叠等问题,提出了一种高效的基于链接层次聚类的多标记图像聚类。该方法通过图像距离计算相似度,通过链接聚类检测重叠簇。从而每个图像可能归属于多个簇,使得簇标签的意义更明确。为了检验方法的有效性,对通过搜索引擎检索特定关键词返回的图片数据集进行聚类。结果表明,该方法能有效发现具有重叠划分的簇,且簇的意义比较明确。

关键词：图像聚类链接聚类多簇划分图像距离