基于核向量机的图像检索系统

摘要：随着机器学习的发展，传统的基于相似度匹配的图像检索系统性能已不能满足现在图像检索对于查准率和查全率的要求，且图像检索提取的图像低层特征维数一般较高，不能够满足图像检索系统对检索速度的要求。针对该问题，引入主成分分析方法对低层特征进行降维，并结合核向量机Core Vector Machine（CVM），提出了一种新的图像检索方法。该方法借助于核向量机能够使图像检索系统取得较高的查准率和查全率。实验表明了上述方法的有效性，证明了本文图像检索系统具有较高的检索性能。

关键词：图像检索；核向量机；降维

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）30-6881-04

传统的图像内容检索系统是通过提取图像的低层特征（颜色、形状、纹理），然后根据图像库中的图像与用户输入图像的相似度来进行图像检索[1，2]。现在图像库的内容和数量不断增加，基于相似度匹配的图像检索方法难以满足现在的图像检索技术发展。随着机器学习的发展，将机器学习应用于图像检索，提出了许多新的图像检索技术，文献[3]结合Adaboost分类算法，提出了一种Adaboost集成颜色和纹理特征的图像检索技术。文献[4]的图像检索系统以边缘直方图为图像低层特征，提出了一种基于SVM的图像检索系统。

以上方法相对于传统的基于相似度匹配的图像检索方法在检索性能上有了较大的提高。将不同的分类器应用于图像检索系统得到的图像检索系统性能也不相同，该文结合核向量机CVM提出了一种新的图像检索方法，该方法相对于目前主流的基于SVM的图像检索方法具有更好的图像检索性能。文中引入主成分分析（Principal Component Analysis，PCA）对提取的图像低层特征进行降维，进一步提高了图像检索的性能，

1 图像的低层特征

1.1 基于HSV颜色空间的颜色特征提取

1.2 基于HOG的形状特征提取

PCA是一种经典的降维技术，通过对原始数据的样本空间进行空间变换，将原始数据的坐标投影到一个维度更低的相互正交的空间上，从而实现对复杂数据进行降维的目的[7]。由于PCA降维实现简单，且可以找出数据中最主要的元素，去除掉冗余的数据和噪声，因而广泛应用于数据分析中。

文中提取的HSV颜色低层特征和HOG形状特征中有许多的无用的数据，应用于图像检索时会引入噪声，HOG形状特征的维度为3780，由于其维数高，故会降低图像检索系统的性能。因此文中将PCA应用于HSV和HOG特征，最终得到的特征分别称为PCA-HSV颜色特征和PCA-HOG特征。

2 CVM分类器

2.1 MEB问题

3 实验结果分析

3.1 实验设置

3.2 实验分析

3.2.1 本文方法的实验结果分析

4 结束语

针对传统的基于相似度匹配算法不能够满足日益增长的图像库的问题，提出了一种结合核向量机的图像检索方法。该文通过PCA对图像的低层特征进行降维，然后利用核向量机进行分类，进而完成图像检索。通过实验表明本文方法比主流的基于SVM方法的图像检索系统具有更好的性能。

参考文献：

[1] 黄元元，刘宁钟.一种新的基于颜色特征的图像检索方法[J].小型微型计算机系统，2012，33（3）：609-613.

[2] 吴建.基于颜色和形状特征的彩色图像检索技术研究[J].苏州大学学报（自然科学版），2012，28（1）：47-52.

[3] 王修柱，王晓峰.Adaboost算法集成颜色和纹理特征的图像检索技术[J].电子设计工程，2012，20（4）：165-169.

[4] 姜楠楠，齐敏，郝重阳.一种基于SVM的相关反馈图像检索算法[J].计算机仿真，009，26（1）：219-221.

[5] 孙君顶，赵珊.图像低层特征提取与检索技术[M].北京：电子工业出版社，2009：51-52.

[6] Dalal N， Triggs B. Histograms of Oriented Gradients for Human Detection[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. [S. 1.]： IEEE Press， 2005： 886-893.

[7] 汪成亮，周佳，黄晟.基于高斯混合模型与PCA-HOG的快速运动人体检测[J].计算机应用研究，2012，29（6）：2156-2160.

[8] Ivor W.Tsang， Andras Kocsor， James T.Kwok. Simpler Core Vector Machines With Enclosing Balls[C].Proceedings of the 24th International Conference on Machine Learning， Corvallis， OR， 2007：911-918.

[9] M.Badoiu， K.L.Clarkson. Smaller Core-sets for Balls[J].Proc. Symp. on Discrete Algorithms， 2003：801-802.