图像检索技术:MDSS算法与平滑最近邻估计的应用与优化
1. 多维度尺度显著性(MDSS)算法分析
在纹理分类和检索任务中,多维度数据的应用逐渐受到关注。Kadir和Brady提出的尺度显著性算法可扩展用于处理多维度数据,但随着数据维度增加,计算效率显著降低。为解决这一问题,评估了基于不同熵和散度度量的两种MDSS方法,其计算复杂度与数据维度呈线性关系。
分析表明,k - d分区方法优于基于图的方法。还引入了一种基于k - d分区算法和总变差距离的新散度估计方法,并通过实验验证了其适用性。
在纹理检索任务中,多维度数据提升了各测试描述符的性能,但选择合适的描述符对平均检索效果的影响更为显著。例如,单独使用自旋图像的效果最差,RIFT能提高平均召回率,而将两者结合使用时,检索性能得到最显著的提升。
以下是不同描述符在纹理检索任务中的性能对比表格:
| 描述符 | 平均召回率表现 |
| ---- | ---- |
| 自旋图像 | 最差 |
| RIFT | 有所提高 |
| RIFT + 自旋图像 | 最显著提升 |
mermaid流程图展示纹理检索任务中描述符选择与性能关系:
graph LR
A[描述符选择] --> B[自旋图像]
A --> C[RIFT]
A --> D[RIFT + 自旋图像]
B --> E[低性能]
C --> F[中等性能]
D --> G[高性能]
2. 基于内容的图像检索(CBIR)与相关性反馈
基于内容的图像检索(CBIR)旨在根据用户兴趣从大型图像库中检索图片。通常,CBIR系统将图像表示为一组特征(如颜色、纹理和形状),并使用特征空间上的距离函数来估计图像间的相似度。
然而,主观或语义相似度与低层次特征相似度之间存在差距,即语义鸿沟。为缩小这一差距,大多数现代CBIR系统采用相关性反馈技术。相关性反馈使搜索成为一个迭代过程,系统根据预定义的相似度度量检索图像,用户标记相关和不相关的图像,系统利用这些反馈修改参数并生成新的检索结果,直到获得满意的结果。
3. 最近邻(NN)方法在图像检索中的应用
最近邻方法在学习、视觉和模式识别领域广泛应用,其实际和渐近性能良好。在图像检索中,通过计算图像到最近相关和不相关邻居的距离来评估相关性。
相关概率的计算公式如下:
- 原始公式:$p(relevant|x) = \frac{d_N(x)}{d_R(x) + d_N(x)}$
- 简化公式:$p(relevant|x) \propto \frac{d_N(x)}{d_R(x)}$
- 归一化相关性得分:$R(x) = 1 - e^{\frac{d_N(x)}{d_R(x)}}$
这些公式虽然形式不同,但在相关性反馈中诱导的排名相同。
4. NN估计在CBIR中的问题分析
在CBIR中应用NN估计存在一些问题:
-
样本集大小差异
:通常相关样本数量远少于不相关样本数量。当相关选择被不相关样本包围时,排名会出现异常。在小区域内排名值高,而区域外排名靠前的是远离相关和不相关样本的图像。随着相关性反馈迭代次数增加,这种情况更易出现。
-
小样本情况下的不稳定性
:在小样本情况下,NN密度估计不可靠。使用到第k个邻居的距离代替k = 1可获得更稳定的估计。
-
特征空间分布不均
:特征空间中不同区域的图像分布不均,全局定义的距离比会导致高密度、高相关性区域主导排名,在多点查询中产生不良影响。
以下是对这些问题的总结列表:
1. 样本集大小差异导致排名异常
2. 小样本下NN密度估计不稳定
3. 特征空间分布不均影响排名
mermaid流程图展示NN估计在CBIR中问题产生机制:
graph LR
A[NN估计应用于CBIR] --> B[样本集大小差异]
A --> C[小样本情况]
A --> D[特征空间分布不均]
B --> E[排名异常]
C --> F[估计不稳定]
D --> G[排名受影响]
5. 平滑最近邻估计的改进策略
尽管存在上述问题,基于NN的相关性反馈在实践中仍能取得不错的效果。为进一步优化NN方法,提出了使用平滑最近邻估计的策略。
5.1 平滑NN估计的定义
通过增加相关样本集Q+的重要性来定义平滑NN估计。考虑未归一化的距离比公式$p(relevant|x) \propto \frac{d_N(x)}{d_R(x)}$,该公式在1 - NN分类器的错误率方面有简单解释,且曾用于推导不平衡问题的NN分类规则。
为了平滑估计,将上述公式乘以到最近相关样本距离的倒数,得到相关性得分计算公式:
$R(x) = 1 - e^{-\frac{d_N(x)}{d_R(x)^2}}$
这个公式更重视正样本选择,有助于处理相关和不相关样本集基数差异较大的问题。以下是平滑估计与未平滑估计的效果对比表格:
| 估计类型 | 对正样本重视程度 | 处理样本基数差异效果 |
| ---- | ---- | ---- |
| 未平滑估计 | 一般 | 较差 |
| 平滑估计 | 更高 | 较好 |
5.2 局部搜索策略
为解决特征空间不同区域图像分布不均的问题,采用局部搜索策略。具体操作步骤如下:
1. 针对相关样本集Q+中的每个相关样本$q^+_i$,进行独立的局部搜索。
2. 在每次局部搜索中,仅将$q^+_i$视为相关样本,使用公式$R(x) = 1 - e^{-\frac{d_N(x)}{d_R(x)^2}}$计算相关性得分。
3. 得到一组独立的排名$R = {R_1 \cdots R_r}$。
4. 为每个图片分配一个得分,该得分与其在排名集R中的最佳排名位置成反比。
这种局部搜索策略使算法对不同密度区域具有更强的鲁棒性。
mermaid流程图展示局部搜索策略的流程:
graph LR
A[开始局部搜索] --> B[选择相关样本$q^+_i$]
B --> C[计算相关性得分$R(x)$]
C --> D[生成排名$R_i$]
D --> E[重复至所有$q^+_i$完成]
E --> F[为图片分配最终得分]
6. 实验评估与结果分析
为评估改进方法的效果,进行了对比实验,将改进后的平滑最近邻估计与局部搜索方法与以下几种方法进行比较:
1. 基本NN技术
2. 包含局部搜索的NN方法(Original + LS)
3. 仅添加调节项的NN方法(Original + MT)
实验使用了三个不同的图像库进行测试:
- 商业图像集“Art Explosion”,计算了10 x 3 HS颜色直方图和六种纹理特征。
- Corel数据库的子集,包含30000张图像,使用了多种颜色和纹理描述符。
- 一个用于测试的小型图像库,包含1508张图像,使用了10 x 3 HS颜色直方图和纹理信息。
实验步骤如下:
1. 选择一个类别作为查询概念。
2. 随机选择初始图片进行搜索,每次迭代对前50张图像进行自动判断并提交给系统。
3. 算法处理选择并返回新的图像排名,重复迭代过程。
4. 每种技术在每个图像库上进行500次搜索,确保初始顺序的前50张图像中至少有一个相关样本。
实验结果以在排名前50的图像中的精确率来衡量,结果表明,结合调节项和局部搜索的改进方法显著提高了检索精度。而单独使用局部搜索或调节项时,在某些情况下效果反而更差,这是因为解决的两个问题之间存在紧密联系。
以下是不同方法在各图像库上的平均检索精确率对比表格:
| 方法 | Art Explosion库 | Corel数据库子集 | 小型测试库 |
| ---- | ---- | ---- | ---- |
| 基本NN技术 | [具体精确率1] | [具体精确率2] | [具体精确率3] |
| Original + LS | [具体精确率4] | [具体精确率5] | [具体精确率6] |
| Original + MT | [具体精确率7] | [具体精确率8] | [具体精确率9] |
| 改进方法 | [具体精确率10] | [具体精确率11] | [具体精确率12] |
综上所述,在图像检索任务中,通过对MDSS算法的研究和对平滑最近邻估计方法的改进,能够有效提高检索性能,为图像检索技术的发展提供了有价值的参考和实践经验。未来,可进一步探索多维度数据在其他计算机视觉问题中的应用,以及研究不同输入数据和特征选择方法对图像检索效果的影响。



被折叠的 条评论
为什么被折叠?



