16、GriMa：用于基于网格袋分类的网格挖掘算法

GriMa：用于基于网格袋分类的网格挖掘算法

在图像分类领域，利用网格结构进行特征提取和分类是一个具有潜力的研究方向。本文将介绍一种名为GriMA的网格挖掘算法，探讨其原理、性能及在图像分类中的应用。

1. GriMA算法概述

GriMA算法遵循标准的频繁子图挖掘流程，以深度优先递归的方式探索所有规范代码的搜索空间。具体步骤如下：
- 计算所有频繁边。
- 对每个频繁扩展调用Extend函数。
- Extend函数以一个频繁且规范的模式代码P作为输入，输出所有以P为前缀的频繁规范代码P’。为实现这一目标，它首先计算数据库D中P的所有出现的所有可能有效扩展的集合E，有效扩展是指边的代码e，使得P.e出现在D中。最后，对每个使得P.e频繁且规范的扩展e递归调用Extend函数，从而使模式在每次递归调用时增长。

此外，由于在实际应用中节点有标签而边无标签（所有边具有相同标签），因此设计了GriMA的变体——节点诱导GriMA（node-induced-GriMA），用于计算节点诱导的网格，即在给定模式P的情况下，在不添加新节点的前提下向P添加所有可能的边。实验表明，这种优化减少了提取的模式数量和提取时间。

GriMA算法具有正确性和完整性，即它只输出频繁子网格且不会遗漏任何频繁子网格。设输入网格集合D中的网格数量为k，最大网格Gi中的边数为n，模式P中的边数为|P|，GriMA算法枚举所有频繁模式的时间复杂度为O(kn².|P|²) = O(kn⁴)，相较于FreqGeo和MaxGeo的O(k²n⁴. ln n)有显著提升。

2. 实验设置

为评估使用网格结构进行图像分类的相关性，提出通过视觉