基于内容的多媒体数据库管理系统的研究

通过分析数据库的数据模型.研究基于内容的多媒体数据库管理系统的构建方法及其功能框架,采用PL/SOL方式访问Oracle 8i数据库.为了提高管理系统的图像检索速度,提出了一种基于内容的图像检索算法,从聚类中心初值选取和分类中心的更新方面改进C-均值聚类算法,较好地解决了图像的分类问题.实验表明:使用该聚类检索算法,能对分类中心进行快速更新,有效地对图像进行聚类以及缩短检索时间,检索性能优于现有的C-均值聚类算法.     

一种C-均值聚类图像分割的模糊熵后处理方法

提出了一种结合C-均值聚类算法和模糊熵的图像分割方法，该方法先采用C均值聚类算法对含噪图像进行初步分割，再利用模糊熵准则作后续处理。该方法一方面能够继承C-均值聚类算法的优点，可以灵活地用在基于多特征和多阂值的图像分割中，另一方面充分考虑了图像的区域信息，利用模糊熵最小作为准则，对c均值聚类算法初步分割结果的错分类点作了进一步的处理，克服了C-均值聚类算法对噪声敏感的缺点。实验结果表明，本文方法在运算开销上只比C-均值聚类算法多4～6S，对于低信噪比的图像能够取得优于C-均值聚类算法的分割效果。     

基于多链量子蜂群算法的模糊聚类图像分割

针对传统模糊C-均值聚类算法对初始值和噪声敏感的缺点,提出了一种基于多链量子蜂群算法的模糊C-均值聚类算法。首先,将多链拓展编码方案应用到量子蜂群算法中,提出了多链量子蜂群算法;其次,利用多链量子蜂群算法来优化模糊C-均值聚类的初始聚类中心;最后,设计一种新的利用多链量子蜂群算法优化模糊C-均值聚类中心的图像分割算法。实验结果表明,所提出的基于多链量子蜂群算法的模糊C-均值聚类图像分割算法是有效的,相对于传统模糊C-均值聚类算法及基于模糊的人工蜂群算法,所提算法在分割正确率、分割速度及鲁棒性上均更有效。     

基于微粒群优化的模糊C-均值聚类彩色图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题。为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心。由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度。实验表明,这种方法可以使模糊聚类的速度得到明显提高,实现图像的快速分割。     

基于微粒群优化的模糊C-均值聚类图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题.为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心:由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度.实验结果表明,该方法可以使模糊聚类的速度得到明显提高,实现图像的快速分割.     

一种快速的模糊局部C-均值聚类分割算法

针对模糊局部C-均值聚类算法计算复杂度高且对大数据样本集进行聚类时极为耗时的特点,提出了快速的模糊局部C-均值聚类分割算法。该算法将目标像素点与其邻域像素点构成的共生矩阵引入模糊局部C-均值算法,得到新的聚类隶属度和聚类中心表达式。对像素分类时,利用邻域像素隶属度进行滤波处理,进一步改善了算法的抗噪性。实验结果表明,该算法满足了图像分割有效性的需求,相较于模糊局部C-均值聚类算法,该算法具有更好的分割性能和实时性,能更好地满足实际场合图像分割的需要。     

基于粒子群模糊C-均值聚类的图像分割算法

模糊C-均值（FCM）聚类算法是一种结合无监督聚类和模糊集合概念的图像分割技术,比较有效,但存在着受初始聚类中心和隶属度矩阵影响,可能收敛到局部极小的缺点。将粒子群优化算法（PSO）与模糊C-均值聚类算法相结合,实现了基于粒子群模糊C-均值聚类的图像分割算法。实验表明,该方法具有搜索全局最优解的能力,因而可得到很好的图像分割结果。     

基于改进综合区域匹配的图像检索算法研究

论文使用基于内容的图像检索技术,通过对模糊C均值图像分割算法和综合区域匹配算法的研究,提出了一种基于聚类学习图像特征区域重要性决策规则,并结合图像特征区域的重要性因子,研究了一种改进的综合区域匹配算法。分别对WANG DATA和Corel10k图像数据库进行了实验,结果表明采用本文改进综合区域匹配的图像检索算法,能够有效地提高图像的检索效率。     

初始聚类中心优化选取的核C-均值聚类算法

在通常的核C-均值聚类算法中,聚类结果对初始聚类中心敏感,随机选取初始聚类中心时,会使得迭代次数较多、分类结果不稳定.针对该问题提出一种优化选取仞始聚类中心的算法.该方法采用一种改进的最大最小距离算法对原始空间中的数据进行粗分类,将粗分类结果中每类类心作为初始聚类中心,再运用核C-均值聚类算法进行分类.仿真实验结果表明方法能有效减少迭代次数,使分类结果更加稳定,分类识别率也有一定程度的提高.     

层流冷却过程中参数的模糊辨识方法

为了解决轧后温度控制中准确率和效率不足的问题,搭建了热轧带钢层流冷却动态模型,提出利用TS模糊模型对水冷换热系数进行建模.首先基于某热轧厂的工业实时数据,建立了层流冷却水冷换热系数的数据库.由于在TS模糊模型中,模糊C-均值聚类算法对初始聚类中心存在依赖性,使用人工蜂群模糊C-均值聚类算法计算隶属度函数和聚类中心,并使...     

基于聚类的图像检索

如何构建有效的组织和索引、提高图像检索速度是基于内容的图像检索所需解决的关键问题之一。论文采用了一种基于改进的模糊C均值算法的聚类索引。实验表明:该方法应用于图像检索,在准确性和实时性方面均能达到较好的效果,并优于已有的模糊C均值聚类算法。另外,系统实现了基于多特征结合的方法进行检索,并利用基于相关反馈的权重调整方法进一步提高检索性能,使检索结果更加符合用户的视觉效果。     

基于优化分块颜色直方图及模糊C聚类的彩色图像检索方法

将数据挖掘的聚类算法应用到基于内容的图像检索中可以有效提高检索的速度和效果。模糊聚类算法更符合图像检索本身所具有的模糊性,但这种方法存在聚类分析时间过久影响检索性能的问题,因此本文提出了一种基于优化分块颜色直方图及模糊C聚类的彩色图像检索方法。首先对图像库中的每幅图像进行分块,并提取出每一块的优化颜色特征信息;然后采用模糊C均值聚类算法对得到的颜色特征向量进行聚类,得到每个图像类的聚类中心;最后计算查询示例图像和对应图像类的图像之间的相似度,按照相似度的大小返回检索结果。实验表明,本文提出的方法不仅具有较高的查全率和查准率,而且提取的特征维数较少,聚类时间短,检索速度快。     

低层特征获取高层语义的图像检索

首先采用基于颜色聚类的方法将图像分割成区域,提取每个区域的Gabor小波纹理特征和灰度共生矩阵纹理特征,接着采用信息熵对特征进行选择,使用选择后的特征对图像区域进行聚类,得到每幅图像的语义特征向量;然后提出遗传模糊C均值算法对图像进行聚类。在图像检索时,查询图像和聚类中心比较,在距离最小的类中进行检索。实验表明,提出的方法可以明显提高检索效率,提高了检索的精度。     

一种基于聚类的对等网络图像搜索机制

将基于内容的图像检索应用到P2P网络中,提出了一种基于“类簇”的P2P网络信息搜索机制。结合聚类方法和Small world原理,将相似的图像文件聚集到同一个“类簇”中,不同簇之间建立远距离连接;查询时先定位到所属的簇,在簇内广播查询,并根据查询记录更新节点路由表。仿真实验表明该搜索机制具有良好的搜索性能。     

集成视觉特征和语义信息的相关反馈方法

为了有效地利用图像检索系统的语义分类信息和视觉特征,提出一种基于Bayes的集成视觉特征和语义信息的相关反馈检索方法.首先,将图像库的数据经语义监督的视觉特征聚类算法划分为小的聚类,每个聚类内数据的视觉特征相似并且语义类别相同;然后以聚类为单位标注正负反馈的实例,这显著区别于以单个图像为单位的相关反馈过程;最后分别以基于视觉特征的Bayes分类器和基于语义的Bayes分类器修正相似距离.在图像库上的实验表明,只用较少的反馈次数就可以达到较高的检索准确率.     

基于对偶树复小波变换的模糊纹理分割

提出了一种基于对偶树复小波变换的模糊纹理图像分割算法,该方法包括纹理特征提取和纹理分类两个阶段,其中,特征提取在对偶树复小波变换的基础上进行;纹理分类可以直接用模糊C均值算法进行聚类从而完成纹理的分割,但由于该算法中隶属度函数是基于样本到类中心的距离设计的,这对非球形分布数据很不合理,针对该问题,引入样本与样本的紧致度来度量类中各个样本之间的关系从而修正隶属度函数,并将其用于纹理分类。实验结果表明与模糊C均值算法在运行时间上相差不大的情况下,改进的方法在分割精度、边缘准确性和区域一致性上都得到了明显的改善。     

Fast K-means algorithm based on a level histogram for image retrieval

In image retrieval, the image feature is the main factor determining accuracy; the color feature is the most important feature and is most commonly used with a K-means algorithm. To create a fast K-means algorithm for this study, first a level histogram of statistics for the image database is made. The level histogram is used with the K-means algorithm for clustering data. A fast K-means algorithm not only shortens the length of time spent on training the image database cluster centers, but it also overcomes the cluster center re-training problem since large numbers of images are continuously added into the database. For the experiment, we use gray and color image database sets for performance comparisons and analyzes, respectively. The results show that the fast K-means algorithm is more effective, faster, and more convenient than the traditional K-means algorithm. Moreover, it overcomes the problem of spending excessive amounts of time on re-training caused by the continuous addition of images to the image database. Selection of initial cluster centers also affects the performance of cluster center training.