相关反馈

P (wi | x) =
2 i
p(x | wi)P (wi) p(x)
t
i
i
i0
i
j
t
0
i
j
P(w) 1 σ2 x0 = (ui +uj ) ln i (ui uj ) 2 || ui uj ||2 P(wj )
.
基于决策面和决策函数的相关反馈
q
最初的查询向量, 和 分别是相关和 1 1 m = ∑ I 不相关图像的特征向量, m = k ∑ I 和 k 分别是相关和不相关图像的均值向量,根据贝 叶斯决策理论,相关和不相关图像的决策面穿 过 m R 和 m 两线的中点,恰好平分这条线
l =1
相似度匹配------欧几里得距离 相似度匹配------欧几里得距离
1 1 p(x) = exp( (x u)t ∑1(x u)) (2π)d/2 | ∑ |1/2 2
x 是 d 维的向量,u是 d 维的均值向量,
是 d*d 维的协方差矩阵,| ∑ |和 ∑ 是协方 差矩阵的行列式和逆矩阵, (x u)t是 ( x u ) 的转置矩阵.
0
R N
1 R
1 N
0 R
0 N
p1(wR) p0(wR) 1 1 σ2 1 0 0 (m R +m N m R m N ) = 0 (ln 1 ln 0 )*(m0R m0N ) 2 || m R m0N ||2 p (wN ) p (wN )
为了简化计算,对它进行化简:
相关反馈的实现
令 不包含不相关图像 到新的查询向量:
分区纹理特征提取( 分区纹理特征提取(灰度共生矩阵的提取
共生矩阵用两个位置的象素的联合概率密度来 定义,它不仅反映亮度的分布特性,也反映具有 同样亮度或接近亮度的象素之间的位置分布特性, 是有关图象亮度变化的二阶统计特征.它是定义 一组纹理特征的基础. 一幅图象的灰度共生矩阵能反映出图象灰度 关于方向,相邻间隔,变化幅度的综合信息,它 是分析图象的局部模式和它们排列规则的基础.
0
R
I R (q0 )
IN (q0)
N
R I ∈ I R ( q0 )
N I∈I N (q0 )
N
1 σ2 P(wR ) x0 = (mR + mN ) ln (mR mN ) 2 2 || mR mN || P(wN )
.
相关反馈的实现
相关反馈的实现通过移动 q 到 m m 方向. 假定:1. 假定:1. m m =m m 2.相关和不相关图像的 2.相关和不相关图像的 方差为 σ 2 3.令 x 0 = x 00 得到: 3.令 1
分区纹理特征提取
P ( x, y是灰度i处的像素 ) 处的像素 1 P ,2(x+x, y+y) 是距离 P 1 (x,y) 灰度j 处的像素, Px,y)(, j)是距 i ( 离为 (x,y) 像素对 (i, j) 出现的概率.调 整 (x,y) 得到四个不同方向的灰度共生 ( 矩阵(x = d,y =0) ,x=d,y=d) ,x=0,y =d) ,x =d,y =d) ( ( 得到0 45,90,135四个方向的灰度共 得到0,45,90,135四个方向的灰度共 生矩阵.
分区纹理特征提取
描述灰度共生矩阵的有14个统计 描述灰度共生矩阵的有14个统计 属性值{能量/对比度/相关性/ 属性值{能量/对比度/相关性/熵/逆 差距/中值/协方差/(同质性/ 差距/中值/协方差/(同质性/逆差 距)/反差/熵/二阶距/自相关},提取 )/反差/ 二阶距/自相关},提取 其中的四个{能量/对比度/相关性/ 其中的四个{能量/对比度/相关性/ 熵}作为一个灰度共生矩阵的特征 值.将四个方向特征向量求平均, 得到一块区域的特征向量.这样一 个图片有49*4维的特征值矩阵向量. 个图片有49*4维的特征值矩阵向量.
反馈演示
谢谢! 谢谢!
�
基于贝叶斯理论的相关反馈
分区纹理特征提取
为了突出重点,对图像进行固定 的分割,并且每部分赋予不同的权 重.一个被分割成7*7=49的图像 重.一个被分割成7*7=49的图像 如下.
分区纹理特征提取
1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 1 1 2 2 3 2 2 1 2 3 3 3 2 1 2 2 3 2 2 1 1 2 2 2 1 1 1 1 1 1 1 1
相似度匹配------欧几里得距离 相似度匹配------欧几里得距离
特征向量之间的距离: Dl ( p, q) = ( f pl,1 fql,1)∧ 2+... +( f pl,m fql,m)∧ 2 图像之间的总距离:
D( p, q) = ∑ wi *Dl ( p, q)
n
其wenku.baidu.comn=49,m=4 其中n=49,m=4
ln
1 R 0 R
kR kN P (wR ) P (wN ) m ax(k R , k N )
,并且检索结果中 p1 ( wR ) = 0 .最后得
kR kN m =m + 0 (1 )*(m0R m0N ) || m R m0N ||2 max(kR, kN )
σ2
未来的计划
1,修改算法 2,寻找更好的反馈算法
1
基于多维正态分布的决策面
后验概率 : 判别函数: g i ( x) = ln p ( x | wi ) + ln p ( wi ) 在 ∑ = σ * I 条件下进行化简,最后的 条件下进行化简,最后的 到 g (x) = w * x + w 所以决策面函数 g (x) = g (x) 所以决策面函数 化简得 w (x x ) = 0 .其中 w = u u ,