[发明专利]基于高效样本选取与参数优化的相关反馈图像检索方法

权利要求书

1.一种基于高效样本选取与参数优化的相关反馈图像检索方法，其特征在于按照以下步骤进行：

定义：J和Q分别指图像库中的图像和示例图像；S(Q,J)表示Q和J之间的欧氏距离；f_i(Q)、f_i(J)分别指Q和J的特征向量在第i个分量处的值；PS和NS分别代表正例样本和负例样本；MABC为改进的人工蜂群算法；DE为差分算法；OS表示最优解，FS表示可行解；EB表示雇佣蜂，OB表示跟随蜂，SB表示侦查蜂；K指聚类类别数，MCN指最大迭代次数，Limit指控制参数，fit_i指适应度，x_i指初始解，v_i为侦查蜂邻域搜索产生的新解，CSO为当前解，P_i为各个解的概率值；T为训练样本集，T_正为正例样本，T_num为正例样本个数，T_负为负例样本；dl为各聚类中心与目标图像之间的距离，xdl_i为归一化后的距离；CS指布谷鸟算法；Train和Test分别表示训练样本和测试样本；N_iter代表迭代次数，N_IterTotal代表最大迭代次数，num代表给定的种群数量，p和p_a分别表示卵被宿主发现的概率和宿主鸟发现寄生蛋的概率，Np为鸟巢位置；

a.初始设置

获取检索图像库中的图像J并初始化变量；

b.查询模块

提取图像库中所有J的底层特征，存入库中；

c.检索模块

利用欧氏距离度量用户选取的Q与J的相似度，输出和用户选取的Q最相似的前N幅图像

d.标注模块

d.1结合DE的思想，使用MABC算法将全局的OS引入到搜索过程中，具体方法如下：

v_ij＝x_ij+(1-rand(0,1))(x_kj-x_ij)+rand(0,1)(Gbest_j-x_ij)

其中，Gbest_j表示当前的OS，引入OS能取得较优良的FS；

d.2应用MABC-Kmeans算法对图像库施行聚类操作：

d.2.1初始化参数EB、OB、SB、K、MCN和Limit，产生初始解集x_i(i＝1,2,…,K)，计算每个解的fit_i；

d.2.2 SB邻域搜索产生新的解v_i，计算新解v_i的fit_i，判断fit_i是否优于x_i，如果CSO优于原来解，则v_i替换x_i，否则，保持x_i不变；

d.2.3计算各个解的P_i，OB根据概率选择相应的聚类点，并进行邻域搜索，计算新的聚类点的fit_i进行食物源的选择，如果当前收益解小于OS，则用当前的收益替换原有的收益：

d.2.4判断终止条件达到与否，如果MABC到达了最大循环次数，输出最优的聚类中心点；

d.2.5把MABC产生的聚类中心点作为Kmeans的中心，对算法初始化操作，计算Kmeans算法在该中心点下的fit_i，将数据分配到算法fit_i最大的簇中；

d.3用户标注：

用户将最相似的N幅图像按其相关性，标记为PS和NS，从而筛选出PS所属类簇与NS所属类簇；

d.4正例样本选取：

以标记的PS为聚类中心得到新的聚类，其中聚类个数n为用户标记的PS的数量，选取距离聚类中心最近的h个图像作为T_正，将从n_正个类簇中选取的T_正叠加，形成新T_{正例样本集}：T_正的个数T_num＝hK；

d.5负例样本选取：

选取距离聚类中心最远的g个图像作为T_负，参考传统距离加权法，以距离大小作为标准，计算出各聚类中心与Q之间的dl_{i(i＝1，2，…，K)}，经过归一化处理得到新的距离：

确定每类所选的T_负个数，以归一化处理后的xdl_i作为权值，进一步计算确定每类所选的T_负个数：

g＝xdl_i×T_num,(i＝1，2，…，K)

按照已经确定的T_负数从各类中选出相对应的图片组成负例样本T_负，将K个类所选出的负例样本相加，得到新的T_负集：

d.6将正负例样本集组合成新的Train：Train＝T_正例样本∪T_负例样本，应用CS-SVM训练反馈；

e.学习模块

e.1利用CS优化SVM参数，构成新型分类器CS-SVM：

e.1.1 CS参数和种群初始化：N_iter＝0，N_IterTotal＝200，num＝30，p＝0.25，然后随机产生一个种群，方式如下：

其中，“0”表示第0代，up(j)和low(j)分别代表第j个决策变量的上限和下限，rand()是一个产生介于0和1之间的随机数的函数，d为待优化函数f(x)的维数；

e.1.2读入样本集，利用Train进行SVM训练，求鸟巢的目标值，存储当前的OS，采用式对Np更新操作，并把获得的新Np与之前的Np进行比较，若优于fit_i值，则保留为当前最优位置；

e.1.3利用rand()函数产生随机数r∈[0,1]，并与p_a比较，如rp_a，Np保持不变，反之Np随机更改，产生新的Np，并与宿主发现前的Np对比，保留较优的Np；

e.1.4输出寻优得到的结果；

e.2利用优化后得到的SVM参数对Train进行分类，将训练结果反馈给用户，当用户满意反馈结果时，输出完成。