1、隨著20世紀(jì)多媒體技術(shù)及Internet網(wǎng)絡(luò)的發(fā)展,可獲取的圖像和其它多媒體數(shù)據(jù)越來越多,數(shù)據(jù)庫容量不斷增大,如何組織、表達(dá)、存儲(chǔ)、管理、查詢和檢索這些海量的多媒體數(shù)據(jù),是對(duì)傳統(tǒng)數(shù)據(jù)庫技術(shù)的一個(gè)重大挑戰(zhàn)。基于內(nèi)容的圖像檢索是多媒體信息處理中的一個(gè)研究熱點(diǎn)。圖像、視頻作為信息數(shù)據(jù)中最直觀、最形象的內(nèi)容,對(duì)它們的檢索和查詢是多媒體信息處理中一個(gè)亟待解決的問題。
　　 基于內(nèi)容的圖像檢索(CBIR)利用圖像的視覺特征如顏色,形狀,紋理

2、等來找到相似的圖像,雖然視覺特征對(duì)于找到相同語義的圖像有一定幫助,然而該方法至今仍然有許多問題沒有解決,如語義鴻溝,特征提取,檢索方法等等。現(xiàn)有的基于內(nèi)容的圖像檢索(CBIK)方法主要是通過相關(guān)反饋和分類方法相結(jié)合進(jìn)行圖像檢索。本文將主動(dòng)學(xué)習(xí)的方法(Active learning)[21,22,23]引入相關(guān)反饋[16],為了解決相關(guān)反饋時(shí)正樣例的數(shù)量遠(yuǎn)少于負(fù)樣例的數(shù)量的問題,即圖像的不平衡性問題,本文提出了兩種主動(dòng)學(xué)習(xí)方法:“正例增強(qiáng)

3、的Angle-diversity算法”和“基于URL的正例增強(qiáng)算法”。另外,由于SVM優(yōu)越的分類性能,本文采用SVM分類方法進(jìn)行圖像檢索,文章對(duì)現(xiàn)有的SVM算法進(jìn)行了分析,指出了SVM算法在CBIR中對(duì)于正樣例缺乏排序能力的缺點(diǎn),并且提出了新的SVM排序方法。本文的實(shí)驗(yàn)在兩個(gè)數(shù)據(jù)集上進(jìn)行,分別為10000幅圖像的標(biāo)準(zhǔn)Corel數(shù)據(jù)集和從網(wǎng)上下載下來的11000多幅圖像的Web數(shù)據(jù)集,通過實(shí)驗(yàn)可以看到,本文提出的主動(dòng)學(xué)習(xí)方法和新的SVM排