1、隨著信息技術(shù)的高速發(fā)展，數(shù)字圖像急劇膨脹。如何快速提取感興趣的目標(biāo)圖像，成為海量信息處理面臨的瓶頸。聚類分析近十年來發(fā)展迅速，被廣泛應(yīng)用到人工智能、信息控制、醫(yī)療診斷、天氣預(yù)報、圖像分析等領(lǐng)域，其中使用最普遍的是C-均值聚類。 C-均值聚類雖然在圖像處理中應(yīng)用比較廣泛，但也存在很多不足?；诖耍诰垲惢A(chǔ)上，引進(jìn)相關(guān)反饋機(jī)制對聚類進(jìn)行調(diào)整，稱之為學(xué)習(xí)聚類。當(dāng)前主要的圖像檢索方法有基于內(nèi)容的和基于語義的。這兩種方法各自存在優(yōu)缺點(diǎn)，

2、同時也存在一些共同的難點(diǎn)。結(jié)合兩個圖像檢索算法的特點(diǎn)，在學(xué)習(xí)聚類的基礎(chǔ)上提出了基于底層特征和語義的圖像檢索算法BFSR(Based on Feature and Semantic Retrieval Algorithm)。它存在不少優(yōu)點(diǎn)：有效的解決了初始類中心的選取、能自動地進(jìn)行語義標(biāo)識、能從多個角度表達(dá)圖像內(nèi)容，半自動地確定聚類數(shù)目等。但也存在檢索精度不高，無法解決語義的同義性和分歧性等問題。存在這些問題的主要原因是由于側(cè)重點(diǎn)不同，用

3、戶對圖像相似性判斷也存在不同的標(biāo)準(zhǔn)?；诖?，在BFSR的基礎(chǔ)上結(jié)合相關(guān)反饋策略改進(jìn)得到了基于相關(guān)反饋的學(xué)習(xí)聚類算法RFCL(Based on Relevant Feedback Cluster Learning Algorithm)。RFCL能夠根據(jù)用戶行為猜測用戶的興趣，并能自動地調(diào)整相似性度量準(zhǔn)則來提高檢索的準(zhǔn)確率。 根據(jù)RFCL的思路開發(fā)了一個界面設(shè)計(jì)合理的試驗(yàn)系統(tǒng)。通過對查全率和查準(zhǔn)率的分析，顯示RFCL具有能消除語義的