粒子群蛙跳算法在图像相关反馈中的研究

银莉; 靳雁霞; 张晓闻; 张鑫

Chinese

您当前的位置：

首页 >

文章列表页 >

粒子群蛙跳算法在图像相关反馈中的研究

更新时间：2026-09-04

- 粒子群蛙跳算法在图像相关反馈中的研究
- Image Retrieval Relevance Feedback Algorithm Based on Particle Swarm Optimization-Shuffled Frog Leaping Algorithm
- 微电子学与计算机 2017年34卷第2期页码：97-100
- 作者机构：
  
  中北大学机构计算机与控制工程学院,山西,太原,030051
- 作者简介：
- 基金信息：
  
  国家自然基金项目 61379080山西省自然基金项目 2013011017-7
- DOI：
  中图分类号：
- 纸质出版：2017
- 稿件说明：
移动端阅览
银莉, 靳雁霞, 张晓闻, 张鑫. 粒子群蛙跳算法在图像相关反馈中的研究[J]. 微电子学与计算机, 2017, 34(2): 97-100, 104.

YIN Li, JIN Yan-xia, ZHANG Xiao-wen, et al. Image Retrieval Relevance Feedback Algorithm Based on Particle Swarm Optimization-Shuffled Frog Leaping Algorithm[J]. 2017, 34(2): 97-100.
银莉, 靳雁霞, 张晓闻, 张鑫. 粒子群蛙跳算法在图像相关反馈中的研究[J]. 微电子学与计算机, 2017, 34(2): 97-100, 104. DOI：

YIN Li, JIN Yan-xia, ZHANG Xiao-wen, et al. Image Retrieval Relevance Feedback Algorithm Based on Particle Swarm Optimization-Shuffled Frog Leaping Algorithm[J]. 2017, 34(2): 97-100. DOI：

摘要

针对在基于内容的图像检索中

底层视觉特征和高层语义特征存在的语义鸿沟问题

提出将粒子群蛙跳算法引入基于内容的图像检索之中.通过使用粒子群蛙跳算法来优化反馈过程

一方面可以增强粒子之间的差异性

使粒子不会停滞于次优解

在检索过程中

检索到更多符合用户需求的图片; 另一方面通过粒子种群的迭代寻优

用户对检索到的图片进行评价

可以使计算机更加理解用户的需求.通过仿真实验证明

该方法可以有效地提高图像检索的查准率.

Abstract

Aim at the semantic gap between visual low level features and high level semantics

this paper proposed a method that imported particle swarm optimization-shuffled frog leaping algorithm into the relevance feedback on the content-based image retrieval. Feedback process is optimized by using particle swarm optimization-shuffled frog leaping algorithm

on the one hand enhance the retrieval ability

makes retrieval can jump out of the sub-optimal

on the other hand through the optimization iteration of the particles that users evaluate the retrieved images

makes the computer understand the needs of users. Through the simulation experiments showing that the proposed method can effectively improve the precision of image retrieval.

关键词

Keywords

references

黄太安, 生佳根, 徐红洋, 等. 一种改进的简化粒子群算法[J]. 计算机仿真, 2013, 20(2): 327-330. DOI: 327

Zhang L, Wang L, Lin W. Generalized biased discriminant analysis for content-based image retrieval[J]. IEEE Transactions on Systems, Man and Cybernetics, PartB: Cybernetics, 2012, 42(1): 282-290. DOI: 282

Broilo M, Rocca P, F G B De Natale. Content-based image retrieval by a semi-supervised particle swarm optimization[C]//Workshop Multimedia Signal Processing, 2008. Copenhagen, 2008.

Muhammad Imran, Rathiah Hashim. Stochastic optimized relevance feedback particle swarm optimization for content based image retrieval[J]. The Scientifc World Journal, DOI: 10.1155/2014/752090,2014.

Tao S, Li X, Maybank S J. Negative samples in relevance feedback[J]. IEEE Transactions on Knowledge and Data Engineering, 2007, 19(4): 568-580. DOI: 568

Broilo M, De Natale F G B. A stochastic approach to image retrieval using relevance feedback and particle swarm optimization[J]. IEEE Transactions on Multimedia, 2010, 12(4): 267-277. DOI: 267

Younus, Zeyad Safaa, Mohamad, et al. Content-based image retrieval using PSO and k-means clustering algorithm[J]. Arabian Journal of Geosciences, 2015, 8(8): 6211-6224. DOI: 6211

唐朝霞, 章慧, 徐冬梅. 一种改进的粒子群算法和相关反馈的图像检索[J]. 计算机科学, 2011, 38(10): 278-280. DOI: 278

许相莉, 张利彪, 刘向东, 等. 基于粒子群的图像检索相关反馈算法[J]. 电子学报, 2010, 38(8): 1935-1940. DOI: 1935

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于特征共现的无监督哈希检索算法

基于SVM改进的图像反馈检索方法研究

融合类无标度粒子群算法的图像检索研究

基于改进RT-DETR的航拍小目标检测算法

低功耗设计的双链电源关断策略的实现与验证