一种基于视觉词袋模型的图像检索方法金铭;汪友生;边航;王雨婷【期刊名称】《计算机应用与软件》【年(卷),期】2017(034)004【摘要】为了提高图像检索的效率,提出一种基于视觉词袋模型的图像检索方法.一方面在图像局部特征提取算法中,使用添加渐变信息的盒子滤波器构造尺度空间,以保留图像更多的细节信息,另一方面在特征表达时仅计算一次特征点圆形邻域内的Haar小波响应,避免了Haar小波响应的重复计算,并在保证描述子旋转不变性的同时做降维处理.同时,以改进k-means对特征库聚类构建加权的视觉词典,基于概率计算的方式选取k-means初始聚类中心,降低了传统k-means聚类效果对初始聚类中心选择的敏感性.实验结果表明该方法比传统方法具有更高的效率,特征提取速度提高48%左右,查准率提高2%以上.%In order to improve the efficiency of image retrieval, an image retrieval method based on BoVW (Bag of Visual Words) model is proposed.On the one hand, in image local feature extraction algorithm, we use box filter with gradient information to form scale space, to retain more image details information.On the other hand, only the Haar wavelet response in the circular neighborhood of the feature point is calculated in the feature expression, which avoids the repeated calculation of the Haar wavelet response and reduces the dimension while guarantee rotational invariance.At the same time, using improved k-means clustering method to construct a weighted visual dictionary, the k-means initial clustering center is selected based on probabilistic calculationmethod, which reduces the sensitivity of the traditional k-means clustering to the initial clustering center selection.The experimental results show that the proposed method is more efficient than the traditional method, feature extraction speed is increased by about 48% and the precision is improved by more than 2%.【总页数】7页(P249-254,321)【作者】金铭;汪友生;边航;王雨婷【作者单位】北京工业大学电子信息与控制工程学院北京 100124;北京工业大学电子信息与控制工程学院北京 100124;北京工业大学电子信息与控制工程学院北京 100124;北京工业大学电子信息与控制工程学院北京 100124【正文语种】中文【中图分类】TP391.9【相关文献】1.一种基于视觉显著度词袋模型的图像分类方法 [J], 杨晓敏;严斌宇;王潘;宋亚东2.改进视觉词袋模型的快速图像检索方法 [J], 张祯伟;石朝侠3.基于感知哈希和视觉词袋模型的图像检索方法 [J], 杨文娟;王文明;王全玉;汪俊杰4.基于感知哈希和视觉词袋模型的图像检索方法 [J], 杨文娟; 王文明; 王全玉; 汪俊杰5.一种基于视觉显著度词袋模型的图像分类方法 [J], 杨晓敏;严斌宇;王潘;宋亚东因版权原因，仅展示原文概要，查看原文内容请购买。
词袋模型原理引言在自然语言处理（NLP）领域中，词袋模型（Bag of Words Model）是一种常见且重要的文本表示方法。
它经常被用于文本分类、情感分析、信息检索等任务中。
词袋模型的原理简单而直观，本文将对其进行全面、详细和深入的探讨。
什么是词袋模型？词袋模型是一种用于表示文本的技术。
它将文本中的每个单词视为一个独立的特征，并忽略它们之间的顺序关系和语法结构。
换句话说，词袋模型将一段文本转换为一个向量，该向量表示了文本中各个单词的出现情况。
词袋模型的构建过程词袋模型的构建过程包括以下几个步骤：步骤1：收集语料库语料库是指用于训练和构建词袋模型的文本数据集。
它可以包含多个文档或句子。
语料库的选择和规模对于构建有效的词袋模型非常重要。
步骤2：分词将语料库中的文本按照一定的规则进行分词，将其划分为单个的词汇单元。
分词过程可以使用现成的分词工具或基于规则的方法。
步骤3：构建词汇表词汇表是指语料库中所有不重复的单词的集合。
构建词汇表的过程是将分词后的文本中的所有单词去重并进行排序。
步骤4：生成文档向量对于每篇文档或句子，将其表示为一个向量。
向量的长度等于词汇表中单词的总数，每个维度对应一个单词。
向量中的值可以是词频、TF-IDF权重等。
步骤5：应用模型将文档向量输入到机器学习算法或其他模型中进行训练或预测。
常见的应用包括文本分类、情感分析、信息检索等。
词袋模型的优缺点词袋模型具有以下优点： - 简单直观：词袋模型的原理简单明了，易于理解和实现。
- 忽略语法和顺序：词袋模型不考虑单词的顺序和语法结构，适用于多种文本类型。
- 宽容性：词袋模型对输入文本的变化和噪声具有一定的宽容性。
然而，词袋模型也存在一些缺点： - 丢失顺序信息：由于不考虑单词的顺序，词袋模型丢失了文本中单词之间的顺序关系，这可能导致信息的损失。
- 忽略语义差异：词袋模型只考虑单词的出现情况，忽略了不同单词之间的语义差异，可能导致不准确的结果。
基于优化视觉词袋模型的图像分类方法张永;杨浩【期刊名称】《计算机应用》【年(卷),期】2017(037)008【摘要】针对视觉词袋(BOV)模型中过大的视觉词典会导致图像分类时间代价过大的问题,提出一种加权最大相关最小相似(W-MR-MS)视觉词典优化准则.首先,提取图像的尺度不变特征转换(SIFT)特征,并用K-Means算法对特征聚类生成原始视觉词典;然后,分别计算视觉单词与图像类别间的相关性,以及各视觉单词间的语义相似性,引入一个加权系数权衡两者对图像分类的重要程度;最后,基于权衡结果,删除视觉词典中与图像类别相关性弱、与视觉单词间语义相似性大的视觉单词,从而达到优化视觉词典的目的.实验结果表明,在视觉词典规模相同的情况下,所提方法的图像分类精度比传统基于K-Means算法的图像分类精度提高了5.30％;当图像分类精度相同的情况下,所提方法的时间代价比传统K-Means算法下的时间代价降低了32.18％,因此,所提方法具有较高的分类效率,适用于图像分类.%Concerning the problem that too large visual dictionary may increase the time cost of image classification in the Bag-Of-Visual words (BOV) model,a Weighted-Maximal Relevance-Minimal Semantic similarity (W-MR-MS) criterion was proposed to optimize visual dictionary.Firstly,the Scale Invariant Feature Transform (SIFF) features of images were extracted,and the K-Means algorithm was used to generate an original visual dictionary.Secondly,the correlation between visual words and image categories and semantic similarity among visual words were calculated,and a weighted parameterwas introduced to measure the importance of the correlation and the semantic similarity in image classification.Finally,based on the weighing result,the visual word which correlation with image categories was weak and semantic similarity among visual words was high was removed,which achieved the purpose of optimizing the visual dictionary.The experimental results show that the classification precision of the proposed method is 5.30％ higher than that of the traditional K-Means algorithm under the same visual dictionary scale;the time cost of the proposed method is reduced by 32.18％ compared with the traditional K-Means algorithm under the same classification precision.Therefore,the proposed method has high classification efficiency and it is suitable for image classification.【总页数】5页(P2244-2247,2252)【作者】张永;杨浩【作者单位】兰州理工大学计算机与通信学院,兰州730050;兰州理工大学计算机与通信学院,兰州730050【正文语种】中文【中图分类】TP181【相关文献】1.基于视觉词袋模型的遥感图像分类方法 [J], 周宇谷;王平;高颖慧2.基于视觉词袋模型的遥感图像分类方法 [J], 周宇谷;王平;高颖慧;3.一种基于词袋模型的图像优化分类方法 [J], 赵春晖;王莹;Masahide KANEKO4.一种基于视觉显著度词袋模型的图像分类方法 [J], 杨晓敏;严斌宇;王潘;宋亚东5.一种基于视觉显著度词袋模型的图像分类方法 [J], 杨晓敏;严斌宇;王潘;宋亚东因版权原因，仅展示原文概要，查看原文内容请购买。
