摘要
针对提取到的图像特征受背景信息干扰,不能有针对性地提取到所需要的图像信息影响检索精度.为了解决这一问题,本文提出一种基于改进VGGNet(visual geometry group network)和蚁群算法的图像显著性区域检索算法.首先,利用类激活映射(class activation mapping,CMA)算法对图像显著性区域进行提取,剔除图像背景信息;然后使用训练好的RS-VGG 16模型提取图像显著性区域特征来表征图像.引入主成分分析(principal component analysis,PCA)算法,对高维特征进行降维的同时减少特征信息的损失.最后,引入蚁群算法对检索结果进行优化.在corel_5000数据集上,选取基于VGG 16网络的图像全局特征检索算法以及传统的BOF (bag of fea-tures)图像检索算法进行对比试验.本文提出算法相较于基于VGG 16网络的图像检索算法,平均查准率(mean average precision,MAP)值平均提升约4.36％,相较于传统的BOF算法,MAP值平均提升约16.99％.实验结果表明本文提出算法能够很好地去除图像背景信息的干扰,具有更优的检索性能.
NETL
NSTL
维普
万方数据