基于仿生形象思維方法的圖像檢索算法的改進(jìn)

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/23.1538.TP.20150326.1017.006.html

基于仿生形象思維方法的圖像檢索算法的改進(jìn)

陳陽1，董肖莉2，李衛(wèi)軍2，張麗萍2，覃鴻2

(1.工業(yè)和信息化部 中國(guó)電子信息產(chǎn)業(yè)發(fā)展研究院，北京 100846； 2. 中國(guó)科學(xué)院半導(dǎo)體研究所 人工神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)室，北京 100083)

摘要：基于仿生形象思維方法的圖像檢索算法主要是模仿人腦的形象思維對(duì)圖像認(rèn)知，從全新角度提取圖像特征而設(shè)計(jì)的一種新算法。此算法把每幅圖像都映射成高維空間一個(gè)點(diǎn)，通過計(jì)算點(diǎn)和點(diǎn)之間的判別函數(shù)得到圖像之間的關(guān)系。該文利用最直接地描述圖像內(nèi)容的視覺特征，即顏色復(fù)雜度來提取圖像特征，對(duì)基于仿生形象思維方法的圖像檢索算法做進(jìn)一步研究與改進(jìn)。實(shí)驗(yàn)結(jié)果表明該方法比文獻(xiàn)[1]基于仿生形象思維方法的圖像檢索算法的特征提取方法效果有一定的提高。

關(guān)鍵詞：仿生形象思維；圖像檢索；顏色復(fù)雜度；特征提取

DOI:10.3969/j.issn.1673-4785.201411022

中圖分類號(hào)：TP391.4文獻(xiàn)標(biāo)志碼：A

收稿日期：2014-11-24. 網(wǎng)絡(luò)出版日期：2015-03-26.

基金項(xiàng)目：國(guó)家自然科學(xué)基金重大研究計(jì)劃資助項(xiàng)目(90920013).

作者簡(jiǎn)介：

中文引用格式：陳陽，董肖莉，李衛(wèi)軍，等. 基于仿生形象思維方法的圖像檢索算法的改進(jìn)[J]. 智能系統(tǒng)學(xué)報(bào)， 2015, 10(2): 209-214.

英文引用格式：CHEN Yang, DONG Xiaoli, LI Weijun， et al. Improvement of an image retrieval algorithm based on biomimetic imaginal thinking[J]. CAAI Transactions on Intelligent Systems, 2015, 10(2): 209-214.

Improvement of an image retrieval algorithm

based on biomimetic imaginal thinking

CHEN Yang1, DONG Xiaoli2, LI Weijun2, ZHANG Liping2, QIN Hong2

(1. China Center of Information Industry Development, Beijing 100846, China; 2. Institute of Semiconductors, Chinese Academy of Sciences, Beijing 100083, China)

Abstract：In this paper, a novel image retrieval algorithm based on biomimetic imaginal thinking is used for image cognition by imitating human brain's imaginal thinking and extracting image features from a different perspective. This algorithm maps every image onto a point in the high dimension space, deriving the relations of two images by calculating the discriminant function between the two points. The visual features that can describe image content directly, i.e. color complexity are used to extract image features, in order to improve the image retrieval algorithm based on biomimetic imaginal thinking. The experimental results showed that the performance of this algorithm is better than that of the algorithm proposed by reference [1].

Keywords：biomimetic imaginal thinking; image retrieval; color complexity measure; feature extraction

通信作者：董肖莉.E-mail：dongxiaoli@semi.ac.cn.

根據(jù)研究對(duì)象的不同，現(xiàn)有的圖像檢索[2]技術(shù)主要有以下3類：基于文本圖像檢索、基于內(nèi)容圖像檢索以及基于語義的圖像檢索?；谖谋镜膱D像檢索最初采用的方法是人工標(biāo)注圖像并用標(biāo)注進(jìn)行檢索。一旦標(biāo)注非常完整適當(dāng)?shù)脑?，檢索速度和效果都會(huì)非常好，但是隨著現(xiàn)在數(shù)字圖像數(shù)量劇增，人工標(biāo)注的工作量非常大[3]，而且人工對(duì)圖像的描述帶有主觀偏差，所以為了克服基于文本檢索的這一缺點(diǎn)，提出基于內(nèi)容圖像檢索(content-based image retrieval ,CBIR)[3]。在過去的幾十年里，基于內(nèi)容的圖像檢索受到了廣泛的關(guān)注，尤其是2000年后，該方法獲得極大的發(fā)展[4]。傳統(tǒng)基于內(nèi)容的圖像檢索技術(shù)通常采用一些簡(jiǎn)單的圖像特征，例如顏色、形狀和紋理特征來描述待檢索圖像的視覺內(nèi)容，而且已經(jīng)開發(fā)出若干CBIR系統(tǒng)。陳晨[5]、梁美麗[6]、宋衛(wèi)華[7]等分別提出了基于顏色、綜合顏色和紋理的、基于底層紋理特征的CBIR系統(tǒng)，基本都是利用圖像的以上3個(gè)特征來進(jìn)行檢索，而這顯然是不夠的，對(duì)圖像的檢索率仍有待進(jìn)一步提高，而且圖像相似性度量也影響其性能，所以檢索系統(tǒng)需要融合圖像高層語義功能?；谡Z義圖像檢索就是要建立圖像低層特征到高層語義的映射，其需要融合模式識(shí)別、人工智能等多個(gè)知識(shí)領(lǐng)域[8]，難度也是非常大的。曹建芳等[9]、莊凌等[10]、H. Xie等[11]分別提出一種基于顏色、紋理和形狀3種語義特征的圖像檢索方法、一種基于稀疏典型性相關(guān)分析的圖像檢索方法、和視覺文本級(jí)和視覺圖像級(jí)的上下文查詢擴(kuò)展的圖像檢索方法；AlexPapushoy等[12]提出了基于顯著內(nèi)容查詢的圖像檢索算法(QSCR)，該方法基于人類視覺專注模型，提出了從圖像局部到圖像全局的自下從上的圖像檢索方法；M.Zand等[13]提出了一種紋理分類區(qū)別的區(qū)域圖像檢索方法，該方法將Gabor小波和曲波應(yīng)用到經(jīng)過轉(zhuǎn)換得到的規(guī)則形狀圖像區(qū)域中，然后應(yīng)用擬合方法來編碼創(chuàng)建能反映圖像最大紋理區(qū)別的特征；E.Walia等[14]通過結(jié)合所有低層特征，提出了一種新穎、快速、高效的混合框架來進(jìn)行彩色圖像檢索，通過顏色矩、角徑向變換描述和邊緣直方圖描述分別得到圖像的顏色、形狀和紋理信息。但以上這些方法都是從邏輯思維的角度解決圖像檢索的問題，而且大部分基于圖像細(xì)節(jié)來進(jìn)行圖像檢索。然而人們認(rèn)知圖像時(shí)，往往不需要得到很細(xì)致的圖像細(xì)節(jié)就能判斷出圖像屬于哪一類，因此圖像檢索是一個(gè)形象思維的問題。那么用邏輯思維的定理、推論等手段的邏輯思維方法，很難反映圖像檢索認(rèn)知過程的本質(zhì)性，而形象思維是人的一種本質(zhì)思維方式[15]，通過人本身的感官來認(rèn)識(shí)圖像信息。因此根據(jù)人形象思維對(duì)圖像檢索的認(rèn)知，王守覺院士等[1]提出的一種基于仿生形象思維方法的圖像檢索算法，結(jié)合了高維仿生信息技術(shù)的幾何分析方法來提取圖像特征。此算法與圖像分割算法、圖像自動(dòng)語義索引系統(tǒng)(automatic linguistic indexing of pictures, ALIP)和HSV空間顏色距離算法比較在檢索效率和檢索速度上都具有優(yōu)越性[1]，但是和人認(rèn)知圖像還是有一定距離的。本文在此基礎(chǔ)上，根據(jù)圖像顏色復(fù)雜度來提取圖像特征，對(duì)此算法做進(jìn)一步研究，并且和其他傳統(tǒng)基于顏色圖像檢索算法進(jìn)行比較。實(shí)驗(yàn)表明在顏色空間統(tǒng)計(jì)顏色復(fù)雜度來提取圖像特征，其檢索圖像的效果優(yōu)于其他基于顏色圖像檢索算法。

1圖像檢索算法原理

文獻(xiàn)[1]十分詳細(xì)地介紹了基于仿生形象思維方法的圖像檢索算法原理，本文在此做簡(jiǎn)單的介紹。其理論基礎(chǔ)就是基于人們對(duì)圖像視覺反應(yīng)的以下幾個(gè)特點(diǎn)發(fā)展得到的[1]：

1)人們?cè)趯?duì)圖像種類進(jìn)行辨識(shí)的時(shí)候，并不需要看清楚圖像的細(xì)節(jié)就能分清楚圖像是風(fēng)景照還是人物照等，可見對(duì)圖像的宏觀分類，重點(diǎn)在圖像的大粒度信息。

2)如果把一幅圖像分塊，比如一幅風(fēng)景圖像，將圖像上的山、水、房屋、樹木等細(xì)節(jié)進(jìn)行分塊，但是如果把它們?cè)谒椒较蚧ハ嗾{(diào)換位置，人們還是一樣能辨識(shí)這幅圖像屬于風(fēng)景類。由此提出圖像分塊參數(shù)排序的位置不變性概念，稱為分塊參數(shù)排序解決位置不變性方法(order-based block features method， OBFM)。

3)當(dāng)人們?cè)诤暧^觀看一張圖像時(shí)，如果把它從反面看，則變化的感覺和反過面來旋轉(zhuǎn)軸的方向有關(guān)，旋轉(zhuǎn)軸為橫向和縱向的效果是不對(duì)稱的。

根據(jù)人們對(duì)圖像視覺的以上3個(gè)特點(diǎn)，基于高維仿生信息技術(shù)[16-19]，文獻(xiàn)[1]提出一種新的圖像檢索算法，其算法的主要步驟如下：

1) 圖像分塊

一個(gè)m×n的原圖像數(shù)組的矩陣形式為

在高維仿生信息技術(shù)中即為m×n維空間中的一個(gè)點(diǎn)，用數(shù)學(xué)符號(hào)A(m×n)來表示。

將原圖像分塊，成M×N個(gè)子塊，則圖像子塊形式為

又有，

即每一圖像子塊在高維仿生信息技術(shù)中即為h×k維空間中的一個(gè)點(diǎn)，故原圖像轉(zhuǎn)化為h×k維空間中的M×N個(gè)點(diǎn)，表示為Bi(h×k)(i=1,2,…,M×N)。

2)子塊的特征提取

對(duì)h×k維空間中的點(diǎn)Bi(h×k)(i=1,2,…,M×N),用形象思維方法和高維空間幾何分析方法[20]進(jìn)行幾何映射即特征提取，找到一個(gè)維數(shù)為u的特征空間記為Ru=p1,p2,…，pM×N,使得u維特征空間中的p1,p2,…,pM×N能與原圖像信息融合，u<(h×k)。

3)特征空間點(diǎn)排序

把u維特征空間中的p1,p2,…,pM×N各點(diǎn)在水平方向，每一維特征按照特定規(guī)則排序。得到了u維特征空間中新的點(diǎn)序列q1,q2,…,qM×N。

4)將此序列按照水平到垂直的順序合成v字節(jié)的特征數(shù)據(jù)，至此完成了對(duì)一幅圖像的特征提取。

5)圖像匹配

每幅圖像都轉(zhuǎn)化成高維空間中維數(shù)為v的一個(gè)點(diǎn)。那么利用高維形象幾何方法，判別樣本圖像和圖像庫(kù)中圖像之間距離就是分析v維特征空間中的點(diǎn)與點(diǎn)的關(guān)系。本文并不是簡(jiǎn)單的計(jì)算v維特征空間中點(diǎn)與點(diǎn)之間的歐式距離來作為判別的依據(jù)，而是用函數(shù)θ來計(jì)算樣本圖像與圖像庫(kù)中每一幅圖像的相似距離。因而圖像類似判別函數(shù)為

(1)

式中：1)Q1、Q2為樣本圖像和要判別的圖像的v維特征向量。

2)S為閾值，可根據(jù)實(shí)驗(yàn)設(shè)定：

T=1時(shí)樣本圖像和要判別的圖像為類似圖像，反之則不是。

3)函數(shù)θ的計(jì)算公式為

2一種新的圖像子塊特征提取方法

文獻(xiàn)[1]中對(duì)圖像子塊特征提取主要分析的是像素點(diǎn)與周圍相鄰像素點(diǎn)色度與亮度的復(fù)雜度，僅提取了圖像在微觀上的特征，沒有分析圖像子塊各顏色分量的統(tǒng)計(jì)信息，即宏觀上的特征。本文在文獻(xiàn)[1]的基礎(chǔ)上，對(duì)圖像子塊的顏色矩進(jìn)行統(tǒng)計(jì)來提取圖像宏觀的顏色特征，對(duì)文獻(xiàn)[1]基于仿生形象思維方法的圖像檢索算法做進(jìn)一步研究與改進(jìn)。

顏色特征是最常用的底層特征，它給人以最直觀的視覺感受，是能最直接地描述物體或圖像內(nèi)容的視覺特征。顏色特征通常對(duì)噪聲、尺寸的縮放、旋轉(zhuǎn)等具有很強(qiáng)的魯棒性。因此基于顏色特征的圖像檢索技術(shù)也是目前為止較成熟、應(yīng)用最廣泛的一種CBIR技術(shù)[20]。顏色特征的描述方法主要有顏色直方圖、累加直方圖、其他各種變形的顏色直方圖、顏色矩和顏色聚合向量等。顏色直方圖是圖像檢索系統(tǒng)應(yīng)用最為廣泛的顏色特征，然而理論分析和實(shí)驗(yàn)結(jié)果表明，其存在丟失顏色空間分布信息，特征維數(shù)過高等問題[21-22]。本文首先選取顏色矩作為顏色特征的描述方法。

顏色矩是Stricker和Orengo提出的一種簡(jiǎn)單而有效的顏色特征，這種方法的數(shù)學(xué)基礎(chǔ)是圖像中任何的顏色分布均可以用它的矩來表示[23]。同時(shí)，由于顏色分布信息主要集中在低階矩中，因此僅采用顏色的一階矩(均值，Mean)和二階矩(方差，Variance)就可以表達(dá)圖像的顏色分布。與顏色直方圖相比，該方法的一大顯著優(yōu)點(diǎn)就是無須對(duì)提取出來的特征進(jìn)行量化，是一種簡(jiǎn)單有效的顏色特征提取方法。

顏色的2個(gè)低階矩在數(shù)學(xué)上的表達(dá)如下：

式中：pi,j表示的是圖像中第j像素的第i個(gè)顏色分量。

本文選擇最簡(jiǎn)單的RGB顏色空間，對(duì)于RGB顏色空間一共就6個(gè)值。相對(duì)于其他顏色特征而言，采用顏色矩表示顏色特征是一個(gè)非常緊湊的表示方法。

和文獻(xiàn)[1]一樣，分析各子塊像素點(diǎn)與其周圍相鄰8個(gè)像素點(diǎn)之間的顏色差異復(fù)雜度，這樣從宏觀到微觀都提取出圖像的顏色特征，然后按照一定的順序排序得到圖像最后的顏色特征。

3試驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)同樣使用COREL圖像數(shù)據(jù)庫(kù)約900幅彩色圖像，包恐龍、汽車、風(fēng)景圖、大象、房屋、花等10類。方便和傳統(tǒng)的基于顏色特征算法和文獻(xiàn)[1]中算法進(jìn)行比較。首先分析圖像分塊時(shí)，縱橫方向不同的子塊數(shù)量對(duì)應(yīng)的檢索查準(zhǔn)率，結(jié)果如表1。

表1　不同子塊數(shù)量檢索結(jié)果查準(zhǔn)率比較

如表1所示，發(fā)現(xiàn)檢索準(zhǔn)差率最高的大部分都在縱方向和橫方向都分成8塊中，所以用縱橫分塊8×8和其他的基于顏色的傳統(tǒng)方法做比較。試驗(yàn)結(jié)果如表2。

表2各種算法檢索結(jié)果查準(zhǔn)率比較

Table 2The comparison of the retrieval results with different method%

類型HSV空間顏色距離RGB空間顏色距離文獻(xiàn)[1]方法本文算法馬79.7537.975673.42大象41.6742.864870.24花78.0241.767584.62食物22.2233.334268.25風(fēng)景圖46.884.693654.69恐龍10095.9690100汽車21.6538.145067.01人22.4530.614073.47房屋15.7121.435242.86大海50.6311.393253.16平均值47.9035.8152.168.77

如表2所示，本文算法在馬、花、恐龍圖像類上提高不大，主要是因?yàn)椋@3類圖都是背景簡(jiǎn)單主體非常明顯的圖，這類圖片用統(tǒng)計(jì)顏色直方圖的方法，由于其空間分布信息丟失影響不大，所以效果不錯(cuò)。但是在對(duì)一些圖片背景復(fù)雜，主體多元的情況下，由于空間分布信息丟失比較大，那么統(tǒng)計(jì)顏色直方圖的算法效果就不好，而本文算法在這類圖片上檢索效果優(yōu)于基于顏色直方圖統(tǒng)計(jì)的算法。由此可見，基于形象思維圖像檢索算法在處理一些復(fù)雜圖片檢索問題時(shí)是有效且可行的，其提取圖像特征的算法并沒有損失圖像空間分布信息，而恰恰利用圖像顏色分布空間信息，且從宏觀到微觀上提取圖像顏色特征。

4結(jié)束語

由上面試驗(yàn)結(jié)果可見，在顏色空間統(tǒng)計(jì)各顏色復(fù)雜度來提取圖像特征，利用仿生形象思維方法來檢索圖像的效果優(yōu)于其他算法。仿生形象思維方法的圖像檢索更接近人類搜索圖像信息的本質(zhì)特征，使得檢索結(jié)果有很好地提高。而顏色是最直接地描述圖像內(nèi)容的視覺特征，提取顏色特征更能與圖像信息融合。所以通過提取圖像顏色空間特征，利用仿生形象思維方法的圖像檢索技術(shù)在圖像檢索領(lǐng)域是可行且有效的。為了進(jìn)一步提高本文算法的檢索查準(zhǔn)率，后期將深入開展將仿生形象思維方法結(jié)合顏色、紋理、形狀等信息來對(duì)圖像進(jìn)行更準(zhǔn)確檢索的研究，同時(shí)要研究在保證查準(zhǔn)率的同時(shí)，如何提高算法的檢索速度。

參考文獻(xiàn):

[1]王守覺, 孫華. 基于仿生形象思維方法的圖像檢索算法[J]. 電子學(xué)報(bào), 2010, 38(5): 993-997.

WANG Shoujue, SUN Hua. An image retrieval algorithm based on biomimetic imaginal thinking[J]. Acta Electronica Sinica, 2010, 38(5): 993-997.

[2]DATTA R, LI J, WANG J Z. Content-based image retrieval—approaches and trends of the new age[C]//Proceedings of the Seventh International Workshop on Multimedia Information Retrieval. Singapore, 2005: 253-262.

[3]黃祥林, 沈蘭蓀. 基于內(nèi)容的圖像檢索技術(shù)研究[J]. 電子學(xué)報(bào), 2002, 30(7): 1065-1071.

HUANG Xianglin, SHEN Lansun. Research on content-based image retrieval techniques[J]. Acta Electronica Sinica, 2002, 30(7): 1065-1071.

[4]VELTKAMP R C, TANASE M. Content-based image retrieval systems: a survey,UU-CS-2000-34[R]. Department of Computer Science, Utrech University, 2002.

[5]陳晨. 基于顏色直方圖的圖像檢索[J]. 哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào), 2014, 30(2): 31-35.

CHEN Chen. Image retrieval based oil color histogram[J]. Natural Sciences Journal of Harbin Normal University, 2014, 30(2): 31-35.

[6]梁美麗, 牛之賢. 改進(jìn)的綜合顏色紋理特征圖像檢索[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2014, 31(6): 228-231.

LIANG Meili, NIU Zhixian. Improved image retrieval with integrated colour and texture features[J]. Computer Applications and Software, 2014, 31(6): 228-231.

[7]宋衛(wèi)華. 基于底層紋理特征的圖像檢索[J]. 長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào): 自然科學(xué)版, 2014, 35(2): 135-138.

SONG Weihua. Image retrieval based on low-level texture features[J]. Journal of Changchun University of Technology: Natural Science Edition, 2014, 35(2): 135-138.

[8]黃祥林, 沈蘭蓀. 基于內(nèi)容的圖像檢索技術(shù)研究[J]. 電子學(xué)報(bào)， 2002, 30(7): 1065-1071.

HUANG Xianglin, SHEN Lansun. Research on content-based image retrieval techniques[J]. Acta Electronica Sinica, 2002, 30(7): 1065-1071.

[9]曹建芳，陳俊杰，趙青杉. 基于多語義特征融合的圖像檢索[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2014， 24(5)： 134-138.

CAO Jianfang, CHEN Junjie, ZHAO Qingshan. Image retrieval based on various semantic feature fusion[J]. Conputer Technology and Development, 2014, 24(5): 134-138.

[10]莊凌，莊越挺，吳江琴, 等. 一種基于稀疏典型性相關(guān)分析的圖像檢索方法[J]. 軟件學(xué)報(bào)，2012，23(5)： 1295-1304.

ZHUANG Ling, ZHUANG Yueting, WU Jiangqin, et al. Image retrieval approach based on sparse canonical correlation analysis[J]. Journal of Software, 2012, 23(5): 1295-1304.

[11]XIE H, ZHANG Y. Contextual query expansion for image retrieval[J]. IEEE Transactions on Multimedia, 2014, 16(4): 1104-1114.

[12]PAPUSHOY A , BORS A G. Image retrieval based on query by saliency content[J]. Digital Signal Processing, 2015, 36: 156-173.

[13]ZAND M, DORAISAMY S. Texture classification and discrimination for region-based image retrieval[J]. Journal of Visual Communication and Image Representation, 2015, 26: 305-316.

[14]WALIA E, VESAL S. An effective and fast hybrid framework for color image retrieval[J]. Sensing and Imaging, 2014, 15(1): 93-115.

[15]GUPTA A, JAIN R. Visual information retrieval[J]. Communications of the ACM, 1997, 40(5): 71-79.

[16]王守覺, 來疆亮. 多維空間仿生信息學(xué)入門[M]. 北京：國(guó)防工業(yè)出版社, 2008： 1.

[17]王守覺. 仿生模式識(shí)別(拓?fù)淠Ｊ阶R(shí)別)——一種模式識(shí)別新模型的理論與應(yīng)用[J].電子學(xué)報(bào), 2002, 30(10): 1417-1420.

WANG Shoujue. Bionic (topological) pattern recognition— a new model of pattern recognition theory and its applications[J]. Acta Electronica Sinica, 2002, 30(10): 1417-1420.

[18]王守覺, 王柏南. 人工神經(jīng)網(wǎng)絡(luò)的多維空間幾何及其理論[J]. 電子學(xué)報(bào), 2002, 30(1): 1-4.

WANG Shoujue, WANG Bainan. Analysis and theory of high dimensional space geometry for artificial neural networks[J]. Acta Electronica Sinica, 2002, 30(1): 1-4.

[19]WANG Shoujue, LAI Jiangliang. High dimensional imagery geometry and its applications[J]. Chinese Journal of Electronics, 2006, 15(4): 761-767.

[20]李志欣, 施智平. 圖像檢索中語義映射方法綜述[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2008, 20(8): 1085-1096.

LI Zhixin, SHI Zhiping. A survey of semantic mapping in image retrieval[J]. Journal of Computer-Aided Design and Computer Graphics, 2008, 20(8): 1085-1096.

[21]DATTA R, LI Jia, WANG J Z. Content-based image retrieval-approaches and trends of the new age[C]//Proceedings of the 7th International Workshop on Multimedia Information Retrieval. Singapore, 2005: 253-262.

[22]于永健, 王向陽, 吳俊峰. 基于顏色復(fù)雜度的加權(quán)顏色直方圖圖像檢索算法[J]. 小型微型計(jì)算機(jī)系統(tǒng)，2009, 30(3): 507-511.

YU Yongjian, WANG Xiangyang, WU Junfeng. Weighted histogram color image retrieval based on color complexity measure[J]. Journal of Chinese Computer Systems, 2009, 30(3): 507-511.

[23]成琳, 陳俊杰, 相潔. 圖像顏色特征提取技術(shù)的研究與應(yīng)用[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2009, 30(14): 3451-3454.

CHENG Lin, CHEN Junjie, XIANG Jie. Research and application of image color feature extraction technology[J]. Computer Engineering and Design, 2009, 30(14): 3451-3454.

陳陽，女，1984年生，博士，博士后，主要研究方向?yàn)槟Ｊ阶R(shí)別、云計(jì)算、大數(shù)據(jù)等。

董肖莉，女，1985年生，助理研究員，主要研究方向?yàn)閳D像處理、模式識(shí)別及智能信息處理。

李衛(wèi)軍，男，1975年生，博士，研究員，主要研究方向?yàn)榉律鷪D像處理技術(shù)、仿生模式識(shí)別理論與方法、近紅外光譜定性分析技術(shù)、高維信息計(jì)算。目前，已在國(guó)內(nèi)外刊物、重要會(huì)議上發(fā)表學(xué)術(shù)論文30余篇。

第15屆中國(guó)機(jī)器學(xué)習(xí)會(huì)議

The 15th China Conference on Machine Learning

第15屆中國(guó)機(jī)器學(xué)習(xí)會(huì)議(CCML2015)由中國(guó)人工智能學(xué)會(huì)和中國(guó)計(jì)算機(jī)學(xué)會(huì)聯(lián)合主辦，中國(guó)人工智能學(xué)會(huì)機(jī)器學(xué)習(xí)專業(yè)委員會(huì)和中國(guó)計(jì)算機(jī)學(xué)會(huì)人工智能與模式識(shí)別專業(yè)委員會(huì)協(xié)辦，西南交通大學(xué)、四川大學(xué)承辦，電子科技大學(xué)、西華大學(xué)、樂山師范學(xué)院聯(lián)合承辦。該系列會(huì)議每?jī)赡昱e行一次，現(xiàn)已成為國(guó)內(nèi)機(jī)器學(xué)習(xí)界最主要的學(xué)術(shù)活動(dòng)。此次會(huì)議將為機(jī)器學(xué)習(xí)及相關(guān)研究領(lǐng)域的學(xué)者交流最新研究成果、進(jìn)行廣泛的學(xué)術(shù)討論提供便利，并且將邀請(qǐng)國(guó)內(nèi)機(jī)器學(xué)習(xí)領(lǐng)域的著名學(xué)者做精彩報(bào)告。

Web site：http://sist.swjtu.edu.cn/ccml2015/

征稿范圍(征求但不限于如下主題)：

機(jī)器學(xué)習(xí)的新理論、新技術(shù)與新應(yīng)用

人類學(xué)習(xí)的計(jì)算模型

計(jì)算學(xué)習(xí)理論

監(jiān)督學(xué)習(xí)

非監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)

強(qiáng)化學(xué)習(xí)

多示例學(xué)習(xí)

神經(jīng)網(wǎng)絡(luò)

集成學(xué)習(xí)

多任務(wù)學(xué)習(xí)

特征選擇

流形學(xué)習(xí)與降維

信息檢索

生物特征識(shí)別

生物信息學(xué)

距離度量學(xué)習(xí)

基于案例的推理

增量學(xué)習(xí)與在線學(xué)習(xí)

對(duì)復(fù)雜結(jié)構(gòu)數(shù)據(jù)的學(xué)習(xí)

增強(qiáng)學(xué)習(xí)系統(tǒng)可理解性

數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)

聚類

異常檢測(cè)

演化學(xué)習(xí)

符號(hào)學(xué)習(xí)

多Agent 學(xué)習(xí)

機(jī)器學(xué)習(xí)應(yīng)用

主動(dòng)學(xué)習(xí)

多標(biāo)記學(xué)習(xí)

模式識(shí)別

大數(shù)據(jù)學(xué)習(xí)