[发明专利]基于距离变换的最近邻图潜在相似性优化方法

说明书

本发明公开了一种基于距离变换的最近邻图潜在相似性优化方法。本发明步骤如下：步骤1：构造最近邻图结构及其谱空间；步骤2：在谱空间的基础上，通过函数分析和推导，构造新的相似性距离函数表达，即距离变换；步骤3：构造全局最近邻域图并将其用于距离变换；步骤4：构造基于一致性惩罚信息ρ的局部最近领域图并将其用于距离变换；步骤5：采用公开数据，分别构造gKNN图和lKNN图，然后利用所提出的距离变换方法优化图结构，输出最终结果。本发明通过使用gKNN图来展开隐藏在数据库中的潜在相似性信息的常见问题。进一步结合惩罚共识信息以构建lKNN图。证实了本方法的鲁棒性和高性能，也证明了PCI信息的优越性。

技术领域

本发明是关于检索数据的领域，数据集内部所蕴含的流型结构对提升视觉检索结果的性能非常有帮助，所以提出了一种基于距离变换的最近邻图潜在相似性优化方法。

背景技术

目前可用的大量多媒体数据对检索系统提出了有趣的挑战。随着对象描述符的发展，检索性能在2D和3D领域都得到了很大改善。但是，目前大多数研究结果仍不令人满意，如何改进是一个热点问题。近年来，针对数据集的潜在结构进行了大量的研究，以提高检索效率。这种技术的基本思想是为给定的查询输入提供一个理想的环境(即数据库)来执行检索。事实上，数据库中的对象(图像/3D图形)通常被表示为特征，它们的相似性通常用欧几里得距离来度量。然而，由于错误特性或不恰当的距离，数据库对象之间的许多相似关系都是不正确的。现在，通过改变特性和尝试不同的距离标准来解决问题仍然相当困难。

近年来，利用扩散方法进行亲和学习在提高数据库对象之间的亲和性方面取得了较好的效果，其中利用K-最近邻域(KNN)图对迭代随机游动方法进行了广泛的研究。Yang等人提出使用约束图来扩展相似性。J.Jiang引入了一种自平滑(SSO)算子来改进给定的相似性结果。B.Wang和Z.Tu通过自扩散(SD)扩展了图像分割和聚类的方法。Yang等人为了获得亲和力扩散的良好邻域利用张量积图来合并高阶关系。最新的工作详细介绍了用于检索重访的迭代扩散过程。但是，这种方法受到全局KNN(gKNN)控制的拓扑变化的影响，这限制了它的实际应用。与此同时，Premachandran等人提出通过引入共识信息(CI)来为每个邻域指定不同的K，我们将这种邻域称为“local KNN”，表示为lKNN。

发明内容

本发明的目的在于针对现有技术的不足，提供了一种基于距离变换的最近邻图潜在相似性优化方法。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：构造最近邻图结构及其谱空间；

步骤2：基于谱空间内蕴变换得到新的距离变换，即通过函数分析和推导，构造新的相似性距离函数表达；

步骤3：构造全局最近邻域(gKNN)图并将其用于距离变换；

步骤4：构造基于一致性惩罚信息ρ的局部最近领域(lKNN)图并将其用于距离变换；

步骤5：采用公开数据，分别构造gKNN图和lKNN图，然后利用所提出的距离变换方法优化图结构，输出最终结果。

步骤1构造基本的最近邻图及其谱空间的具体步骤如下：

1-1.构造KNN图。给定包含n个对象的数据集提取每个对象o_i的特征ζ(o_i)；通过比较任意两个对象之间的特征ζ(o_i)和ζ(o_j)，生成距离矩阵DM：

d(i，j)＝||ζ(o_i)-ζ(o_j)||_m

其中，参数解释d(i，j)是两个类间的距离；