摘要
提出了一种基于非负矩阵分解(Non-negative Matrix Factorization,NMF)的隐含语义索引(Latent Semantic Indexing,LSI)模型用于图像检索.应用NMF训练算法构造了一个语义空间,将查询图像和原型图像都投影到该空间以获得语义特征,在此空间中进行相似性的度量并将距离最近的图像返回给用户.与已有两种检索模型的实验结果对比表明,所提出模型是有效的.
A non-negative matrix factorization （NMF） based latent semantic indexing （LSI） model was introduced for image retrieval. Firstly, a semantic space is constructed using NMF-training algorithm. Then the hidden semantic features of the query image are extracted with NMF-testing algorithm. At last, ranking the query in this new semantic space and return some images to the user. The experiments show that the model provides better results than SVD-based LSI model and the one without LSI model.
出处
《上海交通大学学报》
EI
CAS
CSCD
北大核心
2006年第5期787-790,共4页
Journal of Shanghai Jiaotong University
基金
上海市科技攻关项目(03DZ19320)
关键词
图像检索
隐含语义索引
非负矩阵分解
奇异值分解
语义空间
image retrieval
latent semantic indexing （LSI）
non-negative matrix factorization （NMF）
singular value decomposition （SVD）
semantic space
