63、基于内容的图像检索与PLS - SEM在信息系统研究中的应用

原创于 2025-07-20 11:43:09 发布 · 236 阅读

0 GEO检测

智能系统与计算的前沿进展专栏收录该内容

66 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

基于内容的图像检索与PLS - SEM在信息系统研究中的应用

1. 基于内容的图像检索（CBIR）

在基于内容的图像检索（CBIR）系统中，低层次图像特征提取是核心。图像特征主要分为两类：
- 全局特征 ：如颜色、纹理、形状和空间位置，是CBIR中常用的提取特征。
- 局部特征 ：用于描述图像中有趣的部分，如区域、对象或边缘，例如SIFT和SURF。

由于图像特征向量存在维度灾难问题，降维和索引成为挑战性任务。常用的降维技术有主成分分析（PCA）和独立成分分析（ICA），但它们对原始数据的缩放敏感。常用的索引方法有：
- 基于树的方法 ：对数据空间进行分区后可处理不同形状的数据。
- 基于哈希的技术 ：对数据独立和数据相关的哈希都具有灵活性。

相似性测量用于确定查询图像与数据库中每个图像的接近程度，常用的测量方法有曼哈顿距离（对高维数据中的噪声不变）和欧几里得距离（允许归一化和加权向量）。

2. Lucene图像检索系统（LIRe）

LIRe是用于CBIR的开源Java库，其主要组件包括：
- 爬虫：从Flickr数据集抓取随机n张图像并保存到本地目录。
- 分析器 ：一次仅提取一个图像特征，如局部边缘直方图。
- 索引器 ：根据提取的图像特征构建基于Lucene的索引。
- 搜索器 ：获取查询图像，计算其与索引中图像的相似度，并显示最相关的k张图像（k < n）。

对LIRe系统进行了两项修改：
- 爬虫修改 ：从ImageNet的同义词集抓取n张随机图像，给定同义词集ID和n。
- 索引器扩展 ：增加了三种图像特征，分别是所有边缘直方图、所有边缘直方图 + CLD、所有边缘直方图 + FCTH。

3. 图像描述符

视觉图像描述符或图像低层次特征描述图像的基本特征，如形状、颜色、纹理、边缘或空间位置。常用直方图来表示图像的全局特征，因为它对图像的平移和旋转不变。

3.1 边缘直方图描述符（EHD）

图像边缘是重要的低层次特征，用于描述形状和纹理。EHD描述图像中的5种边缘类型：水平、垂直、45°和135°对角线以及无方向边缘。将图像空间划分为16个（4 × 4）不重叠的子图像，每个子图像生成一个5个边缘箱的直方图，整个图像共80个箱。为了更好地描述图像和提高检索准确性，还使用了全局和半全局边缘分布，组合后得到150个箱的边缘直方图。两个组合边缘直方图之间的距离计算公式为：
[
D_{Edge}(A, B) = \sum_{i = 0}^{79} |L_A[i] - L_B[i]| + 5\sum_{i = 0}^{4} |G_A[i] - G_B[i]| + \sum_{i = 0}^{64} |S_A[i] - S_B[i]|
]

3.2 颜色布局描述符（CLD）

颜色是图像中最重要的特征之一，CLD是一种紧凑的描述符，由代表性颜色组成。通过以下3个步骤生成：
1. 提取3个84箱的颜色向量。
2. 对这些向量进行离散余弦变换（DCT）。
3. 应用之字形扫描。

两个图像使用CLD的距离计算公式为：
[
D_{CLD}(A, B) = \sqrt{\sum_{i = 0}^{63} (Y_A[i] - Y_B[i])^2} + \sqrt{\sum_{i = 0}^{63} (Cb_A[i] - Cb_B[i])^2} + \sqrt{\sum_{i = 0}^{63} (Cr_A[i] - Cr_B[i])^2}
]

CLD可与其他特征结合以提高检索准确性，如与组合边缘直方图结合时，相似度计算公式为：
[
D(A, B) = D_{Edge}(A, B) + D_{CLD}(A, B)
]

3.3 模糊颜色纹理直方图（FCTH）

FCTH本质上是颜色和纹理的组合，用192箱直方图表示图像。两个图像之间的距离由Tanimoto系数计算：
[
D_{FCTH}(A, B) = \frac{A^T B}{A^T A + B^T B + A^T B}
]

FCTH可与颜色和边缘方向性描述符（CEDD）结合以提高检索准确性。在本文中，FCTH与组合边缘直方图结合，距离计算公式为：
[
D(A, B) = D_{Edge}(A, B) + D_{FCTH}(A, B)
]

4. 实验评估

实验使用的数据集来自ImageNet的四个不同同义词集，具体信息如下表所示：
| Synset Id | #Images | Sample |
| ---- | ---- | ---- |
| n00015388 | 400 | 动物、植物群、行星生命 |
| n00017222 | 400 | 行星植物群、行星生命 |
| n01621127 | 100 | 猫头鹰 |
| n02503517 | 100 | 大象 |

实验包括13个不同的查询，每个查询针对6种算法进行测试，分别是单特征算法（CLD、EHD、FCTH）和组合特征算法（所有边缘直方图、所有边缘直方图 + CLD、所有边缘直方图 + FCTH）。由10名用户评估结果，结果以精度（Pr）、召回率（R）、F - 测量和平均平均精度（mAP）表示。

实验结果表明，组合特征在图像检索中优于单特征。但单特征算法存在固定直方图箱可能不适合所有图像类型，且单一低层次特征不足以满足人类检索需求的问题；组合特征算法采用等权重实现，未考虑每个描述符的不同权重。

5. PLS - SEM在信息系统研究中的应用

结构方程建模（SEM）有基于协方差的SEM（CB - SEM）和偏最小二乘结构方程建模（PLS - SEM）两种类型。PLS - SEM已成为验证各学科概念模型的关键方法，特别是在信息系统（IS）领域。

PLS - SEM有两个主要组件：
- 测量模型 ：测量潜在结构（变量或因素）与其相关指标（项目或测量）之间的关系。
- 结构模型 ：测量结构本身之间的关系。

以往的研究主要集中在提供如何使用PLS - SEM的指南，包括反射性和形成性测量、测量和结构模型以及分析特定概念模型的步骤。但在评估测量和结构模型之前，还有几个步骤和程序需要考虑。

下面是研究方法的流程图：

graph LR
    A[研究设计] --> B[数据收集]
    B --> C[测量模型评估]
    C --> D[结构模型评估]
    D --> E[结果解释]

综上所述，在图像检索中，组合特征的使用可能会带来更好的结果，但仍存在语义差距问题；在信息系统研究中，PLS - SEM是重要的方法，但需要综合考虑评估前的步骤和程序。未来在图像检索中可考虑引入人工智能技术，如在检索前对图像数据集进行聚类，以缩小语义差距；在信息系统研究中，进一步完善PLS - SEM的应用流程，提高研究的准确性和可靠性。

基于内容的图像检索与PLS - SEM在信息系统研究中的应用

6. 图像检索实验结果分析

实验结果通过精度（Pr）、召回率（R）、F - 测量和平均平均精度（mAP）来衡量，以下是对这些结果的详细分析。

6.1 精度（Pr）分析

不同查询和算法的精度结果如下表所示：
| 查询编号 | CLD | EHD | FCTH | 所有边缘直方图 | 所有边缘直方图 + CLD | 所有边缘直方图 + FCTH |
| ---- | ---- | ---- | ---- | ---- | ---- | ---- |
| 1 | | | | | | |
| 2 | | | | | | |
| … | … | … | … | … | … | … |
| 13 | | | | | | |

从精度结果来看，部分查询中颜色特征（如CLD或所有边缘直方图 + CLD）表现出色，例如查询1、4和7，因为存在许多颜色匹配且有重复的图像。FCTH排名第二，因为它同时考虑了纹理。而在某些查询（如查询2和8）中，由于下载的同义词集中相关图像数量不足，所有算法的精度都达到最小值。

6.2 召回率（R）分析

召回率结果同样反映了各算法的性能，不同查询和算法的召回率情况如下表：
| 查询编号 | CLD | EHD | FCTH | 所有边缘直方图 | 所有边缘直方图 + CLD | 所有边缘直方图 + FCTH |
| ---- | ---- | ---- | ---- | ---- | ---- | ---- |
| 1 | | | | | | |
| 2 | | | | | | |
| … | … | … | … | … | … | … |
| 13 | | | | | | |

召回率的变化趋势与精度有一定关联，但也存在差异。组合特征算法在整体上表现出更好的召回能力，说明它们能够更全面地检索到相关图像。

6.3 F - 测量和平均平均精度（mAP）分析

F - 测量综合考虑了精度和召回率，平均平均精度（mAP）则是对所有查询的平均精度的衡量。从结果来看，使用多个特征（如组合边缘）的算法在mAP上超过了局部边缘直方图。边缘 + 颜色布局组合超过了单独的颜色布局和局部边缘特征。然而，边缘和FCTH的组合虽然超过了局部边缘直方图，但在某些方面不如FCTH单独使用。

7. PLS - SEM在信息系统研究中的具体步骤

在信息系统研究中应用PLS - SEM，需要遵循以下具体步骤：

7.1 研究设计

确定研究问题 ：明确研究想要解决的问题，例如探究信息系统使用的影响因素。
构建概念模型 ：根据研究问题，确定潜在结构（变量）及其关系，构建概念模型。

7.2 数据收集

设计问卷 ：根据概念模型中的潜在结构和指标，设计问卷以收集数据。
选择样本 ：确定合适的样本群体，并进行数据收集。

7.3 测量模型评估

信度分析 ：检查指标的可靠性，常用的方法有Cronbach’s alpha系数等。
效度分析 ：包括收敛效度和区分效度，确保指标能够准确测量潜在结构。

7.4 结构模型评估

路径系数分析 ：分析潜在结构之间的关系强度和显著性。
模型拟合度评估 ：评估模型与数据的拟合程度。

7.5 结果解释

解释路径系数 ：根据路径系数的正负和大小，解释潜在结构之间的关系。
得出研究结论 ：根据分析结果，得出关于研究问题的结论。

下面是PLS - SEM应用步骤的详细流程图：

graph LR
    A[确定研究问题] --> B[构建概念模型]
    B --> C[设计问卷]
    C --> D[选择样本]
    D --> E[数据收集]
    E --> F[信度分析]
    F --> G[效度分析]
    G --> H[路径系数分析]
    H --> I[模型拟合度评估]
    I --> J[解释路径系数]
    J --> K[得出研究结论]

8. 总结与展望

在图像检索领域，通过对单特征和组合特征的实验比较，发现组合特征在精度、召回率等指标上表现更优，但仍存在语义差距问题。单特征算法的固定直方图箱和单一低层次特征的局限性，以及组合特征算法的等权重实现方式，都需要进一步改进。未来可以引入人工智能技术，如在检索前对图像数据集进行聚类，将搜索范围缩小到特定聚类，有望提高检索的准确性和效率。

在信息系统研究中，PLS - SEM是一种重要的方法，但在应用过程中需要全面考虑评估前的步骤和程序。通过遵循详细的应用步骤，能够更准确地验证概念模型，提高研究的可靠性。未来可以进一步完善PLS - SEM的应用流程，结合更多的统计方法和技术，以适应不断变化的研究需求。

总之，图像检索和信息系统研究都在不断发展，通过不断探索和改进方法，有望取得更好的研究成果，为相关领域的发展提供有力支持。

标签