文摘

人工智能技术的迅速发展,计算机视觉科学也获得新的机会。人工智能是计算机视觉的基础和大量应用,图像匹配技术已经收到世界各地的研究人员和企业的广泛关注。然而,在网页设计中,研究图像匹配系统不够成熟,导致一系列问题,网页设计不够美丽,和数据不符合设计主题。因此,深入研究当前的趋势的结构自动匹配推荐系统网页形象包装设计。本文的目的是使用约束聚类算法来研究如何构建一个自动匹配推荐系统网页形象包装设计。本文首先给出了一般介绍的分类约束聚类算法。然后,冲浪的运行机制和模型建立特征描述算子,筛选特征描述算子和ORB功能详细描述符描述。然后,通过实验,web页面图像的匹配精度匹配系统基于约束聚类算法和参数变化的影响与其他算法进行比较。最后,比较实验是进行图像匹配效果的三个特征描述符。匹配速度、噪声敏感性,和旋转类型分别介绍了实验。 By constructing the web page image packaging design of the constrained clustering algorithm to automatically match the algorithm model of the recommender system and experimenting with the model, the advantages of the constrained clustering algorithm in the model construction are proved. The experimental results show that the constrained clustering algorithm has higher image matching efficiency and matching accuracy, and the accuracy of image feature extraction is better than other algorithms. However, when the network structure division attribution threshold is ,约束聚类算法的聚类性能更好。相比100年参数,参数是500年和1000年,约束可以提高聚类算法的准确性,计算精度是增加了0.317。

1。介绍

图像匹配技术已经用于网页的形象包装设计,如图像资源处理,图像生产、优化和图像风格。目前,web页面的包装设计效率低下等一系列的问题,太凌乱的元素,和不和谐的形象设计,这将大大减少web页面设计的精致,让用户体验退化。因此,构建一个web页面自动匹配推荐系统形象包装设计是一个重要的方法来提高网页设计的影响。约束聚类是聚类研究的热点之一。常用于图像匹配由于其操作简单、容易理解和实现,和较低的时间复杂度。因此,科学、合理的结构将约束聚类算法集成到web页面的自动匹配推荐系统形象包装设计。

随着现代社会的快速发展,图像匹配正越来越多地用于视频跟踪、目标探测、现代军事和医疗诊断。作为计算机视觉领域的一个研究分支,图像匹配技术是现代通用技术和图像处理的一个重要组成部分的问题。它有一个广泛的应用在运动恢复结构等领域,视觉定位和映射,和对象检索。在这些应用中,映像级别匹配性能是至关重要的,直接关系到整个系统的性能。因此,研究和设计有效的图像匹配算法可以大大提高匹配的效率和效果的网页形象包装设计,促进计算机视觉和人工智能产业的发展,并促进人类生活。

约束聚类算法收敛速度快,能够处理大规模数据集,并具有较高的图像匹配精度。本文的创新在于,(1)约束聚类算法被用来构造一个web页面自动匹配推荐系统形象包装设计。因为约束聚类算法的特点快速匹配效率,匹配精度高、灵敏度高噪音,提高了系统的性能,使系统的设计更加科学。(2)冲浪、筛选和ORB功能描述符进行比较和研究,强调约束聚类算法的优点。

2。相关工作

许多学者注意到web页面图像的匹配系统研究包装设计。家珍密度提出了一种新的特征描述符和改进的相似性措施提高图像匹配性能。基于结构张量投票方案,这个描述符可以有效地捕获图像的几何结构特性,健壮的显著噪音性退化(1]。Hamzah边缘保持滤波器在图像匹配进行了研究。作者提出的工作利用平方的总和差异(SSD)和双边缘保护过滤器,有效地保留图像的边缘特性,提高匹配精度(2]。Sadeghi提出了直方图相结合的优势(RAGIH)梯度和强度特性。广泛的具有挑战性的牛津数据集实验表明,该描述符具有良好性能(3]。通过引入一个有效的基于特征的图像检索方法,匹配的措施,和子空间选择,Mosbah选择相关反馈信息,依赖于用户注入。它解决了图像检索的精度和效率的问题4]。然而,这些方法的模型精度不够高,这可能会导致不准确的结果。

约束聚类算法可以提高图像匹配的准确性和提高图像匹配的效率。李提出一种改进的基于Erkov距离和余弦相似性的筛选算法来提高无人机图像的匹配率和检测速度。实验结果表明,改进后的算法可以有效地提高图像处理的精度和速度(5]。达尔维什提出了一种新的优化3 d图像的变换融合方法基于尺度不变特征变换的特征匹配技术(筛选),加快健壮的特性(冲浪)。定量和可视化结果表明,更有针对性和更清晰的融合图像可以使用冲浪获得图像匹配细化(6]。马提出了一种改进的ORB算法,它使用ORB算子描述特征点,以便改善ORB算法具有尺度不变性。实验结果表明,该算法有效地提高了匹配的速度和精度之间的尺度和旋转变化的两张图片(7]。Bi提议限制回溯匹配追踪(CBMP)图像重建算法。战略包括两个约束条件相结合,有效地控制增量估计稀疏的不同阶段和准确估计真正支持的一组图片8]。但这些研究缺乏不同算法之间的比较,使文章不严格。

3所示。方法来创建一个Web页面自动匹配推荐系统形象包装设计

3.1。约束聚类算法

聚类方法是一种很常见的和有效的数据分析方法在数据挖掘领域。它的工作原理是将数据样本相似性高的数据分成相同的集群(9]。

3.1.1。点对约束

semisupervised聚类的过程中,一些已知的先验信息常被用来指导聚类的执行过程(10]。之前信息集群通常用于semisupervised通常包括标签信息和点对约束。

在点对约束,它主要提供先验信息是否两个数据点连接。如果两个数据点连接,这意味着这两个数据点必须属于同一类别,这样一双点约束通常称为必须连接约束。如果没有边缘两个数据点之间的连接,这意味着这两个数据点必须不属于同一类别。之前的信息通常是不相交的约束。也就是说,给定一个静态数据集 和一个点对约束 , 是一个必须连接约束,表明数据点吗和属于同一类别的集群。和是一个不相交的约束,表明数据点吗和不属于同一个类的集群。

数据不同于之间的点对约束实例级标签信息,不直接提供重要的类别信息。与通常的标签信息,点对约束的形式更为普遍。以无关联的约束为例,假设已知的数据点e和数据点f有一个无关的约束环节。然后它只能推断数据点e和数据点f不属于同一类别。但是对于其他数据点,不能推导出的链接关系,即点对约束没有扣除传导的特点。因此,转移的关系问题点对约束比传统标签信息更具挑战性。它体现在以下方面:(1)不同类别的标签信息,点对约束不能改善的重要数据类别信息一般来说,更广义的先验信息,属于弱监督信息。(2)一般来说,数据点的类别信息不能直接推导出的点对点数据之间约束关系,这主要解释了一对数据点是否连接。(3)数据集包含米数据点,point-to-constraint关系转移需要推导point-to-constraint关系。相反,只是传递所需的标签信息的来源。

3.1.2。约束的聚类

在图像识别领域(11- - - - - -13),是更常见的识别笔迹。在聚类的过程中,每个字符通常被视为一个集群或一个类别分区(14]。通过聚类字符,字符样式不同的人可以区分,可以提高聚类的准确性。聚类分析也有很多应用在信息检索和文本分析。由于大数据的当前发展,人们关心的话题一天天增加,进而导致检索的信息量的增加。当检索信息,大量的相关内容往往是返回。因此,这些内容集中,使更多层次的信息。在生物信息网络,最常见的问题是生物蛋白质和基因表达,如图1。

聚类分析蛋白质之间之前通常是用来获取信息和了解数据之间的内在关联15]。在社区发现的研究领域,典型的一个社交网络。聚类分析通常将网络划分为多个集通过分解和划分网络。并要求中的节点划分应紧密相连。集应该是稀少的,因此网络具有高内聚和低耦合的特点。因此,内在相关性的数据通常可以通过聚类分析,挖掘和利用数据可以进一步改善。

在网页设计的图像聚类问题,一些先验信息通常被认为是找到更好的聚类结果(16]。之前的信息用于聚类过程通常可以分为标签信息和约束信息。这里的约束信息可分为软约束和硬约束。硬约束通常分为必须关联约束和nonconnected约束,即必须关联和cannot-link。其中,必须连接约束意味着两个数据点属于同一集群在聚类过程中,和nonconnection约束意味着两个数据点不能在同一个集群。软约束不像硬约束。通常获得信息之前从标签信息的数据或其他信息和调整通过软约束的聚类结果数据。在聚类的过程中,使用之前的信息通常可以提高聚类结果(17,18]。

3.2。图像特征匹配方法

有许多类型的图像匹配算法。图像匹配技术的不断发展和完善,匹配图像大致形成的一般过程,如图2。

3.2.1之上。冲浪特征描述符

海浪特征描述算子是一种筛选特征描述算子的改进。冲浪匹配筛选相似匹配,它也是一个加速的版本。筛选匹配方法是相对稳定的,特征提取检测特征点,但它具有较高的计算复杂度。冲浪多次低计算复杂度和速度比筛选特征描述算子,具有效率高、计算时间短的优点。同时匹配多个映像,海浪特征描述算子给出更好的鲁棒性。然而,在发现阶段的主要方向,它过度依赖于当地的像素的梯度方向,这可能会让主要的发现方向不准确(19]。为什么海浪特征描述符具有较高的计算效率是它使用冷雾特性和积分图像。具体过程如下:

假设图像 匹配,整体形象 表示为矩形的面积与像素点(a, b)和原点的对角线。这个简单的操作 让盒子滤波器卷积计算大大加速计算。积分图像如图3。

海赛矩阵 图像的规模是

其中, 代表了高斯二阶偏导数的卷积 和图像 在像素点,侦破{G)表示矩阵的行列式。只有当行列式是正的,这个像素点可能是当地的极端点(特征点)20.]。为了提高计算效率,复杂的高斯近似二阶偏导数,如图4。是一个近似的和是一个近似的 。

高斯二阶偏导数过滤器的规模 ,模板尺寸是7×7, , ,和用于替换的卷积值框过滤模板和图像,分别。的G矩阵行列式

使用高斯内核之间的相似性及其近似,体重的因素可以计算为 弗罗贝尼乌斯是常态。为了简化计算,在实际应用中,被指定为一个常数。为了使弗罗贝尼乌斯标准适用于任何规模,模板规范化获得滤波器响应值。给定一个积分图像和一个简化的模板,这个盒子滤波器响应如下:

其中, , , 表示模板的区域 , , , 模板的内在价值,对顶点的积分图像值的表示为模板吗 。因此,计算效率大大提高。

3.2.2。ORB功能描述符

第一次执行快速角点检测:

其中,阿圆的中心,灰度值 ,年代代表的是圆的社区,有n像素(k= 1,2,…,n) on the circumference.每个点的灰度值,是一个非常小的阈值。如果点的数量与CBF = 1大于设定的阈值 ,关键是候选人快速角点,如图5。结果快角落不是扇区和包含边缘响应。基于这一缺陷,一些方法可以改善。具体方法如下:(1)获得特征点选择大于N通过降低阈值,然后使用哈里斯排序,得到N选择特征点。(2)获得快速特性图像比例尺金字塔的每一层上。

使用灰度重心法通过计算时刻添加方向信息,可以得到如下:

3.3。筛选特征描述符

3.3.1。关键点检测尺度空间中

执行一个高斯基于计算图像可以定义一个二维的形象

其中, 高斯函数的规模可以改变: 是空间的比例因子,的价值确定图像的平滑度和规模。时的值较大,平滑度更高,可以看到轮廓更清晰,但清晰度降低。平滑度越低,更清晰的图像和更详细的信息。

3.3.2。建立一个微分金字塔

高斯差分公式可以表示为 :

狗图像获得的值的差异。

3.3.3。确定特征点的位置

利用级数展开的空间,可以得到如下:

求导,找到的极端点0:

用公式(11)到公式(10),可以得到如下: 有利于消除不稳定的候选点狗响应值较低。通常,极端点的值低于0.03被视为低响应点和消除。

3.3.4。消除边缘候选特征点

矩阵的关键G可以通过计算获得关键点周围的像素的区别:

让海赛矩阵的最小特征值G,最大的特征值的比例来 ;然后可以有以下:

从结果,可以得出结论,其价值只比有关的来 。

到目前为止,该算法模型的自动匹配推荐系统网页形象包装设计已经建立。接下来,本文将详细设计系统的模块和系统的性能进行实验和分析。

3.4。自动匹配推荐系统网页设计形象包装设计

web页面的物理结构形象包装设计的自动匹配的推荐系统如图6。

3.4.1。图像数据采集

图像采集是模型的基础培训和完成系统功能的前提。选择图像的质量决定了整个实验的成功。选择好的实验图像中起着至关重要的作用在提高特征匹配的准确性(21,22]。

图像存储在“网络管理系统”需要过滤。第一,30000年图像存储在“网页管理系统”数据库中,只有5360个图像选择符合网页设计的主题。其次,从这些5360的图片,清晰,容易识别,高分辨率,选择和低强度图像,剩下的模糊图像消除。最后,5000年获得图像作为该系统的图像数据。

3.4.2。模型训练

模型训练的目的是获得最佳相似度阈值,阈值的选择直接决定了结果的特征匹配(23]。在设计图像匹配模型,根据具体的工作流程,它主要分为八部分:(1)为了使图像具有尺度不变性,首先,建立一个图像金字塔5000图像符合该系统所需的web页面的主题。(2)执行快速提取在金字塔的每一层,计算每个图像的自适应阈值,根据阈值提取特征点。提取的特征点是粗糙的提取结果,没有方向。(3)在提取过程中,为了避免这一现象,后续的特征匹配的准确性是影响聚合的特征点,利用结构介绍了屏幕上的特征点。提取的特征点是优良的提取结果,但是仍然没有方向(4)约束聚类算法的基础上,介绍了灰度重心法来计算方向角特征点和重心,所以所有特征点的方向,从而实现旋转不变性。(5)为了防止描述符对高频噪声过于敏感,平滑图像,然后通过二进制描述符描述和冲浪ORB功能描述。当前描述符没有方向。(6)把描述符与方向的特征点,然后获得二进制描述符与方向,最后将其存储在图像特征信息基础。(7)后所有图像的特征点提取和描述在系统中完成,蛮力的特征描述符匹配方法,以及不同的图像之间的相似度结果得到基于汉明距离的。(8)上面的相似度结果被替换成逻辑回归模型,计算和最优相似度阈值。

通过以上步骤,获得的图像匹配模型系统的训练,然后是“图像匹配系统”是成功地实现基于图像匹配模型。图像匹配系统不仅可以确定之间是否有高度相似的图像存储系统中的图像,而且确定图像新上传的网页设计师和系统中的图像高度相似的图像。

3.4.3。建立一个图像特征信息数据库

通过上述模型训练,可以获得一个图像匹配模型,然后在模型中获得的图像信息需要存储。

原始图像数据来自于“网页管理系统”。模型训练后,获得图像信息是许多二进制特征描述符,所以本文创建了一个图像特征库的基础上,图像匹配的信息系统。在图像特征信息数据库中,不再需要存储所有图像的信息本身,但存储二进制特征提取描述特性在所有图像特征提取和描述。这时,特征描述符占用系统空间小,方便存储,大大节省系统开销。

图像特征信息数据库的最大优势是提高系统的工作效率。为后续新上传的图片,不需要进行特征提取,特征描述和其他操作存储图像在审查。只做相关操作新上传的图像。然后,相匹配的相似性可以直接获得的新形象与二进制的二进制特征描述符特征描述符存储在图像特征信息数据库。系统用户的用例图如图7。在这个时候,大大提高系统的工作效率,减少人力和财政资源的浪费。系统的最终实现需要包含以下四个功能:(1)图形特征矢量数据管理和维护。(2)图形数据提取特征向量函数提供。(3)图形特征矢量数据搜索和匹配功能。(4)一个图形特性调整操作参数管理功能。

3.4.4。提取算法模块的参数设置

参数管理(FVPM)模块还负责设置的参数提取算法(FVEA)模块,包括以下几点:(1)采样间隔像素(2)高斯平滑;(3)关键阈值(x) | | D;(4)关键曲率阈值;(5)图像是否构建高斯黄金塔时,翻了一倍的值是0和1;(6)直方图描述数组的宽度;(7)块的数量在每个直方图描述数组;(8)输入图像的高斯模糊;(9)边界宽度忽略要点;(10)的最大数量的步骤之前关键插值失败;(11)在直方图定向分配块的数量; (12) determination of the Gaussianσ定向分配;(13)测定中使用的区域半径方向的任务;(14)的次数方向直方图平滑;(15)的最大方向振幅在新特性的结果;(16)的大小方向直方图的描述。

3.4.5。数据管理模块的参数设置

参数管理(FVPM)模块还负责数据管理(FVDM)的参数设置模块,包括(1)描述性的容器的元素的大小阈值;(2)浮点数的比例因子描述符无符号字符;(3)优先队列元素分配空间的初始化大小;和(4)的最大数量的搜索。

3.4.6。匹配算法模块的参数设置

参数管理(FVPM)模块还负责设置的参数匹配算法(FVMA)模块,包括以下。(1)成功的匹配特征点的距离阈值:之间的欧几里得距离的距离特征点匹配和特征库中的特征点。(2)成功匹配数据的比率的门槛:成功的数量的比率比匹配特征点的图匹配的特征点。

4所示。实验和解构的自动匹配推荐系统网络形象包装设计

4.1。比较匹配算法的准确性

分别设置三个参数,100、500和1000年,比较约束聚类算法的图像匹配精度(k - means)和其他算法下的三个参数,并获取数据表1:

图8可以直观地比较匹配的准确性。参数选为100时,匹配的精度比其他两组不同的参数。当参数是500年和1000年,精度改进趋于稳定。当背景纹理丰富,参数的改进将大大提高self-collection精度。目标匹配精度变化相对稳定,当数据集检测参数变化。执行的总体平均计算精度提高,而且计算精度增加了0.317。一般来说,约束聚类算法具有良好的通用性,它是可行的构建一个自动匹配推荐系统网页形象包装设计。

4.2。讨论参数匹配的推荐系统

本节讨论的影响网络结构分区归因的阈值敝中断的约束聚类算法。图9主要显示了每个算法的敝中断值的变化趋势在不同的时间在LFR数据条件下的参数设置 和平均敝中断值动态网络数据集的不同算法不同参数下LFR范围。

从图可以看出9(一个)其他算法不能更好地适应动态变化的图在聚类过程中,因此,聚类效果很差。受限k - means聚类算法提出了敝中断更高的价值和更好的聚类性能比其他算法 。从图可以看出9 (b)的价值的增加,算法的平均敝中断不同程度的降低。当它 ,k - means比其他算法具有更好的聚类效果,所以设置 在实验中可以得到更好的聚类结果。

图10敝中断值的变化趋势显示安然数据集合中的每个算法在不同的时间和不同的算法的平均敝中断值动态网络数据集纽曼在不同参数范围。

从图可以看出10 (),随着时间的流逝,比较算法CDBIA, IC等有不同程度的抖动。这表明这种算法不能有效适应的增加节点和边在图变化的过程,而k - means相对顺畅。因此,本文提出的算法k - means优于其他算法的聚类性能。从图可以看出10 (b)当该值 ,集群效应获得的k - means算法比其它算法更理想。

4.3。图像匹配实验的三个特征描述符

4.3.1。匹配速度的实验

多源图像的特征点匹配问题也被称为跨域图像匹配问题,在图像形成和处理在不同的成像领域24]。本节测试SIFT-based匹配算法,SURF-based匹配算法和基于orb的匹配算法。一个非常先进的基于互信息的交集的匹配方法和拟议的框架方案基于多源数据集——二维结构约束特征匹配方法。该算法匹配速度不同的图像集如表所示2。

从表可以看出2不同源图像的匹配,ORB的特征描述算法在算法的运行时间有明显的优势。

本节中的约束聚类算法验证可以有效地处理动态数据的聚类问题和动态约束和不会出现大的抖动。

4.3.2。噪声敏感性实验

筛选的噪声敏感性特征描述算子,海浪特征描述符,和ORB功能描述符的k - means算法测试,和表中的数据3是获得。

从表可以看出3冲浪是更敏感的噪音和更高数量的错误匹配。与其他算法相比,该算法基于筛选匹配结果在本文中也有类似的对噪声敏感,但匹配率较高。匹配结果基于浏览摘要略比原来的冲浪的结果,但匹配精度明显高于冲浪,明显优于其它算法。算法基于ORB的结果摘要匹配结果比原来的ORB匹配结果,匹配的精度明显高于ORB,也明显优于其它算法。

然后,添加高斯噪声相同的图像,对均值不变,方差是逐渐增加,每个算法对噪声的敏感性比较。所有算法的比较如图11。

它可以从图11与噪声的增加,多源图像的模糊程度增加时,ORB和筛选算法明显比其他算法更健壮的噪音。

4.3.3。旋转匹配算法实验

为了定量评价旋转算法的性能,本文进行了以下实验。(1)把一个图像旋转90°,然后使用每个算法来匹配,并记录其匹配精度和运行时间在表4。(2)选择要匹配,图像旋转角逐渐增加,测试各算法的旋转不变性。

从表可以看出4计算效率和正确匹配率约束聚类算法的优点,并有效地消除outliers-wrong匹配和大大提高了匹配速度。

它可以看到从图线12,随着转动角度的增加,成功匹配的数量并没有改变太多。因此,它具有旋转不变性,实验结果也证明了图像匹配的推荐系统的有效性。

约束聚类算法有效地降低了计算复杂度,提高了计算效率。实验对多源图像标准库,和更好的匹配结果的有效性验证web页面的自动匹配推荐系统形象包装设计基于聚类算法。图像匹配的实验结果也证明本文的匹配框架可以获得理想的匹配程度与最优计算量。

5。结论

以下从本文的分析结论是:(1)筛选匹配方法是相对稳定的,并且有许多特征点检测到特征提取,但圆滑的特征点提取能力目标是虚弱的。海浪匹配方法具有计算速度快、效率高、低计算复杂度,同时良好的鲁棒性。但它可能遇到的问题不准确匹配的主要方向。ORB算法具有最快的计算速度和匹配时间短。筛选的计算时间是只有1%和10%的冲浪,和存储空间占用很低。然而,它应对尺度转换的能力相对较低。(2)500年和1000年,当参数的精度改善约束聚类算法往往是自100年与参数稳定。图像匹配精度的变化也相对稳定,计算精度是增加了0.317。因此,约束聚类算法具有良好的通用性。(3)归因的网络结构划分的阈值 ,约束聚类算法的聚类效果的敝中断值高于其他匹配算法,和聚类性能更好。(4)的噪声敏感性,冲浪更敏感的噪音和更高数量的错误匹配。筛选和ORB适度对噪声敏感,但匹配率高。(5)计算效率和匹配精度的约束聚类算法优于其他算法。(6)本文的研究工作做出了一定贡献自动匹配的推荐系统的研究网页形象包装设计,但是仍有一些缺点。的特征点匹配算法对光照的变化有不同的适应性,规模和方向的形象。值得思考的是什么类型的匹配方法应该被应用在不同的场景。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者没有任何可能的利益冲突。