Resumen

La recuperación de imágenes basada en el contenido se ha convertido recientemente en un importante tema de investigación y se ha utilizado ampliamente para gestionar imágenes de repertorios. En este artículo abordamos una técnica eficaz, denominada MNGS, que integra la factorización de matrices no negativas (NMF) con restricciones multivista y la agrupación espectral basada en el modelo de mezcla gaussiana (GMM) para la recuperación de imágenes. En la metodología propuesta, el esquema NMF multivista proporciona representaciones dispersas competitivas de las imágenes subyacentes mediante la descomposición de una matriz que preserva la similitud y que se forma fusionando múltiples características de diferentes aspectos visuales. En particular, el método propuesto fusiona las restricciones de la multiplicidad en la función objetivo NMF estándar para imponer una restricción de ortogonalidad en la matriz base y satisfacer el requisito de preservación de la estructura de la matriz de coeficientes. Para manipular el método de clustering en representaciones dispersas, este trabajo ha desarrollado un método de clustering espectral basado en GMM en el que los componentes gaussianos se reagrupan en el espacio espectral, lo que mejora significativamente la eficacia de la recuperación. De este modo, la recuperación de imágenes de toda la base de datos se traduce en una búsqueda del vecino más próximo en el cluster que contiene la imagen de consulta. Simultáneamente, este estudio investiga la prueba de convergencia de la función objetivo y el análisis de la complejidad computacional. Los resultados experimentales en tres conjuntos de datos de imágenes estándar revelan las ventajas que pueden lograrse con el esquema de recuperación propuesto.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Recuperación de imágenes basada en el contenido; tema de investigación; gestión de imágenes; MNGS; factorización de matrices no negativas con restricción multivista; modelo de mezcla gaussiano; agrupación espectral; metodología; representaciones dispersas; matriz que preserva la similitud; características múltiples; aspectos visuales; restricción de ortogonalidad; matriz base; matriz de coeficientes; método de agrupación; agrupación espectral basada en GMM; eficacia de la recuperación; búsqueda del vecino más próximo; imagen de consulta; prueba de convergencia; complejidad computacional; resultados experimentales; conjuntos de datos de imágenes estándar; esquema de recuperación.
• Keywords:Content-based image retrieval; research topic; managing images; MNGS; multiview constrained nonnegative matrix factorization; Gaussian mixture model; spectral clustering; methodology; sparse representations; similarity-preserving matrix; multiple features; visual aspects; orthogonality constraint; basis matrix; coefficient matrix; clustering method; GMM-based spectral clustering; retrieval effectiveness; nearest-neighbour search; query image; proof of convergence; computational complexity; experimental results; standard image datasets; retrieval scheme