面向數據挖掘的圖像檢索教學演示系統設計

王華秋

摘 要： 以往的數據挖掘教學沒有把理論知識和工程項目聯系起來，抽象的算法理論知識消減了學生的學習興趣，導致大部分學生無法運用數據挖掘工具解決實際決策問題。文章以數據挖掘中的鄰近支持向量機算法為例，開發了圖像檢索教學演示系統，分析了系統各模塊的功能、工作流程和技術流程，介紹了系統的數據倉庫管理模塊、數據預處理模塊和核心算法模塊，給出了應用實例。該教學演示系統有助于學生對所學算法知識的深入理解、記憶和鞏固。

關鍵詞： 數據挖掘； 鄰近支持向量機； 圖像檢索； 教學演示系統

中圖分類號：G642 文獻標志碼：A 文章編號：1006-8228（2016）01-94-04

Design of image retrieval teaching demonstration system based on data mining

Wang Huaqiu

（Computer Science and Engineering College， Chongqing University of Technology， Chongqing 400054， China）

Abstract： The theoretical knowledge of data mining is not linked to engineering projects in the previous teaching process. The abstract theoretical knowledge of algorithms has weakened the students learning interest， resulting in most of students cannot use data mining tools to solve practical problems. In this paper， the proximal support vector machine algorithm in data mining is used as an example and an image retrieval teaching demonstration system is developed. The system's whole structure， working flow and technology flow are analyzed， the system's data warehouse management module， data preprocessing module and core algorithm are introduced， and application examples are given. The teaching demonstration system will be helpful for students to further understand， memory and consolidate the algorithm knowledge learned.

Key words： data mining； proximal support vector machine； image retrieval； teaching demonstration system

0 引言

如今快速增長的大數據已經遠遠超出人們的理解能力，因此大數據挖掘技術受到了廣泛關注。只有挖掘和運用海量數據，獲得有價值的知識和信息，才能幫助人們制定正確的決策[1-2]。很多高校為工程類研究生開設了數據挖掘這門課程，研究如何將數據挖掘技術運用于企業管理決策的實際中去。

根據理工科高校培養應用型人才的目標，該課程不僅要求學生掌握數據挖掘算法知識，還要以“工程化”理念培養學生的工程技能[3-5]。而現實教學卻讓數據挖掘課變成了一門算法分析課或學術討論課，教師教得乏力，學生學得乏味，沒能達到人才培養目標。

在研究生數據挖掘課程的教學中，不能單純地講解數據挖掘算法證明，也不能簡單地計算和人為構造數據挖掘算法的例子、習題。如果學習數據挖掘算法時，學生無法了解這些算法在工程上的來源，就無法運用這些算法解決具體工程問題[6-7]。這需要以工程項目作為課程教學的支撐，但是工程案例又無法用簡單的語言或PPT課件形象的描繪出來。為了讓學生直觀、真實地獲得數據挖掘的工程項目知識，本文通過圖像檢索教學演示系統與數據挖掘的鄰近支持向量機算法教學相結合，一方面使學生對數據挖掘本身算法原理有更深的理解，另一方面使他們更容易找到學以致用的圖式感覺，讓他們能做到觸類旁通，將所學算法應用到各類工程應用中。

1 演示系統的關鍵算法

實現圖像檢索教學演示系統的方法是鄰近支持向量機算法（PSVM）[8]，這是一個比較復雜的分類算法，如果單從理論推導進行講解，再用一些數據舉例計算，那么大量的數學公式就會讓學生不知所措，復雜的演算過程也只能起到復習數學知識的作用，學生對所學算法的課后保持時間不長。下面用少量的公式介紹這個算法的基本原理。

PSVM的基本原理是將每個點歸類于兩個盡可能遠的平行平面中最接近的一個。該問題可以歸結為：

⑴

滿足：

⑵

為了得到非線性分類器，需要把線性分類器中的變量w用其對偶等價w=ATDu替換，并將線性核AAT替換為非線性核k（A，AT）即：

⑶

滿足約束：

⑷

這里使用的k（A，AT）=（AAT+c）d，c為非負常數，d為任意正整數。

在使用線性分類器對新樣本進行分類時，通過wTx-y的符號來確定該樣本屬于哪一類，在使用非線性分類器對新樣本進行分類時，則通過K（xT，AT）u-γ的符號來確定。

2 教學演示系統設計

為了給學生演示鄰近支持向量機的作用，本文設計了一個圖像檢索系統，該系統的主要數據挖掘算法就是鄰近支持向量機，借此向學生講授該算法的實現，加深學生對算法原理的理解。下面對系統的整體結構、各個功能模塊的工作和圖像檢索的工作過程，詳細介紹系統的框架結構設計。

2.1 系統各模塊的功能

⑴ 圖像特征提取模塊

對圖像庫中及用戶提供的圖像特征進行量化提取，以向量的形式保存在數據庫中，并與其對應的圖片建立索引。這里涉及到數據挖掘的預處理知識，通過對數據預處理相關算法的演示和導入，可以使學生盡快融入分類算法的學習中來，拉近學生預備知識與所學算法之間的距離。

⑵ 圖像特征分析

直觀地顯示提取出來的圖像特征，并以直方圖的形式顯示每種特征對應的統計特征，方便分析不同圖像之間的差異。這部分是用來演示數據預處理效果的。

⑶ 圖像庫管理

主要對圖像庫中的圖像及其對應的特征進行管理，包括：向圖庫增加圖像和刪除圖庫中圖像。設計這部分是為了讓學生明白數據挖掘算法是建立在數據倉庫及其管理基礎之上的。

⑷ 基于底層特征的圖像檢索

主要比較圖像之間底層特征向量的相似程度，并對相似度進行降序排列，返回相似度最高的若干圖像作為檢索結果。這部分主要用來演示數據挖掘的效果，讓學生直觀地看到數據挖掘的作用。

⑸ 基于鄰近支持向量機的圖像檢索

該方法以圖像庫中每張圖像的底層特征作為一類數據構造分類器，當對新圖像進行檢索時，將新圖像的數據放入分類器中進行分類，返回得到的分類結果對應的圖像庫中的圖片即為檢索結果。這部分是展示算法實現過程的重點。在演示過程中，需要伴隨提問，不斷引導學生由觀察演示到對算法本質的認識。

⑹ 綜合語義特征的圖像檢索

首先在上傳圖像入庫時，需要對入庫圖像語義進行標注，并將圖像底層特征以及圖像語義作為訓練集進行機器學習，當用戶提供待檢索圖像時，系統通過計算語義特征計算該圖片與圖像庫中圖像的相似程度。這部分知識是數據挖掘領域里比較前沿的，設計語義檢索模塊是為了引發學生思考，起到拓展延伸、啟迪思維的作用。

2.2 系統流程

由圖像檢索系統的結構可知，該系統的核心部分在于圖像檢索功能模塊，其中主要涉及到圖像特征提取，相似度匹配，機器學習，語義映射等，圖像檢索其主要工作流程如圖1所示。

圖像特征提取包括底層特征提取和語義特征提取，本系統中將底層特征提取和語義特征提取相結合，形成了一個綜合多特征的圖像檢索系統。系統主要技術流程如圖2所示。

這些工作流程和技術流程，可以在演示系統之前給學生介紹，讓學生知道數據挖掘工程項目的開發流程，了解數據挖掘各部分之間的邏輯聯系，培養學生數據挖掘系統的設計能力。

3 圖像檢索教學演示系統實例

如前所述，本系統六大主要功能模塊組成，其中圖像特征分析和基于底層特征的圖像檢索能比較全面地反映系統的主要功能，下面就演示一下這些功能模塊。

3.1 圖像特征分析

打開預分析圖片后，點擊工具欄內“特征分析”按鈕或點擊菜單欄內的“圖像分析”選擇特征分析方式，即可在“特征分析”窗體中顯示分析結果，如圖3。

講授這部分時，可以組織學生討論還有什么特征分析方法，如何將這些方法加入到系統中來，從而激發學生的系統開發意識。

3.2 基于鄰近支持向量機的圖像檢索

智能檢索是采用特征分類的方式實現圖像檢索的方法，該方法以每張圖片的特征作為一類進行訓練，構造分類器，當用戶欲檢索圖片時則將樣本圖片放入分類器中進行分類，分類結果對應的圖像庫中的圖像作為檢索結果反饋給用戶。

3.2.1 訓練學習

智能檢索功能模塊主要分為訓練學習和檢索兩部分。首先需要通過訓練學習構造分類器，當圖像庫數據發生變化后，若希望通過智能檢索圖像，均需要進行訓練學習。分類器的訓練是教學重點，要結合算法原理和程序代碼把這部分內容講透，布置作業，讓學生課后仿照演示系統做一個分類器，以鞏固課堂學習成果。教師可將做得好的分類器集成到演示系統中，既豐富了系統的功能，又讓學生體會到成就感。

用戶需要選擇訓練學習的方式有：①是否對特征值進行模糊化處理；②是否顯示訓練結果。該學習方式的選擇通過如圖4所示的兩個復選框來實現。

學習方式選擇完成后點擊“開始學習”按鈕實現分類器構造，學習完畢后會顯示學習所用時間，若勾選“顯示學習結果”復選框，則在右側的“學習效果”文本框內會顯示隊形的學習結果，但顯示學習效果會增加學習時間。通過算法比較，可以讓學生體會算法改進的必要性，樹立一種創新理念。

3.2.2 智能檢索

智能檢索有兩種方式，一種是快速檢索，另一種是一般檢索?？焖贆z索速度一般較快但精度較低，而一般檢索精度較高但速度較慢。

該系統將程序開發、機器學習、圖像處理技術進行了充分的結合，使學生能夠根據所學的算法解決圖像檢索的問題，從而加深對算法的理解和認識。教師要將一些必要的代碼給學生講解，把系統各部分的運行效果給學生演示，將講解和演示相結合，選擇恰當的時間演示，達到理想的教學效果。

4 結論

本文通過具體的圖像檢索工程案例，探討數據挖掘與知識發現的算法應用。實際教學效果表明，結合工程化應用能在很大程度上幫助學生理解并應用數據挖掘的算法，提高了學生對數據挖掘的學習興趣，也加深了對挖掘算法的理解。今后還將開發更多的相關案例和演示系統，涉及更多的數據挖掘算法，通過有效的課堂組織和演示，幫助學生逐步積累起工程開發經驗。

參考文獻（References）：

[1] 王珊，王會舉，覃雄派等.架構大數據：挑戰、現狀與展望[J].計

算機學報，2011.34（10）：1741-1752

[2] 李國杰，程學旗.大數據研究：未來科技及經濟社會發展的重

大戰略領域[J].中國科學院院刊，2012.27（6）：647-657

[3] 韓如成.工程實踐能力培養的探索與實踐[J].中國大學教學，

2009.6：77-79

[4] 王仲民，姚合環.高校培養學生工程實踐能力的途徑[J].理工

高教研究，2008.27（1）：121-122

[5] 戴波，紀文剛，劉建東等.以工程能力培養為主線建構專業人

才培養模式[J].高等工程教育研究，2011.6：136-140

[6] 蔣盛益，李霞，鄭琪.研究性學習和研究性教學的實證研究

——以數據挖掘課程為例[J].計算機教育，2014.24：97-101

[7] 周森鑫，盛鵬飛，王夫芹.數據挖掘課程案例教學研究[J].計算

機技術與發展，2012.11：183-186

[8] K.P. Soman等著，范明，牛常勇譯.數據挖掘基礎教程[M].機

械工業出版社，2009.