EMD是一种衡量分布间距离的算法，源于线性优化中的运输问题。它用于图像数据库的比较，尤其是颜色和纹理分析。通过构建签名并计算特征之间的G距离，算法能进行局部匹配。EMD算法包括问题建模、初始化、最优检验、方案调整等步骤，以找到将一个分布转换为另一个分布的最小工作量。在找到最优解或达到最大迭代次数后，输出结果。
参考论文：A_Metric_for_Distributions_with_Applications_to_Image_Databases
论文摘要
在两个分布之间，我们引入了一个的新的距离，称之为土堆移动距离（EMD）。它反映的是，通过移动“分布质量”的方式，把一个分布转换为另一个分布所需要的最小工作量
这是线性优化中运输问题的特殊情况，该问题有高效率的可用算法。EMD算法也允许做局部匹配。当用于比较的分布具有相同的总质量时，EMD是一个确切的度量，并具有易于计算的下界。在本文中，我们重点 在应用程序的图像数据库，特别是彩色和纹理。我们使用EMD，通过多维度展示手段来表现颜色分布和纹理空间的结构。我们还提出了一个关于导航问题的通过一个彩色图片的集合的新方法，这在图像数据库搜索中引出了一个新范例。
算法分析
1前言
EMD算法的算法是基于线性优化中运输问题的求解。从算法来看与运输问题的解法表上作业法相似。但在一些地方有些不同。总体的思路基本一致。
（1） 得到问题，建立模型
（2） 得到初始可行方案
（3） 最优检验
（4） 方案调整
（5） 重复（2）（3）直至方案最优，或者达到最大迭代次数
（6） 输出结果
最低0.47元/天 解锁文章
扫一扫
710
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
