基于目標區(qū)域特征的反饋式圖像檢索算法.pdf

1、隨著互聯(lián)網(wǎng)技術的普及以及多媒體技術的快速發(fā)展，以數(shù)字圖像為主的多媒體信息在人們的日常生活和工作中發(fā)揮著越來越重要的作用。然而隨著圖像數(shù)據(jù)庫規(guī)模的逐步增大，如何對圖像進行快速準確的查找成為了目前亟待解決的問題。為此，基于內(nèi)容的圖像檢索（Content Based Image Retrieval, CBIR）技術應運而生，該技術的特點在于算法針對圖像自身的底層視覺特征，首先提取查詢圖像的特征，然后將此特征與圖像特征庫里的其它圖像的特征進行相

2、似度匹配，最后將相似度較高的圖像作為檢索結果顯示給用戶。但傳統(tǒng)的CBIR通常面臨檢索準確率不高與檢索效率過慢的問題。
　　本文針對上述問題，在傳統(tǒng)的CBIR基礎上提出了三個方面的改進，圍繞基于目標區(qū)域特征的反饋式圖像檢索算法展開研究，主要工作內(nèi)容如下：
　?。?）傳統(tǒng)的CBIR中，人們習慣從圖像的全局特征的角度來描述圖像，但實際上，圖像中還會包含有很多冗余信息，用戶更關注的只是圖像中的局部區(qū)域，因此，論文重點研究了基于局部目

3、標區(qū)域的圖像檢索，提出了基于自適應閾值曲率增強的角點檢測法和基于角點曲率的目標區(qū)域提取法。該算法將曲率作為角點重要程度的判斷標準，通過自適應閾值判斷圖像的真?zhèn)谓屈c，并增強真實角點的曲率信息，利用具有較大曲率的角點確定圖像的重心，以重心為形心定位圖像的目標區(qū)域。實驗表明，基于上述算法的圖像檢索與傳統(tǒng)的算法相比，不僅可以有效地檢測出圖像的角點、提取出目標區(qū)域，而且能夠大幅度的提高圖像檢索的準確率。
　?。?）為了提高圖像檢索的效率，添

4、加了聚類分析算法。首先利用模糊C均值算法對圖像數(shù)據(jù)庫中的圖像進行聚類，得到多個聚類中心和每個類的中心圖像，然后將查詢圖像與每個類的中心圖像進行相似度比較，找到與其最相似的一類，使得接下來的檢索工作只需要在該類的內(nèi)部進行即可。實驗表明，加入聚類分析算法后，縮小了檢索范圍，提高了檢索算法的效率。
　?。?）圖像檢索準確率不高的原因除了圖像中過多的冗余信息之外，還源于圖像的底層視覺特征與人類的高層語義概念之間的差異。為此，引入相關反饋機