1、近幾年，隨著互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)及相關(guān)技術(shù)的飛速發(fā)展，數(shù)字圖像的數(shù)量呈現(xiàn)爆炸式增長，從一堆圖像中檢索出目標(biāo)圖像的需求也變得愈加迫切。圖像數(shù)量的劇增造成最直接的影響就是圖像檢索的任務(wù)變得艱巨。因此，如何快速準(zhǔn)確的從圖像數(shù)據(jù)庫中檢索出目標(biāo)圖像成為研究熱點。最早的圖像檢索系統(tǒng)是基于關(guān)鍵詞的檢索，通過用戶輸入的關(guān)鍵詞與圖像的上下文（例如標(biāo)題、人工標(biāo)注）進行匹配。這些系統(tǒng)普遍存在文本信息缺少、圖像和文本的含義不一致等問題。為了解決這幾個難題，基于內(nèi)

2、容的圖像檢索系統(tǒng)被提出。CBIR(Content-BasedImage Retrieval)可以自動從圖像中提取底層特征（例如顏色、紋理、形狀等）。此外在計算機視覺、模式識別和數(shù)據(jù)挖掘等領(lǐng)域，研究人員經(jīng)常會遇到高維的特征向量，它們中間存在著很多相互關(guān)聯(lián)或冗余的信息，甚至還有噪聲。這些數(shù)據(jù)不僅明顯提高了時間和空間方面的處理要求，還可能產(chǎn)生擬合過度、效率低和性能差等學(xué)習(xí)任務(wù)的副作用。實際上只有部分特征維度是重要的、有辨識度的。特征選擇技術(shù)就

3、是一種解決上述問題的方法，根據(jù)一定的評價標(biāo)準(zhǔn)選擇最相關(guān)的特征子集，不僅降低了特征維度，而且提高了特征的辨識度。
　　針對上述問題，本文重點研究了基于內(nèi)容的圖像檢索中的綜合特征提取、特征融合以及用戶相關(guān)性反饋的技術(shù)。在特征提取方面，我們通過改進得到了一種性能更優(yōu)的特征提取算法CoCD(Contrast and Color Distribution)。原有的特征提取算法CoLD(Contrast and Luminance Distr

4、ibution)主要描述了圖像的紋理特征與亮度特征。為了獲取圖像中更多的有效信息，我們引入在HSV顏色空間的顏色分布來代替原有的亮度分布，研究了對比度分布和顏色分布的重要度，調(diào)整了二者在相似性度量過程中的權(quán)重。實驗結(jié)果說明通過統(tǒng)計抽樣來提取特征是有效的。在此基礎(chǔ)上我們提出了一種新的基于統(tǒng)計抽樣的特征提取算法:分塊均方算法BMVA(Blocked Mean-Variance Algorithm)。用戶反饋技術(shù)是CBIR系統(tǒng)中常用的一種用于

5、提高系統(tǒng)檢索性能的交互技術(shù)。根據(jù)信息傳遞過程中能量衰減的思想，我們提出了一種新的用戶反饋技術(shù)并應(yīng)用到圖像檢索系統(tǒng)中，提高了系統(tǒng)的檢索性能。特征融合方面，結(jié)合特征選擇以及信息融合的思想，我們提出了一種基于圖論的非監(jiān)督式特征融合算法UGFF（Unsupervised Graphtheory-based Feature Fusion），該算法可以綜合多種特征提取算法，降低特征維度之間的信息冗余，抽取出一個低維的、更高辨識度的特征。以開放的Co

6、rel5K(5000幅)和Wang1K（1000幅）作為測試的圖像數(shù)據(jù)庫，歐氏距離、余弦距離以及有效地流排序算法EMR(Efficient Manifold Ranking)作為相似性度量和排序方法，平均查準(zhǔn)率MAP(Mean Average Precision)作為評價標(biāo)準(zhǔn)，我們驗證了本文提出的兩種特征提取算法、一種相關(guān)性反饋技術(shù)以及一種基于圖論的非監(jiān)督式特征融合算法的性能。實驗結(jié)果顯示，我們提出的兩種新的特征提取算法能夠達到較好的檢