1、隨著科技的進步,現(xiàn)代攝像技術(shù)和設備越來越便捷和先進,互聯(lián)網(wǎng)中圖片數(shù)目成爆炸式增長,用戶對圖片檢索的需求也越來越大,而傳統(tǒng)的檢索技術(shù)依賴于文本檢索,由于視覺特征和文本信息之間存在“語義鴻溝”,傳統(tǒng)的方法并不能達到檢索精度指標,基于圖片內(nèi)容的檢索技術(shù)應運而生并有了長足的進步。
　　基本的Bag of Visual Word圖片檢索模型使得大規(guī)模的基于圖片內(nèi)容的圖片檢索成為可能,但是猶有不足和亟待改進之處。主要表現(xiàn)在:一是高維視覺特征被

2、量化為視覺關(guān)鍵字時因降維而帶來的信息丟失,導致特征的區(qū)分力下降;二是傳統(tǒng)的BOV模型以單個特征描述符為單位,忽略了特征描述符周圍的上下文信息。本論文針對上述兩方面展開工作,引入了海明碼和軟量化技術(shù)來改善因量化而引入的信息損失,提高單個特征描述符的判別力。為了描述單個描述符的上下文信息,本論文先引入了<均值,方差>距離,然后在此距離定義基礎上將K-means聚類生成的無序的視覺碼書構(gòu)建成一個無向圖,對該無向圖適用改進的Prim算法計算最小

3、生成樹,以頂點的輸出順序為新的視覺碼書順序,然后以單個描述符的Hessian-Affine區(qū)域為上下文區(qū)域,對落入此區(qū)域的描述符計算區(qū)域面積、描述符密度、尺度、角度還有關(guān)鍵字 id相關(guān)的參數(shù)統(tǒng)計量。檢索過程中依照參數(shù)統(tǒng)計量的一致性重新估計相似度和權(quán)重,消除誤匹配影響,提升檢索精度。本論文工作還包括搭建完整的圖片檢索系統(tǒng),并在 Holidays、UKBench等數(shù)據(jù)庫上進行實驗驗證。實驗結(jié)果表明基于參數(shù)統(tǒng)計量的圖片檢索模型有效提高了系統(tǒng)的