融合多種內(nèi)容特征和相關反饋技術的圖像檢索系統(tǒng)研究.pdf

1、隨著計算機技術、網(wǎng)絡技術的迅猛發(fā)展以及圖像采集設備的日益普及，圖像數(shù)據(jù)的種類和數(shù)量與日俱增，如何從海量的圖像數(shù)據(jù)中快速、準確的檢索出滿足用戶需求的圖像成為當前研究的熱點。早期的圖像檢索是基于人為對圖像所做出的文字化注釋，進行關鍵詞搜索的技術，人為的注釋具有不充分、主觀、費時費力等缺點，無法滿足當前用戶的需求。近年來，基于內(nèi)容的圖像檢索（Content-Based Image Retrieval，CBIR）技術應運而生。
　　CBI

2、R融合了模式識別技術、圖像處理、數(shù)據(jù)庫管理以及計算機視覺等多個學科的相關知識，它的基本原理是：提取圖像的顏色、紋理、形狀等內(nèi)容特征構成特征向量描述圖像內(nèi)容，以特征向量間的距離衡量圖像間的相似程度，然后按照與查詢圖像的相似程度排序，將圖像庫中圖像返回給用戶。由此可以看出，圖像內(nèi)容特征的選擇、提取以及匹配都影響著最終的檢索效果。
　　隨著對CBIR技術研究的不斷深入，各種CBIR算法層出不窮，在對當前流行的一些檢索算法進行分析研究之后

3、，文中提出了一種基于內(nèi)容的圖像檢索算法FCTL(Fuzzy color、texture and location)，它融合了圖像的顏色、紋理和空間位置三種內(nèi)容特征,并在提取顏色特征時結合了模糊數(shù)學方面的知識，最終生成一個300柄的特征向量，F(xiàn)CTL采用Matsushita距離計算圖像間的相似度。文中用FCTL與常用的一些檢索算法，分別在WANG、UCID圖像庫上進行檢索，并選用MPEG-7標準推薦的ANMRR(Average Norma

4、lized Modified Retrieval Rank)評價算法對檢索效果作評價，實驗結果表明，相較于當前常用的一些基于內(nèi)容的圖像檢索算法，F(xiàn)CTL的精確度有所提升。
　　當前，CBIR技術大多都是提取圖像的低層內(nèi)容特征來描述圖像信息，很少涉及到圖像的語義層特征，這可能導致算法對圖像內(nèi)容的描述與用戶語義層面的理解有所出入，從而使檢索結果不如人意。因此，要保證圖像檢索系統(tǒng)達到較高的用戶滿意度，除了采用更精確的檢索算法之外，還應該

5、添加相關反饋機制，實現(xiàn)人機互動，通過用戶對返回結果的評價，指導系統(tǒng)對用戶需求的學習，通過反饋迭代使檢索結果不斷貼近用戶的檢索意圖。
　　文中提出一種基于查詢點移動的相關反饋機制，根據(jù)用戶的反饋信息，調(diào)整圖像相似度匹配時每一維特征所占權重，使圖像庫中相關圖像與查詢圖像越來越相似，而不相關圖像則不斷遠離查詢圖像。為了便于實驗分析，文中構建了一個圖像檢索系統(tǒng)ImageRetrieval，該系統(tǒng)支持 FCTL和當前流行的一些圖像檢索算法，

6、如：基于顏色特征的檢索算法FCH(Fuzzy Color Histogram)、基于紋理特征的檢索算法EHD （Edge Histogram Descriptor）、結合顏色與紋理特征的檢索算法 FCTH(Fuzzy Color and Texture Histogram)和CEDD(Color and Edge Directivity Descriptor) ，ImageRetrieval提供了WANG和UCID兩大常用檢索圖像庫。為