论文部分内容阅读
随着Internet和数据库技术的迅猛发展，出现了数量庞大的数字图像信息，因此快速有效地管理和检索有价值的信息迅速成为人们的迫切需求，随之基于内容的图像检索（Content-Based Image Retrieval，简称CBIR）技术应运而生，并且逐步成为了目前非常热门而又富有挑战性的课题之一。由于传统的CBIR技术存在一定的局限性，即其图像检索算法只提取图像的单一特征，但是图像的单一特征方法存在很多不足之处，因此本文提出的图像检索算法融合了基于不同的权重的颜色和形状特征，并对形状特征建立了基于BK-Tree和改进的模糊C均值聚类算法（Fuzzy C-Means，简称FCM算法）的高维索引结构，最后将本文的检索结果与传统的CBIR技术的检索结果进行了比较总结。本文主要探索CBIR技术中检索算法和高维索引结构，具体研究工作如下：首先，为了使检索结果更符合人类的视觉判断，客观的描述图像的整体内容，提高检索速度和精度，因此在融合颜色和形状特征的基础上，分配不同的权重，提出了一种基于全局不变矩和分块主颜色的图像检索算法（Image Retrieval Based on MomentInvariant and Sub-Block Dominant Color，简称MIDC算法）。其次，针对传统FCM算法聚类个数c必须预先给定的缺点，提出了一种改进的FCM算法，从而达到或接近全局最优，大大减少迭代次数，使算法以更快的速度收敛，并且结合BK-Tree对全局不变矩建立了基于BK-Tree和改进的FCM算法的高维索引结构（BF高维索引结构），其结构不仅有利于减少示例图像全局不变矩与聚类中心集的比较次数，而且通过FCM聚类可将相似图像分到同一类，因此提高了准确度。最后，从用户的角度出发，对MIDC图像检索算法和BF高维索引结构进行大量的相关实验和结果分析。实验证明，无论示例图像的颜色和形状特征是否明显，MIDC算法的综合检索性能比其他传统算法都有较高的准确性和鲁棒性；基于BF算法的高维索引结构的检索效果比基于传统FCM算法的检索效果无论在检索时间上还是查准率以及查全率上，都具有一定的优势。