近年来,随着计算机视觉科学的蓬勃发展,其应用技术已经对人们生活的方方面面产生了深远的影响,包括相机美颜、人脸识别、无人驾驶等。而图像处理作为计算机视觉的基础和核心,两者既密不可分也相辅相成。本文的研究工作既属于计算机视觉也属于图像处理领域,设计研究了一种基于构图调整和相似性分析的图像集增强和管理方法。一方面,传统的图像集增强方法一般是对图像进行亮度的调节、去除噪声和锐化等,而我们通过对图像的构图调整实现图像集的增强。另一方面,图像集的管理一般是根据图像的拍摄时间或拍摄地点对图像进行分类,而我们提出了一种根据图像间人眼视觉特性的相似性对图像集进行分类管理的方法。首先,我们分别提出了基于缝合线和基于裁剪的构图调整方法。传统的缝合线技术能够对图像进行不等比缩放且不会导致图像的失真现象。我们根据这一特性,结合显著性区域检测,通过对显著性区域的移动实现图像的构图调整。根据显著性区域的位置对能量图进行初始化更新从而有效的解决了调整后的图像容易产生前景扭曲的现象;通过在每次寻找缝合线之前不断的更新能量图从而有效的解决了缝合线的簇聚现象;在每次执行动态规划算法时只遍历部分能量图从而使得算法的执行效率大大提升。在基于裁剪的构图调整中,根据一系列构图规则建立目标函数,通过优化目标函数寻找最优裁剪窗口从而得到我们的构图调整结果。由于采用了“下采样-计算-上采样”的方式,算法的执行速度不会受输入图像分辨率的影响。其次,我们提出了一种基于人眼视觉特性的图像相似性定量分析方法。首先根据图像的颜色信息进行相似性分析:对图像的前景、背景分别进行相似性判定,再根据其各自的面积进行综合。计算图像指纹,根据图像指纹间的相关性判断图像间的相似性。其次根据图像的内容信息进行相似性分析:利用基于Otsu的阈值分割方法得到图像的内容图,再计算图像间的联合梯度域得到对应像素间的内容影响因子,从而计算出图像间的内容相似性。之后根据图像的颜色及内容信息综合分析两张图像的相似性,通过我们的粒度粗糙化操作使得结果更准确。最后综合上述三者结果,并根据图像的时间和GPS信息进行细致修正得到最后的图像相似性值。通过用户调查,我们的结果错误率为0.098。最后,我们提出了一种基于构图调整和相似性分析的图像集增强和管理方法。利用构图调整实现图像集的增强,并且使得数据集扩充两倍,既增加了用户的可挑选性又使得图像集内图像间的相似关联性增强,为后续的图像分类算法提供基础。之后利用相似性分析方法计算图像集内任意两张图像间的相似性值,构建关联图。对关联图进行图分割实现图像集的分类管理功能。