低层视觉特征提取、高维数据索引机制和相关反馈方法是面向大规模图像库基于内容检索的三个关键问题。真实地反映图像内容的低层特征是图像检索精确度得以提高的必备条件,有效的高维索引机制是面向大规模图像库的检索能达到实时性要求的关键技术,而相关反馈方法是利用人机交互方式动态地捕捉图像检索中高层语义和低层特征关系的一个重要途径。 论文探讨了颜色特征和形状特征提取方法。针对颜色直方图无法捕捉颜色组成之间的空间关系的缺陷,提出了基于主色分块的颜色特征提取方法。首先通过颜色直方图确定图像的主色,再根据熵最大化离散策略提取图像颜色空间分布信息得到颜色特征表示,最后定义了相似性测度。图像分割是解决目标检测、特征提取等问题的关键所在,而形状特征提取的首要任务是获得目标图像边界。利用本文提出的基于颜色基元和基于自适应网络模型两种图像分割法将目标与背景分开,利用Canny边缘算子描述目标对象轮廓得到形状特征表示。 对数据空间的精确描述及对数据空间的有效划分是高维索引机制中的关键问题。论文提出了基于格矢量量化的层状索引机制。该方法先采用高斯混合模型模拟特征空间数据分布,利用改进的BP算法神经网络对特征空间中的数据点进行归类。然后采用格矢量量化高斯类,这样就能充分利用单一高斯类中各维之间的相关性,对数据向量构造更加精确的近似表示。在划分特征空间、格矢量量化高斯类的基础上,利用三层树状结构来组织数据构造索引机制。并给出了索引结构的维护方法。和现有的索引机制相比,基于格矢量量化的层次型索引机制可以显著减少检索时需要访问数据向量的次数,取得了更好的检索性能。 相关反馈方法研究中涉及两个关键问题,一是如何从反馈样本中综合多特征表达用户查询概念。二是如何结合正、负反馈样本调整特征分量的权值。论文提出了基于多特征融合的相关反馈方法。通过对