SIFT是图像检索算法中常用的特征提取方法,但其阈值和特征向量维数的选择对正确率和效率有较大影响;另一方面,对于大规模图像检索的在线互联网教育实际应用问题,需要综合考虑检索准确率和检索效率,使得用户有较好的交互体验。本文对上述问题进行研究。考虑到课本图像多以文字为主、颜色变化不大,亮度不同以及可能拍摄的是局部图像,SIFT特征描述子具有旋转、尺度、亮度不变性,所以提取图像特征时采用性能优良的SIFT局部形状特征。本文的具体研究内容如下:1.使用SIFT特征点进行图像检索时,部分测试图像返回的非理想图像的问题,我们通过降低阈值、提取更多的特征点进行匹配的方法得到理想图像。详细阐述了阈值变化对提取图像特征点个数、两图像匹配点个数的影响。提出了特征点个数决定检索正确率的观点以及如何在图像检索中应用。2.对上千张图像进行穷举检索时,存在计算复杂度高、检索时间长的问题,本文提出了基于聚类分层的快速检索方法。该算法借鉴视觉词袋模型对图像提取特征点后进行编码,即图像的Fisher向量化。首先对Fisher向量化的图像进行无监督聚类添加类别,然后判断待检测图像的所属的最近类别,并在该类别下进行特征点匹配返回TOP3图像。实验表明本文提出的方法可以缩小检索范围、减少检索时间,又保证了检索正确率。3.基于上述研究工作,阐述了改进算法如何应用于基于大数据技术的图像检索模块的开发,例如,如何训练图像库、如何调整阈值控制特征点个数进行图像检索。