由于图像采集技术的多样性和普及性,数据驱动的图像分析和编辑方法变得越来越热门。然而图像数据的爆炸性增长也带来了许多挑战,其中之一就是如何帮助人们快速有效地从众多素材中检索出所思所想的图像。对于一个图像检索方法而言,首先要解决的一个问题是提供什么样的线索从而返回匹配的图像。单一的线索往往很难完整地表达用户的意图,因此需要多种线索组合。其次基于内容的匹配过程耗时较长,在海量图像数据情况下,多线索组合的模式在实时交互方面无疑是一个很大的挑战。另一方面,图像检索的目的往往是为了进一步的图像分析、编辑以及数字内容创作等提供素材。目前的检索方法大都不能保证检索结果的图像质量,而这却是许多图像分析和编辑方法所要求的。本文针对目前检索方法无法保证检索结果的图像质量以及面向海量图像数据的特征匹配耗时的问题,提出了一种高质量图像的渐进式并行检索算法。候选图像根据一系列检索线索被渐进地排除:首先我们根据图像标签进行快速的文本比较,从海量图像库中获取待匹配图像;然后计算每张图像的显著性值,进一步得到高显著性区域,并过滤掉显著性得分低的对象;接着对这些显著性对象从三分点、对角线准则、视觉平衡三个美学标准来评价,过滤掉不符合美学标准阈值的部分;接下来计算每个显著性对象的边界清晰度并过滤掉清晰度低的对象;对剩余的对象扩张周围区域并计算此区域的分块数量,数量越大表示复杂度越高,然后过滤掉复杂度过高的图像;对于每个剩余的图像,首先对高显著性区域进行形态学扩张,并以此区域为指导将场景元素分割出来;最后我们衡量用户绘制的轮廓和场景元素轮廓之间的一致性,并将最符合用户意图的结果集返回。整个算法过程涉及到多个基于图像特征内容的计算和匹配步骤,实时性将成为一个关键问题。因此我们将整个框架通过MapReduce来实现并行化,以提高检索性能。本文通过各种实验来验证算法的检索性能、准确性以及检索结果的图像质量。并且我们实现一个图像合成原型系统来展示本文提出的算法在数字内容创作等方面的应用前景。