K均值聚类分割的多特征图像检索方法研究

摘要

随着数字化设备的广泛应用和网络技术的迅猛发展，图像数据库已成几何级数增长趋势，如何在这些图像数据库中准确、迅速的找到所需要的图像就成为一个迫切需要解决的问题。基于内容的图像检索技术就在这种背景下应运而生，并成为一大研究的热点。目前，在基于内容图像检索技术中，应用比较成熟的多是基于图像底层视觉特征的图像检索技术，通过提取图像的颜色、形状、纹理或多个特征作为图像的特征向量进行相似性度量，进而进行图像检索。基于单一特征的图像检索往往存在检索精度不高的缺点，而基于多特征的图像检索技术则可以提高检索精度。本文围绕如何利用图像的多个特征信息进行检索的问题进行了研究，主要研究内容和贡献如下：
　　1.查阅和研究了基于内容的图像检索相关文献资料，对基于内容的图像检索的关键技术进行了综述。首先介绍了图像颜色、形状、纹理等特征的提取和描述方法，并着重分析了多特征的提取和描述方法；然后对图像的相似性度量技术进行了比较全面的分析；最后对常用的图像检索技术的性能评价方法进行了相应的介绍。
　　2.提出了一种基于K均值聚类分割的多特征图像检索算法。该算法首先将图像转换到HSV空间，提取出图像的H分量矩阵和V分量矩阵，并进行矩阵重组，用K均值聚类算法分别对重组后的两个分量进行聚类，将聚类后的两幅图像做取交集运算，这样就分割出了图像中的主要区域；然后提取出分割区域的形状信息，用傅里叶描述子和Hu不变矩来描述；最后进行相似性度量。实验表明，该算法取得了良好的分割效果和检索效果。
　　3.设计实现了一个单机的基于内容的图像检索系统。该系统主要由特征库建立的子系统和图像检索子系统两个模块组成，用基于文件系统的方式将图像数据库和提取出的图像特征进行保存。然后用该系统对各种不同的检索算法进行测试和比较。根据对比实验表明，本文的改进算法取得了较好检索效果，同时也证明了该系统的可行性和有效性。

目录

封面

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 本文的研究内容及章节安排

第二章 基于内容的图像检索技术的相关知识介绍

2.1 基于内容的图像检索系统一般结构

2.2 特征提取与描述

2.3 相似性度量

2.4 本章小节

第三章 基于改进的K均值聚类分割的多特征图像检索

3.1 图像分割技术概述

3.2 改进的K均值聚类算法及其在图像分割中的应用

3.3分割图像形状特征的提取

3.4 相似性度量

3.5 本章小节

第四章 基于内容的图像检索系统的设计与实验

4.1系统需求分析

4.2 系统实现

4.3 系统性能评价

4.4 实验与结果分析

4.5 本章小节

第五章 总结与展望

5.1 总结

5.2 展望

参考文献

攻读硕士期间发表的论文和参与的科研项目

致谢

声明