8、基于区域的图像检索与相似度度量：技术与挑战

基于区域的图像检索与相似度度量：技术与挑战

在图像检索领域，基于区域的图像检索（RBIR）系统能够更准确地表示图像的语义，但缩小语义差距仍是研究的重点。同时，相似度度量对基于内容的图像检索（CBIR）系统的性能有着重要影响。本文将介绍缩小语义差距的相关技术以及常用的相似度度量方法。

缩小语义差距的技术

为了缩小图像检索中的语义差距，研究者们提出了多种先进技术。

• 机器学习方法 ：部分技术利用机器学习工具，从分割后的图像区域的低级特征中获取高级语义概念。例如，Liu等人应用基于决策树的学习算法（DT - ST），利用语义模板将连续值的区域特征离散化；Fei - Fei等人提出增量贝叶斯算法，学习对象类别的生成模型，并在101种不同类别的图像上进行了测试。
• 相关反馈方法 ：基于相关反馈的方法通过在检索过程中使用反馈循环来反映用户意图。如在某些研究中，提出了查询点移动算法用于正例场景，并使用增量聚类算法加速反馈过程。
• 图像文本转换方法 ：Zhang等人提出将图像转换为文本文档，然后像传统的基于文本的搜索一样进行索引和检索。
• 基于颜色 - 大小特征的方法 ：Chiang等人提出了一种基于区域的图像检索系统，该系统使用分水岭区域的颜色 - 大小特征，包括颜色 - 大小直方图和矩，以整合颜色和区域大小信息。同时，提供了基于颜色 - 大小直方图的区域过滤方案，用于快速筛选出最不相关的区域和图像，在图像检索的预处理中发挥作用。该系统在设计图像排名和匹配的相似度度量