27、基于短游程长度描述符与综合特征的图像检索技术

基于短游程长度描述符与综合特征的图像检索技术

图像检索在如今的大数据时代变得越来越重要，它能够帮助用户从海量的图像数据中快速找到自己需要的图像。下面将详细介绍两种不同的图像检索技术，一种是基于短游程长度描述符的图像检索，另一种是基于综合颜色、纹理和形状特征的图像检索。

基于短游程长度描述符的图像检索

在图像检索中，相似度度量是一个关键环节。这里采用卡方距离来比较查询图像和目标图像的归一化直方图，因为它在该方法中能产生最佳效果。卡方统计量的计算公式如下：
[D_{\chi^2}(Q, T) = \sum_{i = 1}^{576} \frac{(Q_i - T_i)^2}{Q_i + T_i}]
其中，$Q$ 和 $T$ 分别是查询图像和目标图像的直方图。

为了验证卡方距离的有效性，进行了与常用的欧几里得距离的对比实验。结果表明，使用卡方距离的方法在性能上优于基于欧几里得距离的方法。

在实验评估方面，使用了两个数据集：MPEG - 7 通用颜色数据集（CCD，即数据集 - 1）和 COREL 11000 数据库（数据集 - 2）。
- 数据集 - 1（CCD） ：包含 5000 张图像和 50 个通用颜色查询（CCQ），每个查询都有指定的真实图像。使用平均归一化检索排名（ANMRR）来衡量单个描述符的有效性，ANMRR 值越低表示性能越好。
- 数据集 - 2（COREL） ：是评估图像检索应用性能最广泛使用的数据集，包含 110 个类别，每个类别有 100 张图像。使用精度（$P$）和召回率（$R$）来判断检索准确性，计算公式如下：
[