基于块边缘特征直方图的图像检索

合集下载

图像检索算法的综述

图像检索算法的综述随着计算机科学的快速发展，图像检索技术也得到了极大的发展和突破。

图像检索是从图像数据库中获取相关图像的过程，主动的检索过程是通过输入查询图像，在图像库中进行搜索，以返回最符合查询图像的结果。

现代图像检索技术主要分为两个阶段：特征提取阶段和相似度比较阶段。

分别介绍如下：一、特征提取阶段1.颜色颜色是一种在图像中广泛使用的特征，计算机可以很容易地提取和比较图像中的颜色信息。

常见的颜色直方图方法是基于彩色空间的统计方法。

2.纹理纹理是一种可看作是由若干个相似或重复的形式元素构成的、呈现出一定规律性的二维空间形式单元，可以用来描述图像的细节特征。

纹理特征提取方法包括灰度共生矩阵、Gabor滤波器和局部二值模式等。

3.形状形状是一种能够捕捉图像主要信息的关键特征。

形状特征可以通过边缘检测等方法进行提取，主要包括边缘匹配、轮廓匹配等。

4.空间布局空间布局主要描述了图像中各个特征的相对位置和大小比例。

常用的方法包括关键点检测和图像分割等。

二、相似度比较阶段在特征提取阶段中，提取图像特征的方法产生了一组特征向量，需要将它们之间进行比较，以找到最相似的图像。

相似度比较方法包括欧几里得距离、余弦距离和皮尔逊相关系数等。

除以上传统方法外，深度学习在图像检索中也得到了广泛应用。

深度学习模型利用反向传播算法自动调整模型参数以最小化错误率。

当前，应用最广泛的深度学习模型是卷积神经网络（CNN）。

CNN能够对大量的图像数据学习到特征，从而实现图像检索或分类的高维特征提取和准确度提升。

作为目前最常用的图像检索算法，基于深度学习的图像检索模型在实际工程应用中也取得了很好的效果。

然而，仍存在一些问题需要解决，如如何提高性能、处理更复杂的图像数据和实现大规模并行计算等问题。

总的来说，图像检索算法是一个非常广泛的领域，目前在不断地研究和优化中。

各种不同的算法都有其自身的优点和应用场景，但也存在各种问题和局限性，需要不断地进行改进和优化。

基于九分块的颜色直方图图像检索算法

中图分类号：Ｐ９．Ｔ３１３文献标识码：ＡＤＯ：０３６／ｉｎ１０－９０２１．１０Ｉ１．９９．ｓ．３６７．１１．９ｊｓ０００
ＩｇｔｉｖｌＢａｅｎＮｉｅＢｌｃｎｏｏａｕｅｍａｅＲｅｒｅａｓｄｏｎｏｋｓａｄＣｌｒＦｅｔｒｓ
（（，Ｑ） ∑ｍｎ（）（），（））＝ｉＨＩ，Ｑ）（￣，
１１＝
颜色直方图作为一种重要的基于颜色特征进行图像检索的方法，具有特征提取和相似度计算简便，并且随图像尺度、旋转等变化不敏感的特点。但颜色直方图描述的是图像颜色的统计特性，丢失了图像颜色的空间分布信息。
ＨｅＹａｅｉａｐｎｂｎ，ｏｉｇＪＸｉ
（ａｕｎＵｉｒｉｅｈｏｏｙｎｔｕｅｌｏｍｔｎｎｉｅｒｇＴｉａ３０４Ｔｉａｎｖｓｔｏｃｎｌｓｔｔｏｎｒａｉｇｎｅｉ，ａｕｎ００２）ｙｅｙｆＴｇＩｉｆｆｏＥｎｙ
ｆｏｔｅｔａｉｉｎｌｏｏｉｔｇａａｄｌｔｒａｍｐｏｅｏｏｉｔｇａ，ｉｄｏｏｏｉｔｇａｂｓｄｏｉｅｐｒｉｏｙｔｒｍｈｒｄｔａｌｒｈｓｏｒｍｎａｅｎｉｒｖｄｃｌｒｈｓｏｒｍａｋｎｆｃｌｒｈｓｏｒｍａｅｎｎｎａｔｎｗａｏｏｃｔｉｉｒｖｅｆｒｎｅｏａｅｒｔｉｖ１ｍｐｏｅｐｒｏｍａｃｆｍｇｒａ．期１

图像检索小结

图像检索小结图像检索是一种根据图像内容进行搜索和导航的技术。

它主要涉及图像特征提取、特征匹配和相似度计算等步骤。

本文对图像检索技术进行了总结，包括特征提取方法、特征匹配算法和相似度计算方法等。

在图像检索中，特征提取是非常重要的一步。

常用的特征提取方法有颜色直方图、纹理特征、形状特征和深度学习特征等。

其中，颜色直方图是一种用于描述图像颜色分布的方法，可以通过统计每个颜色通道的像素数量来构造直方图。

纹理特征能够描述图像的纹理信息，可以通过局部二值模式（LBP）和灰度共生矩阵等方法进行提取。

形状特征可以通过提取图像的边缘或轮廓等几何形状信息来进行描述。

深度学习特征是近年来兴起的一种特征提取方法，它利用深度神经网络模型从图像中学习高层次的特征表示。

特征匹配是图像检索中的一个关键步骤，其目的是找到目标图像和数据库图像之间的对应关系。

常用的特征匹配算法有最邻近匹配法、RANSAC算法和局部特征匹配算法等。

最邻近匹配法是一种简单且高效的匹配算法，它通过计算不同图像中的特征向量之间的欧氏距离或余弦相似度来进行匹配。

RANSAC算法是一种鲁棒的特征匹配算法，它通过随机采样一组匹配特征点来计算模型参数，并通过剔除外点来提高匹配准确度。

局部特征匹配算法是一种基于图像局部区域的特征匹配方法，它通常利用局部关键点和描述子来进行匹配。

相似度计算是评估目标图像与数据库图像之间相似程度的一种方法。

在图像检索中，常用的相似度计算方法有欧氏距离、余弦相似度和基于深度学习的相似度计算等。

欧氏距离是一种简单的距离度量方法，可以用于计算特征向量之间的差异程度。

余弦相似度是一种比较特征向量之间夹角的相似度度量方法，可以有效地减小向量长度带来的影响。

基于深度学习的相似度计算是利用预训练的深度神经网络模型来计算图像的相似度，该方法通过特征提取和相似度度量两个步骤来实现，可以获得较好的检索性能。

图像检索是一门涉及多个领域的交叉学科，不仅包括计算机视觉、模式识别和机器学习等方面的知识，还需要结合人类对图像的感知和理解。

基于特征抽取的图像检索方法与实例分析

基于特征抽取的图像检索方法与实例分析随着数字图像的广泛应用和存储技术的快速发展，图像检索成为了一个重要的研究领域。

图像检索的目标是根据用户的查询需求，从大规模的图像数据库中快速准确地检索出相关的图像。

基于特征抽取的图像检索方法通过提取图像的特征信息，将图像转化为一组数值特征，从而实现对图像的高效检索。

本文将介绍基于特征抽取的图像检索方法，并通过实例分析来说明其应用。

一、基于特征抽取的图像检索方法1. 特征提取特征提取是基于特征抽取的图像检索方法的核心步骤。

常用的特征包括颜色特征、纹理特征和形状特征等。

颜色特征可以通过提取图像的颜色直方图或颜色矩来表示；纹理特征可以通过提取图像的纹理统计信息（如灰度共生矩阵）来表示；形状特征可以通过提取图像的边缘信息或轮廓信息来表示。

特征提取的目标是将图像转化为一组数值特征，以便进行后续的相似度计算。

2. 相似度计算相似度计算是基于特征抽取的图像检索方法的关键步骤。

在特征提取之后，需要计算查询图像与数据库中每个图像之间的相似度。

常用的相似度计算方法包括欧氏距离、余弦相似度和相关系数等。

相似度计算的目标是确定查询图像与数据库中图像的相似程度，从而确定检索结果的排序。

3. 检索结果排序检索结果排序是基于特征抽取的图像检索方法的最后一步。

在相似度计算之后，需要根据相似度的大小对检索结果进行排序，以便用户能够快速准确地找到所需的图像。

常用的排序方法包括基于相似度的升序排序和基于相似度的降序排序。

检索结果排序的目标是将与查询图像最相似的图像排在前面，提高检索效率。

二、实例分析为了更好地理解基于特征抽取的图像检索方法的应用，下面将通过一个实例进行分析。

假设我们有一个包含1000张猫和狗的图像数据库，并且我们希望根据用户的查询，从数据库中检索出与查询图像最相似的图像。

首先，我们通过颜色特征提取方法提取图像的颜色直方图。

查询图像是一张黄色猫的图片，我们可以通过计算查询图像的颜色直方图与数据库中每个图像的颜色直方图之间的欧氏距离，来计算它们之间的相似度。

基于游程编码的块边缘模式图像检索算法

ＱＵＫｉｉ，ＸＡｕ－ｉｇＩＮｉｎｍｉＩａ－ｎＩＯＧｏｑａ，ＪＧＪ－ｎｊｎＡａ
（ｏｅｅｏｏｐｔ＆ＩｏｍｔｎＳｉｃ，Ｓｕｈｅｔｎｖｒｔｈｎｑｎ０７５ｈｎ）ＣｌｇｌｆＣｍｕｅｒｎｒａｉｃｎｅｏｗｓＵｉｓｙｆｏｅｔｅｉ，Ｃｏｇｉ４０１，Ｃｉｇａ
ｄｅｏｅｔｏｏａｈｂａｅｅｔａｉＣ（ｉｅｅｏｉｒｆｍ）ｉｈｕｃｍｒｓ，ｃｍｕａｎｅｇｒｎａｉｆｅｃｌｋｃｎｂｓｍｔｎＤＴＤｓｒｔＣｓｅＴａｓｒｗｔｏｔｅｏｐｓｉｇｏｐｔｏｉｔｎｃｏｉｅｄｃｎｎｏｄｅｎｉｔ
Ａｂｔａｔｓｒｃ：Ａｅｍａｅｒｔｅａｇｒｈｂｓｄｏｌｃｄｅｐｔｒｓｗａｒｐｓｄｉｈｓｐｐｒｌｋｅｇａｅｎｎｗｉｇｅｒｖｌａｏｔｍａｅｎｂｏｋｅｇａｔｎｓｐｏｏｅｔｉａｅ．ＢｏｄｅｐＲｒｓｉｌｉｅｎｃｗｅｅｅｔａｔｄｉａｈ８×８ｂｏｋｏｌｉｇｅｈｎｂｌｗｎｅｐｎｉｌｆｌｌｌｎｔｏｉｇｔｅｆａｕｅｆａｇｒｘｒｃｅｎｅｃｌｆｌｍａ．ＴｅｙｆｌｉｇｔｒｃｐｅｏＵｌｅｇｈｃｄｎ，ｈｅｔｒｓｏｌｉｅｃａｏｏｈｉ－ｌｍａｗｒｘｒｃｅｙｕｉｚｎｌｋｅｇａｅｓｔｍｐｅｎｏｔｎ－ａｅｇｅｒｖｓｄｇｅｄｔｂｅｅａｓｈｅｅｅｔａｔｂｔｉｇｂｏｄｅｐｔｒｉｌｍｅｔｃｎｅｔｂｄｉｄｌｉｃｎｏｓｍａｅｒｔｅａｉｉｅｉｉｌｎｍａａａａ．Ｂｃｕｅｔｅｓ

基于区域模糊直方图的图像检索

Ｋｅｒｙｗｏｄｓ：ｉｇｅｒｅａ；ｆｚｙｈｓｏａ；ｂｓｄｏｅｉｎ；ｍｅｅｓｉｕｃｉｎｍａｅｒｔｖｌｕｚｉｔｇｍｉｒａｅｎｒｇｏｍｂｒｈｐｆｎｔｏ
０引言
随着多媒体时代的到来，人们越来越多地接触到大量图像信息。如何有效地组织、理和检索大规管模的图像数据库，为当前热门的研究课题之一。基于内容的图像检索ＣＩＣｎｅｔａｅｍｇｅ成ＢＲ（ｏｔｓｄＩａｅＲ — ｎＢｔｅａ）ｉｒｖ１技术是解决这一问题的关键性技术之一。它既体现了图像信息的特点，结合了传统的数据库又方法，一项在理论研究和实际应用中均具有前景的新技术 ¨ 。近年来在图像检索领域的研究出现是Ｊ了很多新的研究成果，这些研究都应用现有的各种工具和方法，小波分析Ｊ概率论框架Ｊ模糊理如、、论等，再综合利用图像的多种特征来进行检索。其中，模糊理论应用到图像检索中是一种较新的将研究方法。本文把图像分割算法和模糊理论相结合，出了一种基于区域模糊直方图的图像检索方法。提
ＡｂｔａｔＡｎｉｇｅｒｅａｅｈｄｂｓｄｏｈｅｉｎｆｚｙｈｓｏｒｍｓｐｏｏｅｙｃｍｂｎｎｈｍａｅｓｒｃ：ｍａｅｒｔｉｖｌｍｔｏａｅｎｔｅｒｇｏｕｚｉｔｇａｉｒｐｓｄｂｏｉｉｇｔｅｉｇｓｇｅｔｔｎａｇｒｔｍｎｈｕｚｙｔｅｒ．ｉｓ，ｈｅｋ－ｅｎｌｓｅｎｌｏｔｍｓｕｅｏｓｇｎｈｍａｅｍｎａｉｌｏｈａｄｔｅｆｚｈｏｙＦｒｔｔｍａｓｃｕｔｒｇａｇｒｈｉｓｄｔｅｍｅｔｔｅｉ — ｏｉｉｉｇｓａｄｔｅｆｚｙｈｓｏｒｍｓｂｕｌｏｈｍａｅｒｔｅａａｅｎｔｅｖｓａｅｔｒｓｏｖｒｅｉｎ．ｐｅｉｅｎｈｕｚｉｔｇａｉｉｆｒｔｅｉｇｅｒｖｌｂｓｄｏｈｉｕｌｆａｕｅｆｅｅｒｇｏＥｘｒ— ｔｉｙｍｅｔｒｓｌｒｍｈａａａｅｗｉｈ１００ｇｎｒｌｉｇｓｓｏｔａｈｉｔｄｉａｉｆｃｏｒｔｅｉｇｅｎｅｕｔｆｏｔｅｄｔｂｓｔ０ｅｅａｍａｅｈｗｈｔｔｓｍｅｈｏｓｓｔｓａｔｒｆｈｍａｅｒ — ｓｙｏｔｉｖ１ｒｅａ．

基于颜色分块全局直方图的图像检索方法及系统实现

ＩａｅＲｅｒｅａｅｈｏｓａｄＳｓｅｐｅｅｔｔｏｓｄｏｍｇｔｉｖｌＭｔｄｎｙｔｍＩｌｍｎａｉｎＢａｅｎｍ
ＣｏｏｅｍｅｔＧｌｂｌＨｉｔｇａｓｌｒＳｇｎｏａｓｏｒｍ
ａｃｒｉｇｔｉｈｓｇｖｎｂｓｒｅａｄｄａｅｒａｉｔｎｅｂｔｅｅｔｏｐｃｕｓｈｉｔｒｓｗｉｃｏｎｏｗｅｇｔｉｅｙｕｅｉｒｇｒｅｓｔｅｄｓａｃｅｗｅｎｔｉｔｒ．Ｔｅｐｃｕｔｄｓｓｈｌｈｗｅｅｈ
维普资讯
第４４卷
第４期
吉林大学学报（理学版）
ＪＵＮＬＯＩＩＮＶＢＩＹ（ＣＥＣＤＴＯ）ＯＲＡＦＪＬＮＵＩＥＳＴ４
ｄｓａｃｅｗｅｎａｔａｓｇｎｇｏａｈｓｏａａｅａｃｌｔｄ．Ｔｅｔｅｏｅａｌｉｔｎｅｃｕｌｔｉｔｎｅｂｔｅｐｒｉｌｅｍｅｔｌｂｌｉｔｇｍｓｒｃｕａｅｒｌｈｎｈｖｒｌｄｓａｃａｃｍｕａｅｄ
２ＯＯ６年７月
Ｊｙ２０，０６ａ
基于颜色分块全局直方图的图像检索方法及系统实现
薛少娟，左万利，赫枫龄
（吉林大学计算机科学与技术学院，长春１０１）３０２
摘要：过比较全局颜色直方图和分块颜色直方图，提出一种分块全局直方图的检索方法．通

基于图像熵和分块直方图的图像检索技术研究

２Ｏｌ３年１１月
安阳工学院学报
ＪｏｕｎａｒｌｏｆＡｎｙａｎｇＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ
Ｎｏｖ．２０１３
第１２卷第６期（总第６６期ｅｎ．Ｎｏ．６６）
调，是从一个物体反射过来的或透过物体的光波随着互联网络的发展，图像数据越来越大。而长，更一般的，色调是由颜色名称来辨别的，如红、传统的图像检索技术是基于文本，基于文本的检橙、黄、绿、蓝、靛、紫等。一１８０￣－１８０。或００－３６０ｏ度索工作量很大，而且由于人为参与的主观性。影响量，对应与颜色轮ｃｏｌｏｒｗｈｅｅ１）上的角度；Ｓａｔｕｒａｔｉｏｎ了检索的性能。到２Ｏ世纪９０年代以后，出现了对表示颜色的饱和度。即表示一种颜色中加入了多图像的内容语义，如图像的颜色、纹理、布局等进少白光，反映颜色被白色冲淡的程度，通常用百分行分析和检索的图像检索技术．即基于内容的图比来度量，从０％到完全饱和的１００％；Ｖａｌｕｅ表示像检索（Ｃｏｎｔｅｎｔ — ｂａｓｅｄＩｍａｇｅＲｅｔｒｉｅｖａｌ，简称ＣＢＩＲ）亮度，是颜色的明暗程度，它也用百分比度量从黑技术。在基于内容的图像检索中。颜色作为图像最０％到白１００％。由于色调Ｈ是以０￣－３６０。角度度显著的视觉特征。被广泛应用于图像检索。颜色特量，因此由日和．ｓ量可以构造一个颜色轮。在颜色征具有稳定性好、计算简单等特征。其中，颜色直轮上，主要颜色沿一个圆均匀分布，次要颜色位于方图是颜色特征的常用描述方法，但在对彩色图主要颜色之间。例如用黄色和青色产生绿色。因此像进行检索时，颜色直方图仅仅表示了图像中各绿色位于黄色和青色之间。每种颜色与它的补色种颜色的统计分布．而没有包含颜色的空间分布直接在轮上相对。长轴表示亮度，离开长轴的方信息。两个颜色直方图相似的图像由于颜色空间向表示饱和度Ｉｓ，这样ＨＳＶ颜色空间就可以简单分布差别很大，图像的内容可能相差很多。这些都地用一个倒置的圆锥表示了。ＨＳＶ颜色模型的有是造成检索效果不理想的原因。本文采用了可以两个特点：第一，各分量在视觉上彼此无关，相互直接作用于彩色图像的图像熵．表征图像的整体独立；第二，空间距离符合人眼的视觉特征，适合颜色信息和邻域内颜色空间分布，然后再结合颜度量。从而使得它非常适合于借助人类视觉系统色直方图进行检索。结果证明。该方法不但简单高来感知颜色特征的图像处理算法。该模型是基于效。而且改善了检索的性能。颜色的图像检索方法的首选模型。１颜色空间的选定２１＿１ＳＶ颜色一空间的量化表示图像的颜色可以有多种方法。现今已经真彩色（ｔｒｕｅ — ｃｏｌｏｒ）图像中的每个像素值都分提出了多种颜色空间（又称颜色模型），不同的颜色成、Ｇ、日三个基色分量，每个基色分量直接决定空间适合于不同的应用。针对本文的研究我们采其基色的强度，真彩色图像深度为２４，用：Ｇ：＝８：用ＨＳＶ空间模型。８：８来表示色彩，则、Ｇ、各占用８位来表示各自ＨＳＶ颜色模型［１］是一种面向视觉的适合肉眼基色分量的强度，每个基色分量的强度等级为２ｓ＝分辨的模型，在基于内容的图像检索中颇受欢迎。２５６种。图像可容纳２￣＝１６Ｍ种色彩（２４位色）。而人ＨＳＶ颜色模型由三个颜色通道：色调（Ｈｕｅ）、饱和度眼能够分辨的颜色非常有限，图像中的实际颜色如（Ｓａｔｕｒａｔｉｏｎ）、亮度值（Ｖｌｕａｅ）组成，Ｈｕｅ表示颜色色中若干主要色彩覆盖了图像中的大部分像素。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

维普资讯
计算机科学２０Ｖｏ．３ｏ４０６１Ｎ．３
基于块边缘特征直方图的图像检索）
邱开金肖国强张为群
（西南大学计算机与信息科学学院重庆４０１）０７５
摘要本文提出一种利用块边缘特征来进行图像检索的方法。首先对图像中每个８ｘ８的块分别提取其块边缘特
ａｅｅｔａｔｄｒｓｅｔｖｌｒｍａｈ８８ｂｏｋｏａｅｒｘｒｃｅｅｐｃｉｅｙｆｏｅｃ × ｌｃｆｍｇ．Ｔｈｎａ３Ｄｒ４Ｄｉｔｇａｉｏｓｒｃｅｙｕｉｚｎｌｃｉｅ－Ｏ－ｈｓｏｒｍｃｎｔｕｔｄｂｔｉｉｇｂｏｋｓｌｅｇａｔｒｓｔｅｒｅｅｉｇｓｉｓｄｇａａａｅ．ＢｃｕｅｔｅｅｇｒｅｔｔｎｏａｈｂｏｋｃｎｂｓｉａｅｎｄｅｐｔｅｎＯｒｔｉｖｍａｅｎｉｅｉｍａｅｄｔｂｓｓｅａｓｈｄｅｏｉｎａｉｆｅｃｌｃａｅｅｔｔｄｉｏｍｄｓｒｔｏｉｅｔａｓｏｍ（ｉｃｅｅｃｓｎｒｎｆｒＤＣＴ）ｔｗｉｅｕｅｔｅｃｍｐｅｉｙ０ｖｌａｉｇｅｇｒｅｔｔｏ．Ｉｏａｉｏｔｘ，ｉｌｒｄｃｈｏｌｘｔｆｅａｕｔｄｅｏｉｎａｉｎｎｃｍｐｒｓｎｗｉｅｌｎｈｉｔｇｒｐｅｅｔｔｅｔｃｎｑｅ，ｔｅｅｐｒｅｔｌｒｓｌｓｓｏｔｅｓｐｒｒｔｆｈｒｐｓｄａｇｒｔｍｎｔｒｓｏｅｓｉｅｒｓｎａｉｅｈｉｕｓｈｘｅｉｎａｅｕｔｈｗｈｕｅｉｉＯｅｐｏｏｅｌｏｉｎｖｍｏｙｔｈｉｅｍｆｒｔｉｖＩｒｃｓｏｎｒｃｓｉｇｓｅｄｒａｅｉｉｎａｄｐｏｅｓｎｐｅ．ｅｐＫｅｗｏｄＢｌｃｄｅｐｔｅｎ，ｇａｔｒｉｔｇａ，ｏｔｎ－ａｅｍａｅｒｔｉｖｌＤｉｃｅｅｏｉｅｔａｓｏｙｒｓｏｋｅｇａｔｒｓＥｄｅｐｔｅｎｈｓｏｒｍｓＣｎｅｔｂｓｄｉｇｅｒａ，ｓｒｔｃｓｎｒｎｆｒｅｍ
这五种块边缘特征检索图像。针对这些问题，本文提出一种基于块边缘特征直方图的图像检索算法。首先提取图像的三种块边缘模式，它们分别是无边缘、水平边缘、垂直边缘。其次，以相邻三个块作为整体来构造三维直方图，以相邻四个块作为整体来构造四维或直方图算法的基本思想是通过增加更多的位置信息和空问信息来提高图像查询的查准率。实验结果表明，用本文提利
（ＤＣＴ）
随着多媒体和互联网的高速发展，字图像的数量也在数
以惊人的速度增长，如何在这海量的图像中快速而叉准确地搜索所需要的图像，一直是人们普遍关注的问题，因此凡是能
缘、直边缘、３。，且提取这五种块边缘特征的计算垂１５边缘并复杂度也较低。但直接利用这五种块边缘特征进行图像查询，则图像特征信息太少，索性能差，以很少有人直接用检所
进行图像检索是目前基于内容的图像检索技术的研究热点］。从ＩＴ域提取特征的方法很多，近年来这方面的Ｘ３但研究主要集中在纹理、色、颜形状等方面。这些特征能够比较
ＡｎｍａｅＲｅｒｅａｇｒｔｍｓｄｏｏｋＥｄｇ－ｔｅｎｓｏｒｍＩｇｔｉｖｌＡｌｏｉｈＢａｅｎＢｌｃ－ｅＰａｔｒＨｉｔｇａ
ＱＩＫａＪＸＡＯＧｕ－ａｇＺＵｉｉ —ｎＩｏＱｉＨＡＮＧＷｅＱｕｎｉｎ－
提高图像查询速度和查询准确度的图像检索算法都具有重要
的实用价值。
目前，由于时间和空间的限制，大量的图像都以压缩方式
存贮和传输，其中ＪＥ是最常用的图像压缩格式。直接从ＰＧ
Ｄ【、Ｔ压缩域提取特征可以减少系统的处理时间和计算复杂
度，从而提高图像的检索速度，因此，直接从ＤＴ域提取特征Ｃ
征，利用块边缘特征构建三维或四维直方图进图像检索。所有数据在ＤＴ压缩域中进行处理，而降低了计算复Ｃ从杂度。实验结果表明，方法与传统的基于ＤＴ压缩域的图像检索方法相比，该Ｃ具有检索准确度高和检索速度快的特
点。
关键词
块边缘特征，块边缘直方图，于内客的图像检索，Ｃ基ＤＴ
（Ｆｃｌｙｏｏｕｅａｕｔｆｍｐｔｒ＆ＩｆｒｔｎＳｉｎｅＳｕｈｓｉｒｉ．Ｃｏｇｉｇ４０１）Ｃｎｏｍａｉｃｅｃ．ｏｔｗｅｔｏＵｎｖｓｙｈｎｑｎ０７５ｅｔ
Ａｂｔａｓｒ￣
Ｉｈｓｐｐｒｎｔｉａｅ，ｗｅｐｏｏｅａｎｗｇｅｒｅａａｇｒｔｍａｅｎｂｏｋｅｇａｔｒｓＢｏｋｅｇａｔｒｓｒｐｓｅｉｍａｅｒｔｉｖｌｌｏｉｈｂｓｄｏｌｃｄｅｐｔｅｎ．ｌｃｄｅｐｔｅｎ