数字图像处理_图片识别
基于数字图像处理技术的图像识别与分类算法研究
基于数字图像处理技术的图像识别与分类算法研究随着科技的不断进步和数字化的不断深入，数字图像处理技术越来越广泛地应用于人们的日常生活和工业生产中。
数字图像处理技术，简单来说，就是对数字图像进行处理、分析、识别和提取信息，其最重要的应用之一就是图像识别与分类算法。
本文将探讨基于数字图像处理技术的图像识别与分类算法的研究。
一、数字图像处理技术概述数字图像处理技术是一种将数字计算机进一步加工处理、保存、传输、打印或者显示成具有合适图像质量的分析和处理的技术。
数字图像的基本特征是由像素点组成，而像素点则是由亮度和颜色值等构成的。
数字图像处理技术的应用范围非常广泛，比如说在光学检测、医学影像处理、个人生活影像处理等方面都能得到成功的应用。
二、图像识别技术原理图像识别技术运用数字图像处理技术解决图像中的图型识别问题，通俗来讲就是让机器理解图像。
以动物为例，我们人类看过一种动物后，就会能够准确地辨认出它的种类。
而对于机器来说，没有思维和辨识的能力，所以我们需要把我们人类的识别思路以算法的形式提取出来。
在图像识别技术中，常常使用的方法有传统的机器学习算法和深度学习算法。
传统的机器学习算法需要人工提取特征，把特征向量输入到分类器中进行分类。
而深度学习算法相比之下，具有自动提取特征和学习分类器的优势，很大程度上增加了图像识别的准确性和速度。
三、图像分类技术原理及应用图像分类技术是图像处理和计算机视觉领域的一个重要分支，用于将经过预处理的图像自动分成不同的种类、类别或者标签。
图像分类技术最常用的方法是使用监督学习算法，将特征向量输入到分类器中进行分类。
图像分类技术的应用也非常广泛，比如说在普通的红外图像识别、遥感图像分类、医学影像分析等领域都得到了广泛的应用。
四、数字图像处理技术的发展趋势数字图像处理技术的应用前景非常广阔，未来的发展趋势也非常明显。
一方面，具有自动特征提取和分类能力的深度学习算法以其高准确性和有效性正逐渐取代传统的机器学习算法，成为了图像识别和分类的主流。
数字图像处理在智能识别中的应用：技术、原理与应用研究
数字图像处理在智能识别中的应用：技术、原理与应用研究第一章：引言1.1 研究背景数字图像处理是指使用计算机对图像进行处理、分析和识别的一门技术。
随着计算机技术的发展和应用的广泛，数字图像处理在各个领域都得到了广泛的应用，尤其是在智能识别领域。
智能识别是指通过计算机对图像中的对象、特征进行自动识别和分类的技术，包括人脸识别、指纹识别、车牌识别等。
数字图像处理在智能识别中起着重要的作用，可以提高识别的准确性和效率。
1.2 研究目的本文旨在探讨数字图像处理在智能识别中的应用，介绍相关的技术、原理和应用研究，以期对智能识别的发展起到推动作用。
第二章：数字图像处理技术2.1 数字图像处理的基本概念数字图像是指由像素组成的图像，每个像素的灰度值表示了图像上的亮度或颜色信息。
数字图像处理是对图像进行数字化处理的过程，包括图像增强、滤波、分割、压缩等操作。
2.2 图像增强图像增强是指通过一系列的处理操作，改善图像的质量，提高图像的视觉效果。
常用的图像增强方法包括灰度拉伸、直方图均衡化、滤波等。
2.3 图像滤波图像滤波是指通过一系列的滤波操作，对图像进行平滑或增强的处理。
常用的图像滤波方法包括线性滤波、非线性滤波、边缘检测等。
2.4 图像分割图像分割是指将图像分成多个区域的过程，每个区域具有相似的特征。
常用的图像分割方法包括阈值分割、边缘分割、区域分割等。
2.5 图像压缩图像压缩是指将图像的数据表示方式转换为更紧凑的形式，以减少存储空间和传输带宽。
常用的图像压缩方法包括有损压缩和无损压缩。
第三章：数字图像处理在智能识别中的应用3.1 人脸识别人脸识别是指通过计算机对人脸图像进行识别和识别的技术。
数字图像处理在人脸识别中可以用于人脸检测、特征提取和特征匹配等方面。
常用的人脸识别算法包括PCA、LDA、SVM等。
3.2 指纹识别指纹识别是指通过计算机对指纹图像进行识别和验证的技术。
数字图像处理在指纹识别中可以用于指纹图像增强、特征提取和特征匹配等方面。
数字图像处理课件ppt
06 数字图像处理的应用案例
人脸识别系统
总结词
人脸识别系统是数字图像处理技术的重要应 用之一，它利用计算机视觉和图像处理技术 识别人的面部特征，实现身份认证和安全监 控等功能。
详细描述
人脸识别系统通过采集输入的人脸图像，提 取出面部的各种特征，如眼睛、鼻子、嘴巴 等部位的形状、大小、位置等信息，并与预 先存储的人脸特征进行比对，从而判断出人 的身份。该系统广泛应用于门禁系统、安全
分类器设计
总结词
分类器设计是图像识别技术的核心，它通过训练分类器，使其能够根据提取的特征对图 像进行分类和识别。
详细描述
分类器设计通常采用机器学习算法，如支持向量机、神经网络和决策树等。这些算法通 过训练数据集进行学习，并生成分类器模型，用于对新的未知图像进行分类和识别。
模式识别
总结词
模式识别是图像识别技术的最终目标，它通 过分类器对提取的特征进行分类和识别，实 现对图像的智能理解和处理。
源调查和环境监测。
计算机视觉
为机器人和自动化系统提供视 觉感知能力，用于工业自动化
、自主导航等。
数字图像处理的基本流程
特征提取
从图像中提取感兴趣的区域、 边缘、纹理等特征，为后续分 类或识别提供依据。
图像表示与压缩
将图像转换为易于处理和分析 的表示形式，同时进行数据压 缩，减少存储和传输成本。
预处理
详细描述
模式识别在许多领域都有广泛应用，如人脸 识别、物体识别、车牌识别等。通过模式识 别技术，可以实现自动化监控、智能安防、 智能驾驶等应用。随着深度学习技术的发展 ，模式识别的准确率和鲁棒性得到了显著提 高。
05 数字图像处理中的常用算 法
傅里叶变换算法
傅里叶变换
图像处理与计算机视觉技术
图像处理与计算机视觉技术近年来，图像处理和计算机视觉技术在各行各业得到了广泛应用。
从医学影像到自动驾驶，从安防监控到娱乐游戏，这些技术正在改变我们的生活方式和工作方式。
在本文中，将探讨这两种技术的应用和未来发展。
一、图像处理技术图像处理技术是数字图像处理、压缩、增强、修复和分析等技术的总称。
它主要包括以下几个方面：1. 数字图像处理数字图像处理是对数字图像进行操作和处理的技术，包括图像去噪、图像增强、图像复原、图像分割、图像压缩等。
数字图像处理技术广泛应用于医学影像、摄影以及工业检测等领域。
2. 图像识别图像识别技术是指利用计算机对图像进行处理，从而实现对图像中对象、形状、轮廓等特征的识别。
图像识别技术在工厂质检、遥感影像分析、安防监控等领域有着广泛的应用。
3. 人脸识别人脸识别技术是指利用计算机对人脸图像进行处理，从而实现对人脸的识别、比对和辨认的技术。
人脸识别技术可以应用在安防监控、门禁考勤、公安案件侦破等领域。
二、计算机视觉技术计算机视觉技术是指利用计算机对视觉信息进行处理、分析、理解和获取的技术，涵盖了图像处理、模式识别、机器学习、深度学习等多个领域。
计算机视觉技术主要包括以下几个方面：1. 物体检测和跟踪物体检测和跟踪技术是指利用计算机对图像中的指定物体进行识别、定位和跟踪的技术。
这种技术可以应用于自动驾驶、无人机、安防监控等领域。
2. 模式识别模式识别技术是指对大量数据进行分析和处理，从而寻找数据中的模式和规律，以进行分类和识别。
这种技术可以应用于人脸识别、指纹识别、语音识别、股票分析等领域。
3. 机器学习机器学习技术是指让计算机根据大量的数据自主学习并改进模型和算法的技术。
这种技术可以应用于自然语言处理、图像识别、人工智能等领域。
三、图像处理和计算机视觉的未来发展随着计算机技术和人工智能技术的不断发展，图像处理和计算机视觉技术将会在未来有更多的发展和应用：1. 智能制造智能制造是指利用数字化、网络化和智能化技术对制造业进行升级的过程。
数字图像处理与模式识别
数字图像处理与模式识别数字图像处理和模式识别是近年来快速发展的技术领域。
随着计算机的普及，数字图像处理和模式识别技术正在越来越广泛地应用于生产、医疗、安全、交通等领域。
本文将介绍数字图像处理和模式识别技术，以及它们的应用。
数字图像处理数字图像处理是对从数字相机、扫描仪等设备中得到的数字图像进行处理的技术。
数字图像处理可以用于增强图像的质量、改变图像的颜色、减少图像噪声、提取图像特征等。
数字图像处理的主要过程包括图像预处理、特征提取和分类。
图像预处理是对图像进行预处理的过程，目的是去除噪声、增强对比度、增加分辨率等。
常用的图像预处理方法包括平滑、边缘检测、二值化等。
平滑技术用于去除图像中的噪声。
边缘检测技术用于提取图像中的边缘信息。
二值化是将图像转换为黑白两色，以便进行下一步的特征提取。
特征提取是指从图像中提取与目标有关的特征。
特征提取通常通过对彩色图像中的像素值进行转换来实现。
在图像处理中，特征可以是形状、颜色、纹理、边缘等。
通过特征提取，可以将目标从图像中分离出来，以便进行下一步的分类。
分类是将图像分为不同类别的过程，目的是区分不同对象，并进行识别和分析。
在图像分类中，常用的方法包括决策树、支持向量机、神经网络等。
决策树是一种通过选择特征来分割数据的方法。
支持向量机是一种通过线性或非线性分类器来分配数据的方法。
神经网络是一种通过训练数据集来识别不同类别的方法。
数字图像处理的应用场景包括生产、医疗、安全、交通等各个方面。
例如，在生产领域中，数字图像处理可以用于检测机器的运行状态，优化流程和提高生产效率。
在医疗领域中，数字图像处理可以用于对医学图像进行处理和分析，以便进行疾病的诊断和治疗。
在安全领域中，数字图像处理可以用于实时监测和识别危险行为和违规行为。
在交通领域中，数字图像处理可以用于车辆和行人的识别，以提高道路安全性。
模式识别模式识别是一种人工智能技术，旨在建立模型，使计算机能够自动从输入数据中学习，从而识别或分类到新的数据。
数字图像处理与分析
数字图像处理与分析数字图像处理与分析（Image Processing and Analysis）是一门研究如何对数字图像进行处理和分析的技术学科。
它广泛应用于各个领域，例如医学图像处理、计算机视觉、模式识别等。
本文旨在介绍数字图像处理与分析的基本原理和常见应用。
首先，我们来了解一下数字图像的基本概念。
数字图像是由一系列的像素（Pixel）组成的，每个像素都具有一定的亮度和颜色信息。
图像处理的目标就是对这些像素进行一系列的操作，从而实现图像的增强、恢复、压缩等目的。
数字图像处理的基本原理涵盖了多个方面。
首先是图像增强（Image Enhancement），它通过调整图像的亮度、对比度、颜色饱和度等参数，使得图像更加清晰和易于观察。
其次是图像恢复（Image Restoration），它用于修复因噪声、模糊等原因导致的图像损坏。
常见的图像恢复方法包括去噪、去模糊等。
此外，还有图像压缩（Image Compression），用于减小图像的存储空间和传输带宽，提高图像的传输效率。
数字图像处理还涉及到一些高级的技术和方法。
例如，图像分割（Image Segmentation）用于将图像划分为若干个具有相似特征的区域，从而实现对图像中目标的提取。
图像配准（Image Registration）用于将多幅图像进行对齐，使得它们具有一致的空间参考。
目标检测与识别（Object Detection and Recognition）则用于在图像中寻找并识别出特定的目标。
数字图像处理与分析在许多领域的应用十分广泛。
在医学领域，它被用于医学图像的分析和诊断，例如CT扫描、MRI等。
在农业领域，数字图像处理被用于植物图像的分析，例如检测病虫害、测量农作物生长情况等。
在安防领域，数字图像处理被用于视频监控和行人检测，以提高监控系统的效率和准确性。
总结起来，数字图像处理与分析是一门研究如何对数字图像进行处理和分析的学科。
它涉及到图像增强、图像恢复、图像压缩等基础原理，以及图像分割、图像配准、目标检测与识别等高级技术。
数字图像处理的原理与方法
数字图像处理的原理与方法数字图像处理是一种将数字信号处理技术应用到数字图像上的科学技术，它的出现极大地推动了图像处理技术的发展。
数字图像处理不仅可以用于医学图像处理、卫星图像处理、工业检测等领域，还可以应用于数字影像娱乐等方面。
数字图像处理的核心内容就是图像增强、图像恢复、图像分割、图像识别等，本文将主要探讨数字图像处理的原理与方法。
一、图像增强处理图像增强处理是对原始图像进行改善的过程，也是数字图像处理中最普遍的操作类型。
通过增强处理，可以使图像局部特征更加明显，以便进行更高级的图像分析。
常见的图像增强方法包括灰度线性变换、灰度非线性变换、空域滤波增强、频域滤波增强等。
其中，空域滤波增强是最常见的一种方法。
通过对原始图像进行高斯滤波、中值滤波等操作，可以有效去除图像中的噪声。
二、图像恢复处理图像恢复处理是指从已知的图像信息中恢复出原始图像的过程，也是数字图像处理中一种重要的方法。
在数字图像处理中，图像的失真比如模糊、噪声等是不可避免的。
而图像恢复就是通过各种手段找到原始图像中所保留的信息，以恢复图像失真前的形态。
常见的图像恢复处理方法包括逆滤波、维纳滤波、约束最小二乘滤波等。
三、图像分割处理图像分割处理是将图像分割成若干具有独立意义的子区域的过程。
图像分割处理是数字图像处理中一种热门的研究领域，其主要应用于目标提取、图像分析和模式识别等方面。
常用的图像分割方法包括基于像素的算法、基于区域的算法、边缘检测算法等。
其中，基于区域的算法应用最广。
通过对相似区域进行聚类，可以将图像分割成若干子区域，从而实现目标提取等功能。
四、图像识别处理图像识别处理是指对图像进行自动识别的过程。
图像识别处理是数字图像处理中的一大领域，它的技术含量非常高。
常见的图像识别处理方法包括特征提取、模式匹配、神经网络等。
其中，特征提取是一种重要的处理方式。
通过对图像进行特征提取，可以将图像转化为数字特征，从而实现对图像的自动识别和分类。
图片识别原理
图片识别原理图片识别是一种通过计算机视觉技术，将图像中的内容转换成可识别的数据的过程。
它可以帮助计算机理解图像中的信息，并进行相应的处理和分析。
图片识别的原理涉及到多个领域的知识，包括图像处理、模式识别、机器学习等。
在本文中，我将介绍图片识别的原理及其相关技术，希望能为您对这一领域有更深入的了解。
首先，图片识别的原理主要包括图像获取、特征提取、特征匹配和分类识别四个步骤。
在图像获取阶段，我们需要通过摄像头或者其他设备获取图像数据，并将其转换成数字信号。
然后，在特征提取阶段，我们需要从图像中提取出能够代表图像特征的信息，比如颜色、纹理、形状等。
接着，在特征匹配阶段，我们需要将提取出的特征与已知的特征进行比对，以找出图像中的对象或者场景。
最后，在分类识别阶段，我们需要根据匹配结果对图像进行分类识别，从而得到最终的识别结果。
在实际的应用中，图片识别涉及到多种技术和方法。
其中，深度学习技术在近年来得到了广泛的应用。
深度学习是一种基于人工神经网络的机器学习方法，它通过多层次的神经网络结构来学习图像数据的特征，并进行识别和分类。
深度学习技术在图片识别领域取得了很大的突破，能够处理复杂的图像数据，并取得比传统方法更好的识别效果。
除了深度学习技术，还有一些其他的图片识别技术，比如基于特征的方法、基于模型的方法等。
这些方法在不同的场景下有着各自的优势和局限性，需要根据具体的应用需求来选择合适的方法。
总的来说，图片识别是一项涉及多个学科领域的复杂任务，它需要利用图像处理、模式识别、机器学习等多种技术手段来实现。
随着人工智能和计算机视觉技术的不断发展，图片识别的应用范围将会越来越广泛，带来更多的便利和效益。
希望本文能够帮助您对图片识别的原理有所了解，同时也能够为您在相关领域的学习和研究提供一些参考。
图片识别是一个充满挑战和机遇的领域，相信在不久的将来，它将会为我们的生活和工作带来更多的改变和进步。
- 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)。
研究生课程考核试卷
（适用于课程论文、提交报告）
科目：数字图像处理教师：黄鸿
姓名：潘世强学号：20110802096 专业：仪器科学与技术类别：（学术）上课时间：2011年10月至2012年01月
考生成绩：
阅卷评语：
阅卷教师(签名)
重庆大学研究生院制
CHONGQING UNIVERSITY
数字图像处理
——基于内容的图像检索系统
学院：光电工程学院
姓名：潘世强
学号：20110802096
指导教师：黄鸿
时间： 2012年01月08日
基于内容的图像检索系统
摘要：随着多媒体技术的迅速发展，图像数据库也急剧膨胀起来，如何高效、快速地从像资源中获取有用的图像成了信息检索技术研究的热点。
本文主要针对基于内容的图像检索技术（CBIR）做了相关的介绍，对基于图像检索技术中的特征提取技术进行了较为详细的阐述，研究了图像颜色的提取方法，以及图像间相似性度量方法。
本文运用的特征值提取方法为颜色直方图的方法，对图像提取颜色特征，并根据这些特征对目标图片与图片库中的图片进行了相似度排序，最后运用Matlab软件对上述方法进行验证，得到图像检索结果，从而实现基于内容的图像检索。
关键词：直方图HIS彩色空间基于内容图像检索
1．引言
图像是对客观对象的一种相似性的、生动性的描述或写真。
或者说图像是客观对象的一种表示，它包含了被描述对象的有关信息。
它是人们最主要的信息源。
据统计，一个人获取的信息大约有75%来自视觉。
俗话说“百闻不如一见”，“一目了然”，都反映了图像在信息传递中的独特效果。
所谓基于图像内容检索，即从图像库中查找含有特定目标的图像，也包括从连续的视频图像中检索含有特定目标的视频片段。
它区别于传统的图像检索手段，融合了图像理解技术，从而可以提供更有效的检索手段。
本文主要针对基于内容的图像检索技术中的特征提取方法展开论述，简要地介绍了近年来基于内容的图像检索中颜色、纹理、形状及语义特征的描述方法，并对颜色特征的描述方法以及特征相似性做了详细的论述。
2．算法流程
本算法主要经过以下几个流程得以实现：
图2.1 主要算法流程图 2.1图片预处理
2.1.1色彩空间转换
在计算两幅图像的相似度时，通常要提取它们的颜色特征在特定的颜色空间进行比较。
颜色空间的目的是按照某种标准利用基色表示颜色，常用的有RGB 、HSI 、HSV 等。
RGB 颜色空间的相似不能代表颜色的相似。
例如，查询图像上RGB 颜色是（200，150，0），图像库图像的RGB 颜色是（200，200，0），这两幅图像在RGB 颜色空间上很相似，但在颜色上差别很大(黄色和绿色)。
HSI 和HSV 颜色空间则没有这个方面的问题，它们很适合人们肉眼的分辨，较好地反映人对颜色的感知和鉴别能力。
故在此采用HSI 颜色空间。
通过（2.1）~（2.3）公式，可以将图像从RGB 颜色空间转换到HSI 颜色空间。
()()()()()()()()()()()()⎪⎪⎩
⎪⎪⎨⎧>⎪⎪⎭⎫ ⎝⎛--+---+--≠≠⎪⎪⎭⎫ ⎝⎛--+---+-=G B B G B R G R G R B R G R B R G R B G B R G R G R B R G R H ,2arccos 2,2arccos π或 (2.1) ),,(),,(B G R MIN B G R MAX S -= (2.2)
3B
G
R
I +
+
= (2.3) 2.1.2统计直方图特征的提取
灰度级为[0,L-1]范围的数字图像的直方图是离散函数h（r）=n，其中n是图像中灰度级为r的像素个数[3]。
由于给定的图像数据库图像数量有651幅，且图像的大小不一，本次作业采用图像的统计直方图分布之间的欧氏距离的阈值约束，此阈值约束只是为了缩小图像的比对范围，并作为一个比对指标，待检索的图像与搜索图像间的欧式距离小于这个阈值时，就认为与待检索的图像是相似的。
在提取图像的统计直方图之前，先要对图像进行直方图均衡，把图像的灰度级扩展到整个灰度空间（unit8对应灰度级为：0-255），因为各幅图像的灰度分布可能相差比较大，如图1(a)和图2(b)所示，直接利用直方图进行图像检索的话，就只能对一些与被检索图像直方图一致的图像进行检索，这样就限制了基于直方图进行图像检索的图像范围。
直方图均衡化后，再进行归一化，在整个灰度空间来比对统计直方图分布可以减小阈值的设置，便于数据的处理，也为通过直方图进行图像检索提供了更为广泛的图像检索范围。
(a)图像初始直方图(b)直方图均衡的直方图(c)归一化后的直方图(d)统计直方图
图2.2 某图像的直方图
（a）图像初始直方图(b)直方图均衡的直方图(c)归一化后的直方图(d)统计直方图
图2.2 图像berlin (67).jpg的直方图
2.2图像检索算法
2.2.1图像匹配算法
如何用数值来有效地表示图像在颜色上的相似程度，是直接影响检索效果的重要环节，好的相似性度量方法不仅要求结果精确而且速度要快。
由于提取的图像特征绝大多数都可以表示成向量形式，因此常用的相似性度量方法是基于向量模型的，也就是将图像特征看成是向量空间中的点，通过计算点与点之间的距离来描述图像特征之间的相似度。
基于内容的图像的检索因为图像的颜色、纹理和形状等特征提取受众多因素的影响，达不到精确匹配，只能进行这些特征之间的相似度计算进行模糊匹配。
如果满足一定条件时，我们就可以说这两图像相似，放入检索结果中。
本作业基于城区（city-block ）距离计算两图像的差异。
公式如下：
21(,)n
i i
i L A B a b ==-∑ （2.4）
2.2.2差异度排序
由于图像大小有异，为使图像能得到有意义的排序，将此距离计算为差异度。
差异度越小，图像与源像越相似。
具体算法为：
①设定两阈值：t1=0.01，t2=0.9；
②得到两图像差值的百分比：Ω=L/A ； ③得到差异度：212
L diff N ⨯Ω=； 2.3显示
最终，利用GUI ，将所得到的图像按差异度升序排列，并显示前十幅。
3．实验及结果分析
为了验证算法的有效性， 在PC 机上进行实验仿真验证，其中运行环境为
Windows 7操作系统，系统配置为Core2 Duo 2.30GHz CPU，1.99GB内存，仿真平台为Matlab 7.6。
实验中，在一个包含100幅各类图像的综合图像数据库中进行检索，图像大小均为250×195左右。
库中包含了各类常见的图像，人物、花草、建筑、动物等，每类几乎等幅相关图片。
（1）开始界面
图3.1 开始界面
（2）检索过程
①载入匹配图像
图3.2 载入源图像（1）
图3.3 载入源图像（2）②载入检索图像库
图3.4 载入图像库（1）③图像检索结果
图3.5 载入图像库（2）
4．结论
单从图像的统计直方图特征对图像进行检索，虽然解决了图像大小不一带来的困难，但是难以符合人们的视觉习惯。
因此，可以结合其他的图像特征进行图像检索，此时的统计直方图的阈值应该选的大些，以保障有一定量的图像被选择。
但是不同的图像特征之间往往差异较大，比如直方图和颜色空间的信息，这将给图像各个特征的联合检索图像带来困难。
因此，可以考虑差异较小的图像特征联合检索图像，比如直方图和图像的纹理特征或者几何特征相结合来检索图像。
参考文献
[1] 陈世文，高燕.基于内容的图像检索[M].中小企业管理与科技.2008.
[2] 基于HSI颜色空间统计直方图的图像检索.百度文库.08-07-2010.
[3] 唐晓静,张明. 几种基于内容图像检索匹配算法的比较研究.Computer
Knowledge and Technology.,pp.1969-1971.V ol.6,No.8,March 2010.
[4] 程秀峰,祝颂,夏立新.基于分布式的直方图检索方法研究及实现.现代图书情
报技术.第205期.2011.
[5] 君顶,原芳.基于内容的图像检索技术. 计算机系统应用.2011.第20卷，第8期。
[6] 金莲芳,覃团发,王海霞,等.基于结构量化直方图的图像检索方法.中国图像图
形学报,2006,11(2):180−185.
[7] Basu S, Banerjee A, Mooney RJ.2004.Active semi-supervision for pairwise
constrained clustering. In SDM '04: Proceedings of the 2004 SIAM International Conference on Data Mining, Florida, 333-344.
[8] 高如如.基于内容的图像检索技术研究[D],中国科学技术大学，2011：1-2.
[9] Rafael C.Gonzalez,Digital Image Processing.电子工业出版社，2007:72-81.。