图像检索系统的设计与实现本科生毕业设计论文
基于深度学习的图像识别系统设计与实现毕业设计成果
《基于深度学习的图像识别系统设计与实现》毕业设计成果
本毕业设计基于深度学习技术，旨在实现一个高精度的图像识别系统。
该系统包括图像数据集的采集、数据预处理、模型训练、模型评估和系统应用等多个模块。
首先，针对不同应用场景，本设计采集了大量的图像数据集，并手工进行了标注和分类。
接着，对采集的图像数据进行预处理，包括图像大小调整、剪裁、旋转、对比度增强、颜色平衡等操作，以便提高模型的泛化能力和鲁棒性。
同时，为了缓解数据不平衡的问题，采用了数据增强技术，如镜像、旋转、平移等。
其次，设计了基于卷积神经网络（CNN）的深度学习模型，并使用Python编程语言和TensorFlow深度学习框架进行了模型训练。
在模型训练中，采用了批量归一化、Dropout、Adam等优化技术，以提高模型的训练速度和精度。
同时，进行了反向传播算法和梯度下降算法的优化，以提高模型的收敛速度。
然后，使用测试数据集对训练好的模型进行评估，并对评估结果进行分析和总结。
评估结果表明，本设计所训练的图像识别模型在多个数据集上均取得了优异的识别效果，分类准确率高达95%以上，明显优于传统的图像识别算法。
最后，将所训练的深度学习模型应用于实际场景中，并开发了一个图像识别系统。
该系统具有良好的用户交互体验和可扩展性，可以适应不同领域的图像识别需求。
总之，本毕业设计基于深度学习技术，通过对图像数据的采集、预处理、模型训练、评估和应用等多个环节的优化，实现了一个高精度、高效率的图像识别系统，具有较高的实用价值和推广前景。
图像检索系统毕业论文
彩色图像检索方法的研究与系统实徐伟敬摘要：随着互联网与存储技术的不断发展，人们可以获得的各种形式的信息数量也在迅速增长中。
在图像信息方面，随着大规模图像集的出现，能否自动而快速地从中找到需要的图像，日益成为人们关注的焦点。
如何提供一种快速有效的方法来检索这些内涵丰富的图像信息成为当今检索领域的研究热点。
本文设计实现了一个基于内容的检索系统对于给定的例子图像，系统搜索制定目录并根据与例子图像的相似性程度数值俺升序排列相符合的图像。
关键词：图像检索；基于颜色和纹理；基于直方图；遗传算法；基于内容Color Image Retrieval Method and SystemXu Wei JingAbstract: With the Internet and storage technology development, people can get information on various forms of rapid growth in the number. Information in images, with the emergence of large-scale image set, can automatically and quickly find the images need to increasingly become the focus of attention. How to provide a quick and effective way to retrieve these images with rich information retrieval become the hot area of research.In this paper, design and implementation of a content-based retrieval system for a given example image, the system directory and search formulation example in accordance with the degree of similarity of image I in ascending numerical order with the image.Keywords: Image Retrieval; based on the color and texture; based on the histogram;genetic algorithm; content-based1目录摘要： (1)Abstract (1)目录 (2)第一章绪论 (4)1.1选题背景 (4)1.2图像检索方法的研究综述 (4)1.2.1基于文本的检索 (4)1.2.2基于内容的检索方法 (5)1.2.3基于基本特征提取算法 (7)1.2.4图像检索系统的性能指标和评价准则 (8)1.3基于内容图像检索技术的现状和发展方向 (9)1.3.1现有CBIR系统 (9)1.3.2图像检索技术的未来发展 (10)第二章系统分析 (12)2.1系统需求分析 (12)2.2可行性分析 (12)2.3系统的功能分析 (13)2.4数据库设计 (15)2.4.1建立SQL数据库 (15)2.5连接数据库 (16)第三章详细设计 (16)3.1界面设计： (16)3.2代码实现 (18)23.2.1静态文本的代码 (18)3.2.2按钮的代码实现 (19)3.3疑难问题的解决 (24)3.3.1如何添加ADO Data控件 (24)3.3.2 DataGrid控件的应用 (24)第四章系统的实现与论文的完成 (26)4.1 编码 (26)4.2测试 (26)4.3索引的建立 (27)第五章总结和展望 (28)5.1课题研究总结 (28)5.2存在的问题及个人解决方法 (28)个人总结...................................................................................... 错误！未定义书签。
基于内容的图像检索系统的设计与实现
目录摘要 (1)Abstract (2)前言 (3)第1章绪论 (4)1.1 基于内容的图像检索 (4)1.2 图像检索评价指标 (6)第2章BoF模型 (7)2.1 基于视觉单词的匹配 (7)2.2 投票机制 (9)2.3 倒排索引 (10)第3章汉明嵌入 (12)3.1 原始模型的缺点 (12)3.2 基于汉明嵌入的匹配 (13)第4章几何重排 (16)4.1 弱几何一致性 (16)4.1.1 弱几何一致性的原理 (16)4.1.2 考虑弱几何一致性的相似度计算 (18)4.2 基于几何信息的重排 (20)4.2.1 随机抽样一致算法 (20)4.2.2 错配点剔除 (21)第5章实验过程 (24)5.1 开发环境 (24)5.2 框架设计 (24)5.3 实现 (25)第6章结论 (28)参考文献 (29)致谢 (31)摘要通常的，图像检索可以分为两大类：基于文本的图像检索和基于内容的图像检索。
本文的主要内容是设计并实现了一个基于内容的图像检索系统。
现在主流的图像检索技术主要是对图像提取局部特征，并利用特征袋模型对特征进行处理，以获得检索精度和检索性能之间的平衡。
一个检索系统的运作主要包括数据集预处理和正式的检索过程。
其中预处理过程包含：图像特征提取、视觉词典构建以及图像特征编码。
检索过程会对待检索的图像进行类似处理，同时还有对特征的相似度比对，之后返回结果。
本文基于前人的研究成果，做出的主要工作如下：1. 搭建一个基于flask框架的在线检索系统。
2. 图像数据集处理阶段，对每幅图像提取RootSIFT特征，并对特征进行k-means聚类，用来构建特征袋模型。
3. 利用ukbench数据集，比较了基础特征袋模型，汉明嵌入，弱几何一致性校验，空间几何重排等的检索效果，并对效果进行mAP评价。
关键词：图像检索；特征袋模型；汉明嵌入；弱几何一致性；几何重排AbstractIn general, image retrieval can be divided into two major categories: text-based image retrieval and content-based image retrieval. The main content of this paper is to design and implement a content based image retrieval system.Currently, the mainstream image retrieval technology mainly extracts local features from the images and uses the Bag of Feature (BoF) model to process the features to obtain a balance between retrieval precision and retrieval performance. The operation of a retrieval system mainly includes data set preprocessing and formal retrieval process. The preprocessing process includes: image feature extraction, visual dictionary construction, and image feature coding. The retrieval process will perform similar processing on the retrieved images, as well as compare the similarities of the features, and then return the results.Based on previous research results, the main work of this paper is as follows:1. Build an online web retrieval system based on flask framework.2. At the image data set processing stage, RootSIFT features are extracted from each image, and the features are clustered using k-means algorithm to construct the BoF model.3. Using ukbench dataset, we compare the search results of the basic BoF model, HE, WGC, spatial geometric re-ranking and so on, and evaluate their efficiency by mAP.Keywords: image retrieval; bag of feature; hamming embedding; weak geometric consistency; reranking前言随着诸如智能手机、数码相机、平板电脑等电子设备的普及，人们可以用越来越容易的方式创作以及获取图片。
基于机器学习的图像识别系统设计与实现
基于机器学习的图像识别系统设计与实现摘要：随着人工智能技术的发展，图像识别系统在各个领域得到了广泛应用。
本文将介绍基于机器学习的图像识别系统的设计与实现。
首先，我们将概述图像识别系统的背景和意义。
然后，我们将详细介绍图像识别系统的设计流程，包括数据采集、数据预处理、特征提取、模型选择与训练等步骤。
最后，我们将利用实验结果对系统的性能进行评估，并给出未来发展的展望。
1. 引言图像识别系统是一种能够自动分析和理解图像内容的智能系统。
它基于机器学习算法，通过对图像进行特征提取和模式匹配的方式，实现对图像中物体、场景或事件的识别和分类。
图像识别系统在人机交互、无人驾驶、智能监控等领域有着广泛的应用前景。
2. 图像识别系统的设计流程2.1 数据采集图像识别系统的训练数据是构建一个准确模型的关键。
我们可以通过多种途径来采集图像数据，如网络图像爬取、摄像头捕捉等。
采集的数据应尽可能多样化，涵盖各种物体和场景，以便训练出更全面的模型。
2.2 数据预处理在训练前需要对采集到的数据进行预处理。
预处理包括图像的尺寸统一、灰度化、去噪等步骤。
这样可以减少训练时间和提高识别准确度。
2.3 特征提取特征提取是图像识别系统的核心步骤。
在这一步骤中，我们需要将图像转换成计算机能够理解和处理的特征表达形式。
常用的特征提取方法有颜色直方图、纹理特征、边缘特征等。
2.4 模型选择与训练在特征提取后，我们需要选择合适的机器学习模型进行训练。
常用的模型包括支持向量机（SVM）、卷积神经网络（CNN）等。
选择合适的模型取决于具体应用场景和数据集。
在训练阶段，我们需要将数据集分为训练集和验证集。
训练集用于训练模型的参数，验证集用于评估模型的性能和调整模型的超参数。
通过迭代训练，我们可以不断优化模型，提高识别准确度。
3. 实验结果与性能评估为了评估图像识别系统的性能，我们使用了公开的图像数据集进行实验。
实验结果表明，我们设计的系统在图像识别任务上取得了较好的效果。
基于Hadoop技术的图像检索系统的设计与实现
作者简介：王治国（1977-），男，湖南湘潭人，硕士，高级工程师。研究方向：企业信息集成、行业大数据。
— ５２ —
2016 年第 7 期
信息与电脑 China Computer&Communication
计算机工程应用技术
鉴 Google 存 储 和 管 理 数 据 的 基 础 上，Apache 推 出 开 源 实 现 Hadoop， 目 前 Hadoop 系 统 管 理 能 力 与 Google 相 当。 Hadoop 旨在提供可伸缩的、可靠的、分布式的计算，实现了 一个分布式文件系统和一个分布式文件框架 [2]。 1.2.2 MapReduce 编程模型 MapReduce 主要用在 Map 函数和 Reduce 函数的并行运 算。Map 函数主要分散处理数据，Reduce 函数是将处理后的 中间结果聚集，编程过程中只要实现 Map 函数和 Reduce 函 数这两个接口，就可完成 TB 级数据计算 。 1.3 1.3.1 图像检索系统辅助技术 安全技术 保障应用的安全对于企业来说非常重要。图像信息是企 业重要信息，需要妥善保存，图像检索信息对于信息的安全 保障十分得当。企业对于安全功能的要求有身份认证、单点 登录、授权管理、策略制定、访问控制以及安全审计。 1.3.2 可复用构件技术 软件复用技术是指在过去软件开发积累的成果、经验及 知识的基础上，开发新的软件系统，人们在开发新系统的过 程中解决问题，避免软件开发中重复劳动。 1.3.3 负载均衡技术 随着系统不断构建，系统的信息量呈现集中式增加。负 载均衡技术在此基础上得到广泛应用。负载均衡指的是将负 载分摊于不同的服务单元，既能使服务可用性得到保证，又 能保证足够快的响应速度，使用户得到更好的体验。 1.3.4 JSON 数据减缓格式 JSON 是 Jave Script Object Natation 的 简 称， 是 一 种 数 据交换格式。JSON 采用的是完全独立于语言的文本格式， 便于人们阅读和编写，同时有利于机器解码的生成，提高网 络传输速度。
本科毕业论文图像识别系统的设计[管理资料]
![本科毕业论文图像识别系统的设计[管理资料]](https://img.taocdn.com/s3/m/dc5c1c7dcc22bcd127ff0cad.png)
摘要随着计算机软硬件技术的高速发展，计算机数字图像处理技术在各个领域得到了广泛的应用，如计算机图像识别、图像检索、图像工业化应用等。
尤其是计算机识别技术，通过数字图像处理中的模式识别技术，可以将人眼无法识别的图像进行分类处理，可以快速准确的检索、匹配和识别出各种东西。
虽然某些处理也可以用光学方法或模拟技术实现，但它们远不及数字图像处理那样灵活和方便，因而数字图像处理成为图像处理的主要方面。
图形辨别是图像识别技术的一个重要分支，图形辨别指通过对图形的图像采用特定算法，从而辨别该图形，例如，辨别三角形、矩形、圆形、六边形等。
本系统使用摄像头对图像进行采集图像，~，对采集图像进行图像分割，得到二值化图像，然后通过轮廓跟踪获得图形轮廓信息，最后使用基于轮廓跟踪的图像辨别算法在空域上辨别三角形、矩形、圆形，并在特定的区域上显示相应信息。
关键词：图形辨别角度判别轮廓跟踪ABSTRACTWith the rapid development of computer hardware and software technology, computer digital image processing technology have been widely applied in many fields,Such as image recognition,image retrieval,and image industrial computers recognition technology, by the pattern of recognition techniques,it can recognize the image classification what human eye can not recognize, it can be fast and accurate search, match and identify all sorts of some treatment methods can also use optical or analog technology, but they are nowhere near as flexible digital image processing and convenience, digital image processing, and thus digital image processing become the main aspects of image processing.Graphic distinguish is an important branch of image recognition,graphic distinguish means graphic images by using a specific algorithm,to identify the graphics,for example, identify the triangle, rectangle, round, hexagon and so on. The system uses the image capture camera images from the cameras capture images, and the camerra to the in the image in range of the ~ is Process the collected image, get the binary image, and then contour tracking access to graphics, the outlines of the final image-based contour tracking algorithm to identify the airspace on the identification triangle, rectangle, circle, and in particular to display the corresponding region information.Key words:graphic distinguish angle judgement contour tracking第一章绪论1.1研究内容图形辨别是图像识别技术中一个重要分支，图形辨别指通过对图形的图像采用特定算法，从而辨别该图形，例如，辨别三角形、矩形、圆形、六边形等。
基于大数据的图像检索系统设计与开发
基于大数据的图像检索系统设计与开发随着信息技术的发展和互联网的普及，我们生活中的每个领域都涉及到了大量的数字化和图像化数据。
而这些数据的管理和检索已经成为了非常重要的问题。
通过利用大数据技术和人工智能技术，图像数据的检索变得更加高效和准确。
本文将介绍基于大数据的图像检索系统的设计和开发。
一、需求分析在设计和开发图像检索系统前，我们需要进行充分的需求分析。
首先，我们需要明确图像检索系统的主要功能和应用场景。
考虑到图像检索系统需要有效地对大量的图像数据进行处理和分析，因此我们需要选择一种可以快速处理大规模数据的技术。
同时，考虑到图像检索系统通常需要提供高效的查询和搜索功能，我们需要选择一种高效的算法来进行图像的特征提取和匹配。
此外，为了方便用户的使用，我们需要设计一个简洁明了的用户界面，让用户可以通过简单的操作来实现图像的查询和搜索。
二、技术选型在进行系统设计和开发前，我们需要明确所选用的技术栈。
考虑到大规模的数据处理和分析，我们需要利用Hadoop等大数据处理技术。
同时，为了进行高效的图像特征提取和匹配，我们可以选择利用SIFT或SURF等特征提取算法来进行特征提取。
另外，为了保证用户界面的友好性和易用性，我们需要选择一种易于使用的前端框架进行系统开发。
在这里，我们可以选择React等框架来进行开发。
三、系统设计基于以上需求分析和技术选型，我们可以开始进行系统设计。
首先，我们需要将系统分为前端和后端两部分进行设计。
前端部分主要负责用户界面的设计和交互，后端部分则主要负责大数据处理、特征提取和匹配等功能。
前端设计分为两个部分，一部分是用户登录和注册的界面，另一部分是图片上传和搜索的界面。
用户在登录和注册完成后，可以通过上传图片进行搜索。
后台系统在接收到上传的图片后，会自动进行特征提取和匹配，并返回匹配结果给前端页面。
后端设计则分为大数据处理和特征提取等两个模块。
大数据处理模块主要负责数据管理和分析，利用Hadoop等技术处理海量数据。
毕业设计实践基于深度学习的图像识别系统的设计与实现
毕业设计实践：基于深度学习的图像识别系统的设计与实现一、选题背景随着科技的进步和人们对生活质量要求的提高，图像识别技术的应用也越来越广泛。
比如，人脸识别、车牌识别、智能家居等都离不开图像识别技术的支持。
深度学习作为目前最热门的人工智能技术之一，其应用于图像识别领域，在精度和效率上具有传统算法无法比拟的优势。
因此，设计并实现一套基于深度学习的图像识别系统，不仅能够掌握当下最前沿的人工智能技术，同时具有实用性、可推广性和研究性。
二、课题研究内容本次毕业设计将基于深度学习技术，设计并实现一套图像识别系统，其主要研究内容如下：1.图像数据预处理：通过对输入的图像进行处理，提取出所需的特征，为后续模型的训练和推理提供高质量的数据支持。
2.深度学习模型构建：通过选择适合本次任务的模型结构、损失函数和优化器等，搭建一套高效且精度较高的深度学习模型。
3.图像识别系统实现：将前述预处理和模型构建的结果，构建成一个完整的图像识别系统。
在该系统中，可以通过摄像头或上传本地文件的方式，输入图像数据，系统能够快速准确地输出该图像的识别结果。
三、实验步骤1.图像数据采集及标注：针对本次实验所需识别的对象，采集足够多的含有该对象的图像数据，并进行标注。
2.数据预处理：对采集到的图像数据进行预处理，包括数据清洗、大小调整、裁剪、均衡化等处理。
3.深度学习模型构建：基于深度学习框架，选择合适的模型结构，搭建出图像识别的深度学习模型。
4.训练模型并优化：将预处理完成后的图像数据输入到模型中进行训练，不断优化模型结构和参数，以达到较高的精度和效率。
5.构建图像识别系统：将预处理、模型构建、训练优化所得的结果，构建成一个完整的图像识别系统。
并进行系统测试和优化。
四、预期成果本次毕业设计的预期成果包括：1.基于深度学习技术的图像识别模型设计与实现。
2.完整的图像识别系统，支持实时图像输入、预处理、识别操作，输出较高的识别精度。
3.针对模型训练和系统输出的优化方案和结果分析报告。
- 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)。
毕业设计（论文）说明书题目：图像检索系统的设计与实现毕业设计（论文）任务书题目：图像检索系统的设计与实现毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。
尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。
对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。
作者签名：日期：指导教师签名：日期：使用授权说明本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。
作者签名：日期：一、原始依据（包括设计或论文的工作基础、研究条件、应用环境、工作目的等。
）随着互联网的飞速发展，网络上的图片信息呈爆炸式增长，这使得人们在网上找到所需的图片越来越困难，图片检索技术成为当今非常热门的研究话题。
图像检索一直是信息检索领域的一个主流问题，涉及到图像处理、图像分割、模式识别及机器学习等多个方面。
检索的智能化和自动化是图像检索的目标。
目前主流的图像检索方法大致可以分为两大类,即基于文本的图像检索(TBIR)和基于内容的图像检索(CBIR)。
在检索原理上，无论是基于文本的图像检索还是基于内容的图像检索，主要包括三方面：一方面对用户需求的分析和转化，形成可以检索索引数据库的提问；另一方面，收集和加工图像资源，提取特征，分析并进行标引，建立图像的索引数据库；最后一方面是根据相似度算法，计算用户提问与索引数据库中记录的相似度大小，提取出满足阈值的记录作为结果，按照相似度降序的方式输出。
而搜集图片和建立索引又是实现图像检索技术的非常重要的一个环节。
网络爬虫程序就是用来搜集网页和图片的程序。
本文的研究重点在于使用网络爬虫框架Heritrix进行扩展，从网络上下载所需网页及图片并利用HTMLParser进行网页分析和图片相关信息提取。
完成上述工作后，再将图片的目录位置和提取的信息存入数据库。
并建立一个图片检索系统的Web工程，实现检索功能。
开发语言为Java, 开发工具为MyEclipse和MySQL及Tomcat.二、参考文献[1]Ritendra Datta, Dhiraj Joshi, Jia Li et al. Image Retrieval: Ideas, Influences, and Trends ofthe New Age[J].ACM Comput. Surv. 40, 2, Article 5 .April 2008.[2]李晓明，闫宏飞，王继民. 搜索引擎-原理,技术与系统[M].北京：科学出版社,2004.[3]马自萍.形状和颜色特征的混合图像检索[D].银川：北方民族大学,2010.7.[4]陈剑雄，张蓓．简析图像检索中的CBIR技术[J].情报探索（第7期）,2010.7.[5]Rafael C.Gonzalez and Richard E.Woods．Digital Image Processing Second Edition[M]．Prentice Hall, 2003-3．[6]沈兰荪，张箐，李晓光。
图像检索与压缩域处理技术的研究[M].北京：人名邮电出版社,2008.12.[7]周明全，耿国华，韦娜.基于内容图像检索技术[M].北京：清华大学出版社，2007.7.[8]李向阳, 庄越挺, 潘云鹤. 基于内容的图像检索技术与系统[J]. 计算机研究与发展2001年第3期.[9]安志勇.基于内容的图像检索关键技术的研究[D].西安：西安电子科技大学，2008.[10]李伟，黄颖。
基于HTMLParser的网页信息提取[J] .兵工自动化(第7期)，2007，7.三、设计（研究）内容和要求（包括设计或研究内容、主要指标与技术参数，并根据课题性质对学生提出具体要求。
）1.系统学习 Java 编程语言，熟练掌握Java语言的基本思想和相关的编程技术。
2.学习并掌握机器学习、数据库常用技术，JSP，图像处理等相关技术。
3.学习并掌握项目开发用到的相关工具及软件的使用。
4.了解图像检索的原理，发展，意义及用途，及图像检索系统的设计思路。
5.了解网络爬虫的原理及工作流程，充分阅读Heritrix的开放源代码，会利用Heritrix从网上爬图片存入数据库。
6.掌握正则表达式及HTMLParser等网页分析方法，了解网页信息提取策略、7.完成图像检索系统的设计和代码开发8.对该系统进行充分的测试，并完善开发9.总结开发过程中所遇到的问题和心得体会指导教师（签字）年月日审题小组组长（签字）年月日天津大学本科生毕业设计（论文）开题报告摘要随着互联网的飞速发展，网络上的图片信息呈爆炸式增长，这使得人们在网上找到所需的图片越来越困难，图片检索技术成为当今非常热门的研究话题。
而搜集图片和建立索引又是实现图像检索技术的非常重要的一个环节。
网络爬虫程序就是用来搜集网页和图片的程序。
本文的研究重点在于使用网络爬虫框架Heritrix进行扩展，从网络上下载所需网页及图片并利用HTMLParser进行网页分析和图片相关信息提取。
完成上述工作后，再将图片的目录位置和提取的信息存入数据库。
并建立一个图片检索系统的Web工程，实现检索功能。
开发语言为Java, 开发工具为MyEclipse和MySQL及Tomcat.关键词：图像检索，网络爬虫，Heritrix, HTMLParser, 网页信息提取ABSTRACTWith the rapid development of network information on the explosive growth of images, which makes it on the Internet more and more difficult to find the images, image search technology become a very hot research topic. The collection of images and indexing for image retrieval is a very important aspect. Web crawler is used to collect Web pages and pictures of the program.This study focuses on using the Heritrix Web crawler framework to extend, from the Internet and download web pages and images for web use HTMLParser information extraction and image analysis. After completion of the work, then the image directory location and the extracted information into a database. And a picture retrieval system for Web projects, to achieve search function. Development language for Java, and MySQL development tools for the MyEclipse and Tomcat.Keywords: image retrieval, web crawler, Heritrix, HTMLParser, Web information extraction目录第一章文献综述 (1)1.1 图像检索的研究意义 (1)1.2 图像检索的国内外发展状况 (1)1.3 网络爬虫技术在搜索引擎中的应用 (3)1.4 网页分析和信息提取技术 (4)1.5 本文的研究重点，系统结构和内容 (5)第二章 Heritrix应用开发扩展 (7)2.1 Heritrix简介 (7)2.1 Heritrix抓取策略及改进 (9)2.3 Heritrix抓取过程 (10)2.3 网页爬结果 (13)第三章HTMLParser图片相关信息提取 (14)3.1 HTMLParser简介 (14)3.2 图片信息提取策略 (14)3.3 图片信息提取的实现方法 (15)3.4 实验提取结果 (17)第四章图像检索系统的搭建 (18)4.1 数据库的建立 (18)4.2 系统的实现框架和结构 (21)4.3 检索结果展示 (23)第五章总结和展望 (25)参考文献 (26)附录 (27)外文资料中文译文致谢第一章文献综述1.1 图像检索的研究意义为了解决上述问题，定向抓取相关网页资源的网络爬虫应运而生。
网络爬虫是一个自动下载网页的程序，它根据既定的抓取目标，有选择的访问万维网上的网页与相关的链接，获取所需要的信息。
图像检索一直是信息检索领域的一个主流问题，涉及到图像处理、图像分割、模式识别及机器学习等多个方面。
检索的智能化和自动化是图像检索的目标。
目前主流的图像检索方法大致可以分为两大类,即基于文本的图像检索(TBIR)和基于内容的图像检索(CBIR)。
在检索原理上，无论是基于文本的图像检索还是基于内容的图像检索，主要包括三方面：一方面对用户需求的分析和转化，形成可以检索索引数据库的提问；另一方面，收集和加工图像资源，提取特征，分析并进行标引，建立图像的索引数据库；最后一方面是根据相似度算法，计算用户提问与索引数据库中记录的相似度大小，提取出满足阈值的记录作为结果，按照相似度降序的方式输出。
1.2 图像检索的国内外发展状况从20世纪70年代开始，有关图像检索的研究就已开始，当时主要是基于文本的图像检索技术（Text-based Image Retrieval，简称TBIR），利用文本描述的方式描述图像的特征，如绘画作品的作者、年代、流派、尺寸等。
到90年代以后，出现了对图像的内容语义，如图像的颜色、纹理、布局等进行分析和检索的图像检索技术，即基于内容的图像检索(Content-based Image Retrieval，简称CBIR）技术。
基于内容的图像检索根据图像特征、图像的内容语义以及上下文联系进行查找，以图像语义特征为线索从图像数据库中检出具有相似特性的其它图像。