题目：基于内容的图像检索的研究与实现

据统计，人类所接受的信息70%以上来自视觉。视觉信息，包括文本图形、图像和视频，可以自然、贴切、真实地反映周围景物的本来面貌，所以对信息提取至关重要。近年来，随着多媒体技术的快速发展以及随着互联网的发展，图像等多媒体信息呈爆炸性增长。人们面临的问题不再是缺少图像媒体的内容，而是如何有效地在浩如烟海的图像世界中检索到自己所需要的信息。因此基于内容的图像检索（content based image retrieval，CBIR）成为现在的模式识别与计算机视觉研究的热点。本文首先总结了前人在基于内容的图像检索领域的研究，然后分别对Bag of Features模型和图像空间加权方法进行研究。论文的主要工作如下：Bag of Features模型的计算主要包含两个关键点：局部特征描述子的选取和视觉词典的生成。本文在局部特征描述子方面选取了一种目前使用最为广泛，效果最好的尺度不变特征——SIFT，采用其特征描述子来表示每一个特征点。视觉词典的生成的基本方法是对局部特征描述子的聚类，目的是将数目庞大的局部特征量化为一定数目的类别，本文采用了K-means聚类算法，其聚类效果稳定，计算量较小。将图像空间加权应用于Bag of Features模型是本文的一大创新，通过空间加权使得图像背景的特征在统计时被淡化，前景特征被增强。本文基于图像子块信息量提出基于图像子块方差、基于图像子块信息熵和基于图像子块间的距离的空间加权算法。实验表明空间加权可以显著地提高图像检索的准确率。