國內圖像檢索研究知識圖譜分析

〔摘 要〕匯總統計CNKI全文數據庫中近十年國內圖像檢索領域所涉及的關鍵詞，利用SATI 3.2軟件統計這些關鍵詞的詞頻，確定我國圖像研究領域使用頻率最高的關鍵詞。然后構造共詞矩陣、相關矩陣、相異矩陣，并在此基礎上利用聚類分析和多維尺度分析多元統計方法對不同的矩陣進行共詞分析。最后，對分析結果進行討論，歸納國內近十年圖像檢索研究熱點。

〔關鍵詞〕圖像檢索；共詞分析；知識圖譜；研究熱點

DOI：10.3969/j.issn.1008-0821.2013.11.023

〔中圖分類號〕G254 〔文獻標識碼〕A 〔文章編號〕1008-0821（2013）11-0100-08

圖像檢索是信息檢索的重要組成部分，從20世紀70年代開始，很多學者都對圖像檢索技術進行研究，先后提出基于文本的圖像檢索、基于內容的圖像檢索以及基于語義的圖像檢索技術。傳統的文字搜索主要是以關鍵詞匹配為基礎，著重優化搜索路徑算法，加強建立學習和反饋模型，比如百度和谷歌都取得了巨大的成功。但圖像檢索與文字檢索存在很大的區別，存在很多問題，如圖像內容描述、語義理解鴻溝、特征提取復雜等。這些問題制約著圖像檢索研究領域的進一步發展，也是圖像檢索研究的熱點問題。

本文以CNKI近十年來發表的圖像檢索文獻為研究對象，以文獻關鍵詞為研究載體，以共詞分析方法為研究基礎，采用聚類分析、多維尺度分析、社會網絡分析等方法，結合可視化軟件Ucinet，繪制近十年來圖像檢索研究圖譜。筆者研究目的在于通過這篇研究論文，圖像檢索研究領域的學者或者是對圖像檢索感興趣的人可以很清晰的發現近十年來圖像檢索研究領域過去的關注點、現在的熱點以及未來的發展趨勢。

1 文獻來源及研究方法

1.1 研究文獻來源

為了確保檢索的文獻符合筆者的分析需求，筆者檢索條件設置為：數據來源為CNKI（中國學術文獻網絡出版總庫），檢索時間為2003-2012年，關鍵詞中包含“圖像檢索”，檢索策略為“精確”進行檢索，共檢索出期刊2 477篇。

1.2 基于研究樣本的文獻計量情況

論文載文量的變化，在一定程度上反映該學科的理論水平和發展速度[1]。筆者對國內圖像檢索相關的2 477篇文獻進行統計，并利用Excel軟件繪制出圖像檢索文獻年代分布折線圖，如圖1所示。圖1的數據表明，圖像檢索論文數量從總體上來看，是成上升趨勢，在2008年達到頂峰。論文增長曲線呈現“S”型。根據普萊斯邏輯增長曲線規律，筆者發現圖像檢索研究是逐步發展的，并逐漸走向成熟的過程。圖1 2003-2012年圖像檢索研究期刊發文量

1 通過文獻計量軟件SATI 2.2軟件，對檢索的2 477篇文章的文章進行統計分析，得到作者的總人數為3 917人（包括第一作者、第二作者等）。經過計算，筆者發現西安電子科技大學多媒體研究所的周利華教授和河南理工大學的孫君頂教授發表的文章最多，同為33篇，根據普萊斯計算公式，核心作者發文數m≈4.31，因此將文章數量為5篇及以上的著者定為核心著者，統計得到核心著者有153人，占全部作者總數的3.9%。筆者篩選出發文數量排名前20的作者及其單位，如表1所示。從表1中，我們發現圖像檢索研究機構以高校為主，并且相對集中。西安電子科技大學、西北大學、西北工業大學、河南理工大學等。高校是圖像檢索的主要研究機構，這也表明，圖像檢索的研究目前以理論研究為主，實際應用并不廣泛。

表1 2003-2012年圖像檢索期刊發文量前20位作者及其單位

1.3 期刊分析

期刊載文分析主要反映學科研究文獻的期刊分布情況，期刊的分布也可驗證布拉德福定律。由于核心期刊的載文量水平較高，更能反映學科研究水平，因此本文的期刊分析，都以核心期刊為主。表2是排名前20位發文量超過15篇的核心期刊。

表2 載文前20種核心期刊表

1.4 研究主題分析

研究主題變化通過關鍵詞詞頻變化來揭示。本文對2 477篇圖像檢索的關鍵詞進行統計，在統計過程中，對一些關鍵詞進行合并處理，如“基于內容的圖像檢索”、“基于內容”和“CBIR”；“紋理”和“紋理特征”等。為了能夠清晰的揭示出研究主題的變化，筆者對每一年的論文關鍵詞分別進行統計，統計結果見表3。

表3 2003-2012年論文關鍵詞詞頻變化表

隨著時間的推移以及研究的深入，圖像檢索領域的研究熱點也在不斷的變化中。筆者參考安徽大學儲節旺教授將熱點關鍵詞進行分類的研究方法，將圖像檢索領域的熱點關鍵詞分為3種類型：恒星關鍵詞、流星關鍵詞和新星關鍵詞[2]。（1）恒星關鍵詞指的是那些一直處于研究熱點的關鍵詞，如“圖像檢索”、“基于內容的圖像檢索”、“相關反饋”、“特征提取”、“顏色直方圖”等，這類關鍵詞也是圖像檢索的核心內容。（2）流星關鍵詞指的是那些研究一段時間后缺乏持續研究的關鍵詞，如“圖像數據庫”、“醫學圖像檢索”、“數字圖書館”等。這類關鍵詞研究的內容深度不夠，沒有涉及到圖像檢索的核心內容，研究的是圖像檢索應用研究。圖像檢索研究本身存在很多技術有待突破，目前主要停留在理論研究層面，這些基于圖像檢索技術的應用研究明顯研究深度和熱度。（3）新星關鍵詞指的是那些總體增長比較平穩并且在未來會受到重點研究的關鍵詞，如“圖像分割”、“小波變換”、“支持向量機”、“灰度共生矩陣”等。這類關鍵詞涉及到圖像檢索的核心技術，也是未來提高圖像檢索速度和效果的關鍵所在。

1.5 高頻關鍵詞的確定

通過文獻計量軟件，統計得出2 477篇文章中共有關鍵詞3 463個。通過對關鍵詞進行認真分析，將一些表述相近意思的關鍵詞進行合并，如“基于內容的圖像檢索”、“CBIR”和“基于內容圖像索”；“紋理”和“紋理特征”進行合并，取詞頻大于20的關鍵詞作為高頻關鍵詞，共有48個，如表4所示。表4 高頻關鍵詞表（部分）

關鍵詞頻次關鍵詞頻次圖像檢索1 190直方圖48基于內容的圖像檢索488基于內容44相關反饋261灰度共生矩陣43特征提取210MPEG-743顏色直方圖130數字圖書館37紋理特征94相似度37支持向量機86醫學圖像檢索36顏色特征72圖像特征35小波變換71圖 像32圖像分割65檢 索31形狀特征58信息檢索30相似性度量56圖像語義30圖像數據庫54圖像分類29顏 色52顏色空間28聚 類49不變距27

為了進一步的分析關鍵詞內部之間的聯系，對48個高頻關鍵詞進行兩兩檢索，形成48×48的共詞矩陣，如圖2所示。圖像檢索基于內容的

圖像檢索相關反饋特征提取顏色直方圖紋理特征紋 理圖像檢索1 18910129104814942基于內容的圖像檢索103876341161916相關反饋12963261238310特征提取1044123210599顏色直方圖81168513001圖2 高頻關鍵詞共現矩陣（部分）

1.6 構造相關矩

通過對共詞矩陣進行卡方檢驗，發現共詞矩陣不符合正態分布規律，為了能夠用更多的統計方法對數據進行統計分析，需要利用Ochiia系數對共詞矩陣進行轉換，構造相關矩陣和相似矩陣。用Ochiia系數將共詞矩陣轉換成相似矩陣，如圖2所示。但是相似矩陣中的0值過多，統計時容易造成誤差，為了方便進一步處理，用1與全部相關矩陣上的數據相減，得到關鍵詞相異矩陣，部分數據如圖3所示[3]。

圖像檢索基于內容的

在相似矩陣中，數值的大小表明了兩個關鍵詞之間距離的遠近，數值越大表明關鍵詞之間的距離越近，相關程度越大；數值越小則表明關鍵詞之間的距離越遠，相關程度越小。圖像檢索基于內容的

在相異矩陣中，數值越小表明關鍵詞之間的距離越近，相關程度越大；數值越大則表明關鍵詞之間的距離越遠，相關程度越小。

1.7 知識圖譜分析

科學知識圖譜是顯示科學知識的發展進程與結構關系的一種圖形。它的悄然興起，一方面是揭示科學知識及其活動規律的科學計量學從數學表達轉向圖形表達的產物，另一方面又是顯示科學知識地理分布的知識地圖轉向以圖像展現知識結構關系與演進規律的結果。基于社會網絡的Ucinet軟件，通過構建行動者節點及其聯系網絡的互動關系，解釋社會網絡的層次性、等級性、結構性等，并以網絡圖譜的形式揭示該研究領域的主題熱點[4]。圖5 關鍵詞共現圖譜

分析顯示，網絡密度為10.95%，中間中心度為19.62%，一致性指數為0.962，上述3個指數表明，關鍵詞共現網絡集聚程度不高。其中，圖中節點大小由關鍵詞頻次決定，線條的粗細，由兩個關鍵詞共現的次數決定。線條越粗，表明共現次數越多，反之，表明共現次數越少。節點圍繞圖像檢索、基于內容的圖像檢索、相關反饋、特征提取形成相對密集的圈層。圖5，點的中間中心度排名前15位的分別是圖像檢索（982.269，1）、基于內容的圖像檢索（529.658，2）、相關反饋（365.832，3）、特征提取（343.531，4）、顏色直方圖（160.999，5）、紋理特征（108.175，6）、支持向量機（95.334，7）、顏色特征（78.884，8）、小波變換（73.287，9）、圖像數據庫（57.513，13）、形狀特征（46.640，11）、相似性度量（45.965，12）、聚類（44.494，15）、醫學圖像檢索（40.030，22）、圖像分割（34.788，10），括號內為關鍵詞的中間中心度及頻次排序。網絡連線的粗細能反映節點的關聯度，是識別意義類團的重要特征，如“圖像檢索——基于內容的圖像檢索——圖像分割——相關反饋——紋理特征”、“圖像檢索——顏色直方圖——顏色特征——興趣點——顏色量化——特征匹配”、“圖像檢索——聚類——語義鴻溝——高層語義——圖像索引”、“圖像檢索——特征提取——紋理特征——相似度——圖像數據庫——醫學圖像檢索——圖像檢索系統”等。

1.8 多維量表分析

多維量表分析（MDS）是將一組個體間的相異性數據經過MDS轉換成空間的構形，且盡可能保留原始數據的相對關系。在SPSS 19中文版中，選擇“分析——度量——多維尺度（ALSCAL）”，得到空間二維圖，如圖6所示。圖6 多維尺度分析結果圖

從圖6可以看出，關鍵詞大體可以分為六大類。第一類，語義圖像檢索、多媒體數據庫、紋理檢索、圖像匹配、空間關系、高層語義、主色調、紋理譜、位平面、粗糙集、紋理圖像檢索、商標圖像檢索、環形顏色直方圖；第二類，紋理分析、邊緣檢測、圖像檢索技術、圖像檢索系統、興趣點、搜索引擎；第三類，視覺特征、半監督學習、相關反饋、流形學習、多示例學習支持向量機、圖像檢索；第四類，圖像特征、不變距語義、語義鴻溝、相似性度量、相似度、圖像分類；第五類，數字圖書館、聚類、形狀特征、顏色特征、特征提取；第六類，醫學圖像、圖像數據庫、醫學圖像檢索、灰度共生矩陣、顏色距、圖像語義、MPEG7、圖像分割、顏色空間、圖像標注等。

2 研究熱點分析

通過上文對圖像檢索研究領域的多維計量分析（知識圖譜分析、多維尺度分析）以及關鍵詞詞頻的變化分析，筆者發現目前國內對圖像檢索的研究領域比較集中，主要集中在圖像檢索的算法研究、圖像特征研究（如顏色特征，紋理特征，形狀特征等）、圖像語義研究等。具體分為以下幾個方面：

2.1 圖像算法研究

圖像算法研究是圖像檢索的研究熱點之一，不同的學者從不同的角度提出不同的圖像檢索算法，來提高圖像檢索的效果。魯珂等提出基于支持向量機的理論提出了一種用于圖像檢索的半監督學習算法[5]。許相莉等提出一種基于粒子群的圖像檢索相關反饋算法，使得用戶對檢索目標的理解逐漸清晰，能夠有效全面的搜索圖片庫，同時避免多次反饋造成的算法效率和檢索效果之間的矛盾[6]。王崇駿等在IPSM模型對圖像的語義分類特征進行描述和提取的基礎上，提出并實現了基于高層語義的圖像檢索算法以及基于高層語義的相關反饋算法[7]。李健提出一種以曲波變換為基礎，綜合香農熵與頻域子帶能量特征的圖像檢索算法。該方法用香農熵進行預分類，用子帶圖像的能量特征進行相似度度量，并加入檢索者的反饋信息，實現圖像的精確檢索[8]。牛蕾等回顧了早期的啟發式相關反饋算法和近期的最優相關反饋算法，對現有的相關反饋算法進行了分析、總結和對比，并提出了今后相關反饋算法的發展方向[9]。因限于篇幅，不一一列舉圖像檢索算法。

2.2 圖像特征研究（顏色特征、紋理特征、形狀特征、空間關系特征等） 特征提取是計算機視覺和圖像處理中的一個概念，是圖像檢索的核心內容。它指的是使用計算機將圖像信息進行分解、匹對，決定每個圖像的點是否屬于一個圖像特征。特征提取的結果是把圖像上的點分為不同的子集，這些子集往往屬于孤立的點、連續的曲線或者連續的區域。目前，特征提取算法各種各樣，算法計算復雜性和可重復性也非常不同。顏色特征是一種全局特征，描述了圖像或圖像區域所對應的景物的表面性質，由于顏色特征不能反映顏色信息的空間分布等特點，因此基于顏色特征的圖像檢索存在一定的缺陷，影響圖像檢索效果。王向陽等提出一種魯棒的多特征彩色圖像檢索新方法，實驗結果表明，該方法不僅能夠準確、快速的檢索出用戶所需圖像，而且對光照、銳化、模糊等噪聲攻擊均具有較好的魯棒性[10]。紋理特征也是全局特征，它和顏色特征不同，紋理特征不是基于像素點的特征，它需要在包含多個像素點的區域中進行統計計算，這樣提高了模式匹配的成功率，但光照、反射情況對圖像檢索存在一定干擾。安志勇等在構造了具有旋轉、平移和尺度不變的紋理特征的基礎上，提出基于紋理特征的圖像檢索算法，該算法具有旋轉、平移和尺度不變性，與其它方法相比，具有較高的檢索率[11]。形狀特征有兩類表示方法：一類是輪廓特征；另一類是區域特征。圖像的輪廓特征主要針對物體的外邊界，而圖像的區域特征則關系到整個形狀區域。形狀特征可以比較有效地利用圖像中感興趣的目標來進行檢索，但圖像形狀本身存在容易出現變形的情況，而且人的主觀意識對圖像形狀的判別也存在影響。何姍等提出一種基于興趣點的圖像檢索新方法ACSM，利用興趣點的位置信息，提取興趣點周圍局部區域的顏色矩特征和區域形狀不變矩特征，由于將顏色和形狀特征有機結合，ACSM算法有效提高了圖像檢索的準確性[12]。空間關系，是指將一幅圖像進行分割，分割出來的多個目標之間的相互的空間位置或相對方向關系（鄰接、重疊等關系）。空間關系特征的使用可加強對圖像內容的描述區分能力，但空間關系特征常對圖像或目標的旋轉、反轉、尺度變化等比較敏感。張偉等構造了在平移縮放旋轉下保持不變的基于度量矩陣特征值的圖像空間關系描述子。研究表明這種描述與人的主觀視覺心理相一致，在平移縮放旋轉下以及小噪聲下具有較強的魯棒性，具有較好的類別可分離性[13]。

2.3 圖像語義研究

圖像語義研究是圖像理解的重點和難點，在現實生活中，人的視覺特征因人而異，人對同一副圖像的情感認知也不盡相同，導致不同的人對同一副圖像特征提取出現天壤之別。如何對一幅圖像的特征（顏色、紋理、形狀等）描述與視覺特征相吻合，進行客觀的語義描述，實現基于語義的圖像檢索是國內學者研究的熱點之一。圖像語義研究包括語義鴻溝、高層語義、底層特征語義等角度。語義鴻溝是圖像檢索系統廣泛存在的問題之一，它是人對圖像相似性的判別依據與計算機對相似性的判別依據之間的不同，造成了人所理解的“語義相似”與計算機理解的“視覺相似”之間的“語義鴻溝”的產生。張菁等針對相關反饋和感興趣區檢測在彌補語義鴻溝時存在主觀性強、耗時的缺點，提出了視覺信息是一種客觀反映圖像高層語義的新特征，基于視覺信息進行圖像檢索可以有效減小語義鴻溝[14]。高層語義主要涉及圖像的場景語義、行為語義和情感語義。一般而言，高層的圖像語義往往建立在較低層次的語義獲得的基礎上，并且層次越高，語義越復雜，涉及的領域知識越多，也是圖像語義描述的難點之一。吳楠等利用圖像的高層語義信息來進行圖像檢索，在深入研究圖像高層語義的低層特征描述的基礎上，提出了圖像語義的層次劃分，并對每個高層語義層提出了語義抽取和檢索算法。該檢索算法可以有效地對圖像高層語義信息進行提取，并可作為新型高效圖像檢索系統的一個模型[15]。袁薇等指出了應用圖像的高層語義特征和底層顏色特征作為圖像檢索的綜合指標，將圖像文本和視覺信息融合起來，給出了一種綜合語義和顏色特征的圖像檢索系統的體系架構，以填補多媒體底層特征和高層語義之間的差異[16]。

2.4 圖像檢索技術研究

圖像檢索技術的發展是一個不斷進化的過程，最初是基于文本的圖像檢索。基于文本的圖像檢索是首先對圖像的特征進行文本描述，然后利用關鍵詞進行檢索圖片，費時費力，而且檢索效率低下，容易出現錯誤。為了克服基于文本的圖像檢索的局限性，提出了基于內容的圖像檢索系統，通過特征提取和高維索引技術進行檢索，通過比較視覺特征的相似度來獲得檢索結果。洪俊明總結了圖像數據庫檢索技術的發展軌跡和特點，針對基于內容的圖像檢索技術中的局限性，從計算機底層硬件的角度提出了基于內容檢索的流水索引法[17]。但在現實生活中，人們往往習慣于對圖像的語義進行檢索，而不是圖像的特征，如何建立從圖像的低層特征到高層語義的映射，獲取圖像的語義概念，并在此基礎上進行語義檢索，是圖像檢索技術的一個新的方向，即基于語義的圖像檢索技術。陳久軍等提出圖像語義檢索整體框架，系統采用XML技術，將圖像內容層式描述、圖像語義對象自動獲取、圖像語義相似測度等功能模塊加以融合，實現語義層面的圖像檢索[18]。

3 結 語

國內對圖像檢索的研究熱點主要集中在圖像檢索的算法研究、圖像特征研究（如顏色特征，紋理特征，形狀特征等）、圖像語義研究等。當然，國內針對圖像檢索研究的熱點還有，比如基于流行學習的圖像檢索技術、遺傳算法、粗糙集理論在圖像檢索中的應用以及醫學圖像檢索相關技術的研究等等，因限于篇幅，筆者主要列出國內學者研究比較集中的熱點問題。通過共詞分析法來展現國內圖像檢索研究的學科熱點問題，這類文獻基本沒有。筆者的目的在于通過這篇研究論文，圖像檢索研究領域的學者或者是對圖像檢索感興趣的人可以很清晰的發現近十年來圖像檢索研究領域過去的關注點、現在的熱點以及未來的發展趨勢。本文在研究過程中，也存在不足。在介紹圖像檢索研究熱點問題，因限于篇幅，很多相關熱點沒有一一展示；在文獻選取時，以期刊為檢索源，忽略了碩博士論文，對研究結果會有一定的影響；高頻關鍵詞的設定、多維量表分析、知識圖譜分析等都具有一定的主觀性，這些問題是筆者下一步需要完善的地方。

參考文獻

[1]張玉雙.我國高校圖書館知識管理研究的文獻統計分析[J].晉圖學刊，2008，（5）：45-48.

[2]儲節旺，王龍.近十年國內知識管理研究熱點——基于CSSCI數據庫的詞頻分析[J].情報科學，2011，（9）：1425-1429.

[3]Manfred Wettler.Reinhard Rapp Computation of Word Associations Based on the Co-occurrences of Words in Large Corpora[EB/OL].2005-10-09.

[4]（美）林頓·C·費里曼.社會網絡分析發展史[M].張文宏，劉軍，王衛東，譯.北京：中國人民大學出版社，2008：2-3.

[5]魯珂，趙繼東，葉婭蘭，等.一種用于圖像檢索的新型半監督學習算法[J].電子科技大學學報，2005，（5）：669-671.

[6]許相莉，張利彪，劉向東，等.基于粒子群的圖像檢索相關反饋算法[J].電子學報，2010，（8）：1935-1940.

[7]王崇駿，楊育彬，陳世福.基于高層語義的圖像檢索算法[J].軟件學報，2004，（10）：1461-1469.

[8]李健，牛振山.基于曲波的紋理圖像檢索系統的設計與實現[J].計算機工程與科學，2011，（3）：62-66.

[9]牛蕾，倪林.基于內容的圖像檢索中的相關反饋算法[J].計算機工程與應用，2004，（32）：65-70.

[10]王向陽，蘆婷婷.一種魯棒的多特征彩色圖像檢索新方法[J].中國圖象圖形學報，2007，（10）：1757-1760.

[11]安志勇，曾智勇，趙珊，等.基于紋理特征的圖像檢索[J].光電子·激光，2008，（2）：230-232.

[12]何姍，郭寶龍，洪俊標.基于興趣點顏色形狀特征的圖像檢索方法[J].微電子學與計算機，2006，（3）：40-43.

[13]張偉，何金國，桑佩羅布.基于度量矩陣特征值的圖像空間關系描述[J].計算機應用研究，2010，（11）：4376-4378.

[14]張菁，沈蘭蓀，David Dagon Feng.基于視覺感知的圖像檢索的研究[J].電子學報，2008，（3）：494-499.

[15]吳楠，宋方敏.一種基于圖像高層語義信息的圖像檢索方法[J].中國圖象圖形學報，2006，（12）：1774-1780.

[16]袁薇，高淼.綜合語義與顏色特征的圖像檢索技術研究[J].微電子學與計算機，2006，（10）：36-39.

[17]洪俊明.基于內容檢索的圖像數據庫流水索引法的研究[J].電子工程師，2008，（11）：42-45.

[18]陳久軍，肖剛，盛頌恩，等.XML驅動的圖像語義檢索研究[J].中國圖象圖形學報，2007，（10）：1770-1773.

（本文責任編輯：孫國雷）