一種基于顏色與空間特征的CBIR系統(tǒng)

李仲生+田小路

收稿日期：2013-05-28

基金項目：湖南省自然科學基金項目（13JJ6078）；湖南省大學生研究性學習和創(chuàng)新性實驗計劃項目（湘教通[2012]402號）

作者簡介：李仲生（1967—），男，湖南邵陽人，副教授，博士，研究方向：圖像處理，粒計算，物聯(lián)網(wǎng)。

通訊聯(lián)系人，E-mail：zsli666@163.com

文章編號：1003-6199（2014）03-0097-04

摘 要：基于內(nèi)容的圖像檢索CBIR是多媒體信息管理系統(tǒng)的重要組成部分。提出一種利用圖像的顏色信息和空間信息提取圖像特征的算法——同心圓區(qū)域劃分法。經(jīng)實驗表明，該算法取得了較好的檢索效果。

關鍵詞：CBIR；顏色；空間；同心圓區(qū)域劃分法

中圖分類號：TP314 文獻標識碼：A

Implementation of the CBIR System Based on Color and Space Features

LI Zhong-sheng，TIAN Xiao-lu

（Department of Information Engineering， Shaoyang University， Shaoyang， Hunan 422000，China）

Abstract：CBIR （Content-Based Image Retrieval） is a significantly important component of multimedia information management systems. This paper provides a algorithm， the division of concentric circles-based method， that synthesizes the color and space information to extract features of image. It evidently improves the precision of retrieval and achieve better performance.

Key words：CBIR； color； space； the division of concentric circles-based method

1 引 言

目前，圖像的檢索工具有兩種：一種是基于文本的高級語義查詢，如Yahoo、baidu等；另一種是基于圖像的底層內(nèi)容的查詢[1]。因為基于高級語義的關鍵詞查詢圖像需要人工對圖像庫中的圖像進行歸納和標注，圖像檢索結果也就完全依賴于人工標注的圖像名稱，編號，注釋的信息，具有很強的主觀性，因此對圖像的查全率和查準率有著很大的影響，所以僅僅依靠基于高級語義的文本查詢并不是最好的圖像查詢方法，CBIR （Content-Based Image Retrieval）是基于底層內(nèi)容的圖像檢索，很好的克服了基于高層語義的關鍵字檢索的主觀性，具有很強的現(xiàn)實意義[2]。目前，國內(nèi)外許多著名的科研機構和大學已經(jīng)研發(fā)了多種CBIR原型，如IBM的QBIC系統(tǒng)、MIT的PhotoBook系統(tǒng)、哥倫比亞大學的VisualSEEK系統(tǒng)、EXalibur的Picasso系統(tǒng)[3-5]、中科院的MIRES系統(tǒng)等。現(xiàn)有的CBIR系統(tǒng)主要是依據(jù)圖像的底層特征如顏色、紋理、形狀以及對象的空間關系，建立圖像的特征矢量，來表征圖像[6-8]。因為與其他視覺特征相比，顏色特征對圖像的旋轉，平移，視角等變化不敏感，具有較強的魯棒性，所以在所有的底層特征中，顏色無疑是最重要的底層特征。但是，如果忽略圖像的其他底層特征而僅僅考慮顏色，必然會對圖像的查全率和查準率有著很大的影響，本文提出的方法彌補了這一缺陷，并對重疊分塊法進行了改進。

2 算 法

2.1 顏色空間的選取

任何顏色都可以用三基色（RGB）來表示。RGB顏色空間是一種常見的顏色表示法，但RGB顏色空間和人眼的心理感知差異很大。空間的相似并不代表實際顏色的相似。因此，為了使算法對于顏色距離的定義更加符合人眼的視覺特征，本文采用較能符合人眼感知特性的HSV顏色空間，即色調(diào)H（hue）、飽和度S（saturation）和亮度V（value）。其中H色調(diào)指的是光的顏色，不同頻率的光呈現(xiàn)不同的顏色，如紅、橙、黃、綠、青、藍、紫。飽和度指的是顏色的純度，即與顏色深淺程度有關。飽和度表示的顏色深淺，如：深紅，淡紅。在純色光中白光的比例高低反映了飽和度就的高低；白光比例越高，飽和度就越低。亮度指的是光的明暗程度，對于顏色來說參入的白色就越多，顏色越亮。因為HSV顏色空間更符合人眼的心理感知特點，所以本文采用HSV顏色空間。

2.2 同心圓區(qū)域劃分算法

在此部分，我們將對圓形區(qū)域劃分的方法進行詳細的介紹，并與重疊分塊法進行比較，實驗證明，本文方法有較高的檢索率。

2.2.1 重疊分塊算法

因為全局顏色直方圖，無法包含圖像的空間分布信息，也不能充分限制背景信息，所以有學者提出了重疊分塊的方法，該方法根據(jù)重復次數(shù)的不同，能在一定程度上體現(xiàn)了中心位置的重要性。該方法通常是將圖像分成n×n塊，本文以3×3塊為例，如圖1所示：

然后再分別統(tǒng)計A，B，C，D四個區(qū)域的顏色直方圖，其中A，B，C，D分別代表示例圖的左上4塊，右上4塊，左下4塊，右下4個塊，即：

A={P11，P12，P21，P22}， B={P12，P13，P22，P23}

C={P21，P22，P31，P32}， D={P22，P23，P32，P33}

這樣在提取顏色直方圖時，每一小塊重復的次數(shù)會不一樣，如圖1.1 所示，在一定程度上體現(xiàn)了中心位置的重要性，但其缺點在于求每個區(qū)域 A，B，C，D 的直方圖時將處在邊界位置的像素點和處在中心位置的像素點混為一起，仍不能充分體現(xiàn)中心位置的重要性。因此，本文提出了圓形區(qū)域分塊法。

2.2.2 同心圓區(qū)域劃分算法

人們在觀察圖像時，對圖像各個部分的重視程度不一樣，對于絕大多數(shù)圖像而言，中間部分為圖像的核心區(qū)域，但是無論何種形式的均勻分塊算法都不可避免的將圖像的核心部分劃分在不同的塊內(nèi)，破壞了圖像的完整性，也不能很好的限制圖像的背景信息，從而降低圖像檢索的精確度。因此本文提出了一種同心圓區(qū)域劃分法，這種算法不僅能更加充分的呈現(xiàn)對圖像核心區(qū)域重要程度而且忽略了，而且能夠更好的限制圖像的背景信息，具體算法如下：

Step1.做圖像的內(nèi)切圓。 方法如下：以圖像的對角線的相交點為圓心O，以矩形的寬長為直徑R做矩形的內(nèi)切圓。如圖2方式的劃分.

由圖2可知，內(nèi)切圓體現(xiàn)了圖像的有意義的信息，而剩余的四個角為圖像不重要的背景或者無關信息。這樣做，既可以突出圖像的有用信息，又可以忽略沒意義的無用的背景信息。

Step2.將第一步所得的內(nèi)切圓的半徑R均分為N等份，每份的長度為r=1/n，以圓心O為共有圓心做N個同心圓。本文取n=3，如圖2所示區(qū)域分別為ABC，且重要程度從A到C依次遞減。進一步突出表達核心區(qū)域的信息。

Step3.對不同區(qū)域賦予不同的權重。本文權重如下： A區(qū)域為0.5，B區(qū)域 0.3，C區(qū)域 0.2。

Step4.將3個區(qū)域的顏色直方圖結合各自權重順序連接，構成最終的特征向量。

本文方法在一定程度上彌補了重疊分塊的不足。保持了圖像的完整性，突出了核心區(qū)域信息，在一定程度上限制了背景信息。進一步提高了圖像的查準率。

2.2.3 彩色直方圖的構造

首先對圖像進行同心圓區(qū)域的劃分，然后提取各區(qū)域的顏色直方圖并計算出相應的權重。具體步驟如下：

Step1.如圖2所示，對圖像進行圓形區(qū)域的劃分。統(tǒng)計出每個區(qū)域中邊緣像素點的總數(shù)SN（i），其中 i =1， 2， 3，并計算出對應顏色值為k（k=0，1，2，…255）的像素個數(shù)Ni（k）；

Step2.構造出每個區(qū)域相應的顏色直方圖

Qi（k）=Ni（k）SN（i）（其中i=1，2，3

k=0，1，2，…，255） （1）

Step3.計算出相應區(qū)域的權重

Step4.將3個區(qū)域的顏色直方圖結合各自權重順序連接，共構成3×256=768維。

綜上可知彩色同心圓區(qū)域劃分直方圖，綜合了顏色和空間。這種算法不僅能更加充分的呈現(xiàn)對圖像不同位置的不同重要程度，而且也避免了顏色對空間信息的丟失。

2.2.4 相似度的度量

本文綜合運用彩色同心圓區(qū)域直方圖和計算圖像間內(nèi)容的相似度，并進行圖像檢索。所采用的距離歐氏距離，即：

dEuc（xp，xq）=d2m（xp，xq）=

（∑ni=1|xp-xq|2）12（2）

這樣，進行圖像檢索時，計算公式計算出數(shù)據(jù)庫中的每幅圖像p與示例圖像q之間的相似度，然后按照相似度由大到小的順序返回基于內(nèi)容圖像檢索的查詢結果。

3 實驗比較

為了從整體上驗證本文算法的有效性，以下給出本文算法的檢索實驗結果，并與經(jīng)典的顏色直方圖方法、math算法進行比較。在實驗中，我們從Corel圖像庫中選取10類圖像，每類圖像隨機抽取50幅圖像作為示例圖像，總共500次查詢，在將每次查詢的前20幅最相似圖像作為檢索結果。對于每類圖像而言，計算其50次查詢結果的查準率和查全率的平均值作為該類圖像的平均查準率和平均查全率。表1給出了顏色直方圖法、MTH和本文算法相對應的結果（1表示顏色直方圖法，2表示MTH方法，3表示本文方法）。

表1 查全率查準率比較

實驗結果表明，與傳統(tǒng)的顏色直方圖方法比較，本文算法無論是在查全率而是查準率上都有所提高，平均查全率中，以雪山類圖為例，本文的算法高出顏色直方圖格倍多。MTH算法在查全率上表現(xiàn)突出，與本文算法接近，但在查準率上本文算法有一定優(yōu)勢，其中大象圖，本文算法高出了MTH算法30%以上。所有實驗結果驗證了本文算法的有效性。

4 總 結

顏色是重要的圖像視覺的感知特性之一，因為常用的顏色直方圖在統(tǒng)計圖像顏色特征時，其丟失了顏色的空間分布信息，針對此缺點，本文提出了一種綜合利用顏色特征、空間特征表示圖像內(nèi)容的圖像相似性檢索方法——彩色同心圓區(qū)域劃分法。這種算法對重疊分塊法和傳統(tǒng)顏色直方圖法的進行了改進，實驗表明，與單獨的基于顏色或者紋理特征相比該算法能較準確和高效的查找出用戶所需要的彩色圖像。

參考文獻

[1] CHANG S K，YAN C W，DIMITROFF D C. An intelligent image database system[J]. IEEE Trans. on Software Eng. 1988， 14（5）： 412-421.

[2] DATTA R，JNSHI D，LI J， et al. Image Retrieval： Ideas， Influences， and Trends of the New Age[J]. ACM Computing Surveys. 2008， 40（2）：1-60.

[3] NIBLACK W，BARBER R，F(xiàn)LICKNER M， et al. The QBIC Project： Querying Image by Content Using Color， Texture and Shape[A]. SPIE Storage and Retrieval of Image and Video Data-base[C].1993.173-187.

[4] PENTLAND A，PICARD R，SCLAROFF S. Photobook： Content-Based Manipulation of Image Databases[A]. SPIE Storage and Retrieval for Image and Video Databases H[C].1994.34-47.

[5] YONG RUI， THOMAS S HUANG， SHIH-FU CHANG. Image Retrieval： Part， Present， and Future[J]. Journal of Visual Communication and Image Representation，1998，10（1）：39-62.

[6] YOO HUN-WOO，JUNG SHE-HWAN. Extraction of Major Object Feature Using VQ Clustering for Content-based Image Retrieval[J]. Pattern Recognition. 2002， 35（2）： 1115-1126.

[7] LIN HWEI-JEN， KAO YANG-TA. A Study of Shape-based Image Retrieval[J]. IEEE Computer. 2004，22（2）： 645-662.

[8] YU HONPUG-HEATHER. Visual Image Retrieval on Compressed Domain with Q-Distance Image Signal Process[J]. International Journal of Computer Vision. 2000， 31（1）： 134-149.

2.2.2 同心圓區(qū)域劃分算法

人們在觀察圖像時，對圖像各個部分的重視程度不一樣，對于絕大多數(shù)圖像而言，中間部分為圖像的核心區(qū)域，但是無論何種形式的均勻分塊算法都不可避免的將圖像的核心部分劃分在不同的塊內(nèi)，破壞了圖像的完整性，也不能很好的限制圖像的背景信息，從而降低圖像檢索的精確度。因此本文提出了一種同心圓區(qū)域劃分法，這種算法不僅能更加充分的呈現(xiàn)對圖像核心區(qū)域重要程度而且忽略了，而且能夠更好的限制圖像的背景信息，具體算法如下：

Step1.做圖像的內(nèi)切圓。 方法如下：以圖像的對角線的相交點為圓心O，以矩形的寬長為直徑R做矩形的內(nèi)切圓。如圖2方式的劃分.

由圖2可知，內(nèi)切圓體現(xiàn)了圖像的有意義的信息，而剩余的四個角為圖像不重要的背景或者無關信息。這樣做，既可以突出圖像的有用信息，又可以忽略沒意義的無用的背景信息。

Step2.將第一步所得的內(nèi)切圓的半徑R均分為N等份，每份的長度為r=1/n，以圓心O為共有圓心做N個同心圓。本文取n=3，如圖2所示區(qū)域分別為ABC，且重要程度從A到C依次遞減。進一步突出表達核心區(qū)域的信息。

Step3.對不同區(qū)域賦予不同的權重。本文權重如下： A區(qū)域為0.5，B區(qū)域 0.3，C區(qū)域 0.2。

Step4.將3個區(qū)域的顏色直方圖結合各自權重順序連接，構成最終的特征向量。

本文方法在一定程度上彌補了重疊分塊的不足。保持了圖像的完整性，突出了核心區(qū)域信息，在一定程度上限制了背景信息。進一步提高了圖像的查準率。

2.2.3 彩色直方圖的構造

首先對圖像進行同心圓區(qū)域的劃分，然后提取各區(qū)域的顏色直方圖并計算出相應的權重。具體步驟如下：

Step1.如圖2所示，對圖像進行圓形區(qū)域的劃分。統(tǒng)計出每個區(qū)域中邊緣像素點的總數(shù)SN（i），其中 i =1， 2， 3，并計算出對應顏色值為k（k=0，1，2，…255）的像素個數(shù)Ni（k）；

Step2.構造出每個區(qū)域相應的顏色直方圖

Qi（k）=Ni（k）SN（i）（其中i=1，2，3

k=0，1，2，…，255） （1）

Step3.計算出相應區(qū)域的權重

Step4.將3個區(qū)域的顏色直方圖結合各自權重順序連接，共構成3×256=768維。

綜上可知彩色同心圓區(qū)域劃分直方圖，綜合了顏色和空間。這種算法不僅能更加充分的呈現(xiàn)對圖像不同位置的不同重要程度，而且也避免了顏色對空間信息的丟失。

2.2.4 相似度的度量

本文綜合運用彩色同心圓區(qū)域直方圖和計算圖像間內(nèi)容的相似度，并進行圖像檢索。所采用的距離歐氏距離，即：

dEuc（xp，xq）=d2m（xp，xq）=

（∑ni=1|xp-xq|2）12（2）

這樣，進行圖像檢索時，計算公式計算出數(shù)據(jù)庫中的每幅圖像p與示例圖像q之間的相似度，然后按照相似度由大到小的順序返回基于內(nèi)容圖像檢索的查詢結果。

3 實驗比較

為了從整體上驗證本文算法的有效性，以下給出本文算法的檢索實驗結果，并與經(jīng)典的顏色直方圖方法、math算法進行比較。在實驗中，我們從Corel圖像庫中選取10類圖像，每類圖像隨機抽取50幅圖像作為示例圖像，總共500次查詢，在將每次查詢的前20幅最相似圖像作為檢索結果。對于每類圖像而言，計算其50次查詢結果的查準率和查全率的平均值作為該類圖像的平均查準率和平均查全率。表1給出了顏色直方圖法、MTH和本文算法相對應的結果（1表示顏色直方圖法，2表示MTH方法，3表示本文方法）。

表1 查全率查準率比較

實驗結果表明，與傳統(tǒng)的顏色直方圖方法比較，本文算法無論是在查全率而是查準率上都有所提高，平均查全率中，以雪山類圖為例，本文的算法高出顏色直方圖格倍多。MTH算法在查全率上表現(xiàn)突出，與本文算法接近，但在查準率上本文算法有一定優(yōu)勢，其中大象圖，本文算法高出了MTH算法30%以上。所有實驗結果驗證了本文算法的有效性。

4 總 結

顏色是重要的圖像視覺的感知特性之一，因為常用的顏色直方圖在統(tǒng)計圖像顏色特征時，其丟失了顏色的空間分布信息，針對此缺點，本文提出了一種綜合利用顏色特征、空間特征表示圖像內(nèi)容的圖像相似性檢索方法——彩色同心圓區(qū)域劃分法。這種算法對重疊分塊法和傳統(tǒng)顏色直方圖法的進行了改進，實驗表明，與單獨的基于顏色或者紋理特征相比該算法能較準確和高效的查找出用戶所需要的彩色圖像。

參考文獻

[1] CHANG S K，YAN C W，DIMITROFF D C. An intelligent image database system[J]. IEEE Trans. on Software Eng. 1988， 14（5）： 412-421.

[2] DATTA R，JNSHI D，LI J， et al. Image Retrieval： Ideas， Influences， and Trends of the New Age[J]. ACM Computing Surveys. 2008， 40（2）：1-60.

[3] NIBLACK W，BARBER R，F(xiàn)LICKNER M， et al. The QBIC Project： Querying Image by Content Using Color， Texture and Shape[A]. SPIE Storage and Retrieval of Image and Video Data-base[C].1993.173-187.

[4] PENTLAND A，PICARD R，SCLAROFF S. Photobook： Content-Based Manipulation of Image Databases[A]. SPIE Storage and Retrieval for Image and Video Databases H[C].1994.34-47.

[5] YONG RUI， THOMAS S HUANG， SHIH-FU CHANG. Image Retrieval： Part， Present， and Future[J]. Journal of Visual Communication and Image Representation，1998，10（1）：39-62.

[6] YOO HUN-WOO，JUNG SHE-HWAN. Extraction of Major Object Feature Using VQ Clustering for Content-based Image Retrieval[J]. Pattern Recognition. 2002， 35（2）： 1115-1126.

[7] LIN HWEI-JEN， KAO YANG-TA. A Study of Shape-based Image Retrieval[J]. IEEE Computer. 2004，22（2）： 645-662.

[8] YU HONPUG-HEATHER. Visual Image Retrieval on Compressed Domain with Q-Distance Image Signal Process[J]. International Journal of Computer Vision. 2000， 31（1）： 134-149.

2.2.2 同心圓區(qū)域劃分算法

人們在觀察圖像時，對圖像各個部分的重視程度不一樣，對于絕大多數(shù)圖像而言，中間部分為圖像的核心區(qū)域，但是無論何種形式的均勻分塊算法都不可避免的將圖像的核心部分劃分在不同的塊內(nèi)，破壞了圖像的完整性，也不能很好的限制圖像的背景信息，從而降低圖像檢索的精確度。因此本文提出了一種同心圓區(qū)域劃分法，這種算法不僅能更加充分的呈現(xiàn)對圖像核心區(qū)域重要程度而且忽略了，而且能夠更好的限制圖像的背景信息，具體算法如下：

Step1.做圖像的內(nèi)切圓。 方法如下：以圖像的對角線的相交點為圓心O，以矩形的寬長為直徑R做矩形的內(nèi)切圓。如圖2方式的劃分.

由圖2可知，內(nèi)切圓體現(xiàn)了圖像的有意義的信息，而剩余的四個角為圖像不重要的背景或者無關信息。這樣做，既可以突出圖像的有用信息，又可以忽略沒意義的無用的背景信息。

Step2.將第一步所得的內(nèi)切圓的半徑R均分為N等份，每份的長度為r=1/n，以圓心O為共有圓心做N個同心圓。本文取n=3，如圖2所示區(qū)域分別為ABC，且重要程度從A到C依次遞減。進一步突出表達核心區(qū)域的信息。

Step3.對不同區(qū)域賦予不同的權重。本文權重如下： A區(qū)域為0.5，B區(qū)域 0.3，C區(qū)域 0.2。

Step4.將3個區(qū)域的顏色直方圖結合各自權重順序連接，構成最終的特征向量。

本文方法在一定程度上彌補了重疊分塊的不足。保持了圖像的完整性，突出了核心區(qū)域信息，在一定程度上限制了背景信息。進一步提高了圖像的查準率。

2.2.3 彩色直方圖的構造

首先對圖像進行同心圓區(qū)域的劃分，然后提取各區(qū)域的顏色直方圖并計算出相應的權重。具體步驟如下：

Step1.如圖2所示，對圖像進行圓形區(qū)域的劃分。統(tǒng)計出每個區(qū)域中邊緣像素點的總數(shù)SN（i），其中 i =1， 2， 3，并計算出對應顏色值為k（k=0，1，2，…255）的像素個數(shù)Ni（k）；

Step2.構造出每個區(qū)域相應的顏色直方圖

Qi（k）=Ni（k）SN（i）（其中i=1，2，3

k=0，1，2，…，255） （1）

Step3.計算出相應區(qū)域的權重

Step4.將3個區(qū)域的顏色直方圖結合各自權重順序連接，共構成3×256=768維。

綜上可知彩色同心圓區(qū)域劃分直方圖，綜合了顏色和空間。這種算法不僅能更加充分的呈現(xiàn)對圖像不同位置的不同重要程度，而且也避免了顏色對空間信息的丟失。

2.2.4 相似度的度量

本文綜合運用彩色同心圓區(qū)域直方圖和計算圖像間內(nèi)容的相似度，并進行圖像檢索。所采用的距離歐氏距離，即：

dEuc（xp，xq）=d2m（xp，xq）=

（∑ni=1|xp-xq|2）12（2）

這樣，進行圖像檢索時，計算公式計算出數(shù)據(jù)庫中的每幅圖像p與示例圖像q之間的相似度，然后按照相似度由大到小的順序返回基于內(nèi)容圖像檢索的查詢結果。

3 實驗比較

為了從整體上驗證本文算法的有效性，以下給出本文算法的檢索實驗結果，并與經(jīng)典的顏色直方圖方法、math算法進行比較。在實驗中，我們從Corel圖像庫中選取10類圖像，每類圖像隨機抽取50幅圖像作為示例圖像，總共500次查詢，在將每次查詢的前20幅最相似圖像作為檢索結果。對于每類圖像而言，計算其50次查詢結果的查準率和查全率的平均值作為該類圖像的平均查準率和平均查全率。表1給出了顏色直方圖法、MTH和本文算法相對應的結果（1表示顏色直方圖法，2表示MTH方法，3表示本文方法）。

表1 查全率查準率比較

實驗結果表明，與傳統(tǒng)的顏色直方圖方法比較，本文算法無論是在查全率而是查準率上都有所提高，平均查全率中，以雪山類圖為例，本文的算法高出顏色直方圖格倍多。MTH算法在查全率上表現(xiàn)突出，與本文算法接近，但在查準率上本文算法有一定優(yōu)勢，其中大象圖，本文算法高出了MTH算法30%以上。所有實驗結果驗證了本文算法的有效性。

4 總 結

顏色是重要的圖像視覺的感知特性之一，因為常用的顏色直方圖在統(tǒng)計圖像顏色特征時，其丟失了顏色的空間分布信息，針對此缺點，本文提出了一種綜合利用顏色特征、空間特征表示圖像內(nèi)容的圖像相似性檢索方法——彩色同心圓區(qū)域劃分法。這種算法對重疊分塊法和傳統(tǒng)顏色直方圖法的進行了改進，實驗表明，與單獨的基于顏色或者紋理特征相比該算法能較準確和高效的查找出用戶所需要的彩色圖像。

參考文獻

[1] CHANG S K，YAN C W，DIMITROFF D C. An intelligent image database system[J]. IEEE Trans. on Software Eng. 1988， 14（5）： 412-421.

[2] DATTA R，JNSHI D，LI J， et al. Image Retrieval： Ideas， Influences， and Trends of the New Age[J]. ACM Computing Surveys. 2008， 40（2）：1-60.

[3] NIBLACK W，BARBER R，F(xiàn)LICKNER M， et al. The QBIC Project： Querying Image by Content Using Color， Texture and Shape[A]. SPIE Storage and Retrieval of Image and Video Data-base[C].1993.173-187.

[4] PENTLAND A，PICARD R，SCLAROFF S. Photobook： Content-Based Manipulation of Image Databases[A]. SPIE Storage and Retrieval for Image and Video Databases H[C].1994.34-47.

[5] YONG RUI， THOMAS S HUANG， SHIH-FU CHANG. Image Retrieval： Part， Present， and Future[J]. Journal of Visual Communication and Image Representation，1998，10（1）：39-62.

[6] YOO HUN-WOO，JUNG SHE-HWAN. Extraction of Major Object Feature Using VQ Clustering for Content-based Image Retrieval[J]. Pattern Recognition. 2002， 35（2）： 1115-1126.

[7] LIN HWEI-JEN， KAO YANG-TA. A Study of Shape-based Image Retrieval[J]. IEEE Computer. 2004，22（2）： 645-662.

[8] YU HONPUG-HEATHER. Visual Image Retrieval on Compressed Domain with Q-Distance Image Signal Process[J]. International Journal of Computer Vision. 2000， 31（1）： 134-149.