“基于纹理特征的医学图像自组织映射检索”

可在www.sciencedirect.com在线获取ScienceDirectFutureComputing and Informatics Journal 3（2018）359e370http://www.journals.elsevier.com/future-computing-and-informatics-journal/基于纹理特征的自组织映射医学图像检索Shashwati Mishra*，Mrutyunjaya PandaUtkal大学计算机科学与应用系，Vani Vihar，Bhubaneswar接收日期：2018年6月19日;接受日期：2018年10月24日2018年10月30日在线提供摘要由于使用了先进技术，以数字图像形式捕获、传输和共享信息的过程变得更加容易。从这些庞大的图像数据库中检索所需的图像是一个热门的研究领域，并在各个领域有其应用。图像集由包含不同颜色、形状、方向和大小的对象的图像组成。图像中的对象的表面纹理也可以与不同图像中的另一对象不同。这些因素使得图像检索成为一个困难的过程。本文将自组织映射应用于局部纹理特征，对脑磁共振图像进行相似性组织。考虑像素之间的相关性，以检索与输入查询图像最相似的图像。实验结果证明了该方法对医学图像的有效性Copyright © 2018埃及未来大学计算机与信息技术学院由爱思唯尔公司制作和主持这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：自组织地图;基于内容的图像检索;纹理特征;基于文本的检索;空间信息;分类1. 介绍用于捕获图像的技术的改进和网络领域的发展是数字图像数量增加的根本原因。图像检索系统的目标是从大量的图像集合中搜索并提取出所需的图像。从如此庞大的图像集合中检索所需的图像是重要的研究课题之一，其在疾病诊断、地理信息系统、工程设计、预防犯罪、数字图书馆、军事部门等不同领域具有适用性。随着技术的进步，传统的检索方法已经被基于计算机的方法所取代，这减少了人工检索所需的时间、金钱和劳动[1]。* 通讯作者。电子邮件地址：shashwati. gmail.com（S. Mishra）。同行审查，由埃及未来大学计算机和信息技术系负责。一个用户的需求不同于另一个用户。此外，所需信息的类型对所有用户来说并不统一。因此，不同的用户可以使用不同类型的查询来从图像集中检索他们期望的图像因此，查询可以是文本查询、视觉查询或基于属性的查询。文本查询在文本描述（如标题、关键字、图像描述等）而视觉查询使用图像或像纹理或颜色的视觉特性作为输入。为了提取所需的图像，这些输入分别与文本和视觉查询的情况下的文本图像描述符和视觉图像描述符进行比较。在基于属性的查询中使用结构元数据和上下文值（如图像编号、日期）来检索图像。基本上图像描述符可以分为元数据描述符和视觉描述符。基于文本和基于属性的信息属于元数据描述符。图像的检索受到查询中提供的规格的细节和准确性以及系统准确理解查询并将这些规格与图像集进行比较的能力的影响为了减少图像检索的时间，元数据或图像描述符用于比较，而不是匹配存储的每个图像[2]。https://doi.org/10.1016/j.fcij.2018.10.0062314-7288/Copyright © 2018埃及未来大学计算机与信息技术学院。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。360S. Mishra，M.熊猫/未来计算和信息学杂志3（2018）359e 370基于内容的图像检索已经成为图像检索的主流方法之一，并在各个领域得到了广泛的应用。本文对基于内容的图像检索所做的工作进行了详细的分析。基于内容的图像检索（CBIR）是在20世纪80年代初提出的，它比早期的基于文本的检索方法更受欢迎。CBIR技术的开发是为了克服基于文本的检索的一些重要缺点，即需要更多的人力和时间进行注释，注释不准确等。高级特征，如关键字，文本格式的描述通常用作基于文本的检索中的相似性度量，而低级特征，如形状，纹理，颜色等用于CBIR技术[3]。根据Eakins[4]在CBIR中有三个层次的查询，第一层是基于原始特征，如纹理，形状或颜色，第二层处理具有一定程度的逻辑推理的派生特征。第3级检索借助包含场景和对象目的的抽象属性。第2级和第3级被称为语义图像检索[3]。为了管理低级别特征（级别1）和高级别语义概念（级别2）之间的间隙（语义间隙），使用相关反馈技术。在相关反馈技术中，检索到的图像集被标记为正反馈（相关图像集）和负反馈（不相关图像集）。检索程序是在此标记的基础上改进的。为了得到更好的检索结果，这些过程反复进行。两种相关反馈技术是查询移动和有偏子空间学习。A. Mohanan等人对相关反馈技术及其在图像检索中的有用性进行了详细分析[5]。第2节描述了不同类型的图像检索技术和基于内容的图像检索中使用的原始特征的类型。第3节介绍了不同研究人员用于图像检索的方法，以及自组织映射在不同图像处理和现实世界中的应用。第4节包含了所提出的方法，随后在第5节中描述了自组织映射。第6节包含实验观察和讨论。结论和未来工作见第7节。2. 图像检索技术图像检索技术可以分为基于文本的检索技术和基于内容的检索技术。2.1. 文本检索基于文本的检索是在文本输入的基础上检索图像。像一个关键字的文本输入，可以是图像的名称，日期，图像的描述等，这种方法有几个缺点，这可能会导致检索不成功。不同的人可能会编写不同类型的查询来搜索相同的内容。搜索关键字可能有一些拼写错误。有时候，要求不能明确地表达或者精确地指定。提取的图像可能不是查询图像的精确匹配。为了克服这些困难，人们开发了基于内容的图像检索（CBIR）技术[6]。2.2. 基于内容的图像检索与传统的基于概念的方法相对的是基于内容的图像检索（CBIR）。CBIR也被称为基于内容的视觉信息检索（CBVIR）或按图像内容查询（QBIC）。这种检索方法通过分析图像的颜色、纹理、形状等内容，从大量的数据库中提取图像。传统的方法是基于元数据搜索。创建元数据，如标签，关键字，图像上的描述是非常耗时的，依赖于人，也可能不完整[7]。基于内容的图像检索（CBIR）起源于T。1992年的加藤。CBIR的第一个商业应用是由IBM公司开发的QBIC（Query by Image Content）。在CBIR方法中，可以通过使用不同类型的查询或比较图像内容的基础上，一些相似性措施的图像提取。CBIR具有广泛的应用，包括犯罪调查，军事，医疗诊断，人脸检测，遥感系统等[7]。2.2.1. 基于颜色特征的检索基于颜色特征的检索背后的主要思想是构建图像的颜色直方图，该直方图显示图像中存在的不同颜色像素的数量。将查询图像的颜色直方图与数据库中存在的图像的颜色直方图进行比较，以检索期望的图像。除了颜色直方图，颜色相干矢量（CCV），颜色矩也用于检索。在检索过程中，提取最能代表相似性的颜色描述符。在RGB颜色模型中，存在三种原色红，绿，蓝，它们以适当的比例组合以产生任何所需的颜色[8]。2.2.2. 基于形状特征的检索形状也是物体区别于其他物体的重要特征之一。大量的研究已经完成了这个形状特征的检索[9]。形状特征必须具有旋转、缩放和平移不变性，才能有效地进行检索。形状提取技术可以考虑物体的面积，质量，坚固性等因素，还可以提取图像中的边缘和线条以确定物体的形状[10]。2.2.3. 基于纹理特征的检索图像纹理提供了有关像素灰度级空间排列的信息，这对于不同的图像处理任务（如分类、分割和检索）非常重要[11]。颜色特征取决于S. Mishra，M.熊猫/未来计算和信息学杂志3（2018）359e 370361¼≤≤像素的强度，并且从像素到像素变化，而纹理特征影响图像的区域。图像的纹理可以根据不同的特征来考虑，如对比度、方向、粗糙度等。纹理特征表示图像表面的特征，并且还提供关于图像中存在的物体的形状、大小、方向、布置的信息。纹理特征可用于纹理分割、分类、合成等方面，根据纹理特征的性质将图像表面分割成不同的部分。在分类中，根据特征的相似性，为特征分配特定的类标签。因此，每个类包含相同类型的特征。大纹理是使用纹理合成技术从小纹理创建的，该技术用于纹理映射，并提供逼真的视图。纹理特征也用于重建三维表面[12]。有几种方法用于纹理特征提取，如结构，统计，基于模型，变换信息。结构化方法考虑图像基元的空间排列。虽然它给出了图像的良好表示，但由于宏观纹理和微观纹理的变化，它不适合自然图像[12]。统计方法考虑灰度信息，试图找出灰度值之间的关系。这些技术考虑灰度值的空间分布，并试图找出这些值之间的统计关系。根据其属性被认为是统计方法的像素的数量，可以分为一阶，二阶和更高阶。一阶统计量考虑单个像素的属性，二阶统计量估计像素对之间的关系，高阶统计量分析三个或更多像素之间的关系。共生矩阵用于提取纹理分析中常用的二阶统计特征。图像的灰度直方图是一阶统计方法，它根据每个像素的灰度值，四个一阶统计参数是均值、方差、峰度和偏度。对于8位灰度图像I，最大强度值为28 256，从0到255[12]变化。因此，8位灰度图像的直方图包含256个条目，其中每个条目对应于具有强度值IV的像素的数量，其中0 IV 255。人们对灰度共生矩阵、傅立叶谱、小波纹理等纹理特征进行了大量的研究。灰 度 共 生 矩 阵 （ Gray-Level Co-occurrence Matrix ，GLCM）是一种常用的二阶文本特征提取方法，通过图像的行数和列数可以得到图像中不同灰度级的个数。基本上，纹理特征用于通过计算图像中存在的不同灰度级组合来测量强度变化。使用相对距离和相对方向两个参数相对距离取决于两个像素之间的像素数量，并且考虑不同的取向来计算相对取向。在14个灰度共生矩阵特征中，相关性、对比度、角二阶矩、和熵、逆差矩是最重要的特征[12]。以矩阵格式表示纹理信息的另一种方式是借助于灰度游程长度矩阵（GLRLM）。灰度级游程表示具有相同灰度级的那些连续像素。游程长度是游程中的像素数。在GLRLM矩阵的第i行和第j列中表示具有灰度级i和长度j的游程的数目。从GLRLM[12]中获得长时间强调（LRE）、短时间强调（SRE）、游程长度非均匀性（RLNU）、灰度级非均匀性（GLNU）、游程百分比（RPERC）等特征。局部二值模式（LBP）是纹理分析中最简单、最快速的方法之一。SIFT（尺度不变特征变换）、中心对称LBP（CS-LBP）、体积LBP、LPQ（局部相位量化）是一些类似的特征[12]。自相关是用于测量表面粗糙度的重要参数之一，其取决于纹理元素的重复[12]。SGLD（Spatial Gray Level Dependency）矩阵是评价图像中像素之间的依赖性和关系的另一种度量。在两个像素之间存在空间关系，其取决于像素之间的距离和角度。利用这种空间关系，通过计算两个像素的灰度级出现的联合概率来构造SGLD矩阵。可以从SGLD矩阵中提取许多特征[12]。本文利用局部灰度信息提取纹理信息。该方法将图像划分为多个小区域，并从像素的邻域中计算像素的灰度值，同时考虑像素的最高灰度值和最低灰度值。因此，像素的值由其邻域中的像素确定，并且基于高阶统计量的思想。3. 相关工作不同的技术用于图像检索，如相关反馈，小波变换，支持向量机，颜色直方图，高斯混合模型等[13]。一些图像检索方法提取全局纹理和颜色特征，一些则利用局部颜色和纹理特征。为了提取局部颜色和纹理特征，将原始图像分成小块。这些小区域充当特征提取和相似性比较的主要构建块。因此，这些系统通常被称为RBIR（基于区域的图像检索）系统。为了创建小块，使用不同的分割技术。一些RBIR系统使用区域到区域相似性，一些使用图像到图像相似性。不同的分割算法可以以不同的方式分割图像，并且因此分割的区域在其内容和大小上彼此不同。这个问题可以通过图像到图像的相似性来解决，该相似性根据其大小赋予区域重要性，并且区域可以根据其重要性参与匹配过程不止一次[14，15]。362S. Mishra，M.熊猫/未来计算和信息学杂志3（2018）359e 370×P. S. Hiremath等人使用纹理、颜色和形状信息，并考虑原始图像及其补充图像进行检索。在他们的方法中，图像被分成不重叠的区域。纹理和颜色特征提取这些区域在两个单独的分辨率在两个网格结构。从条件同现直方图获得的颜色和纹理特征以及使用GVF（梯度矢量流）提取的形状特征有助于找到数据库中存在的图像与所需图像之间的距离。堪培拉距离被用于他们的方法中以寻找相似性[14]。应用卷积神经网络（CNN）中的上层特征可以充当良好特征的思想。Babenko等人使用卷积神经网络（CNN）的上层特征（在他们的论文中称为神经代码）进行图像检索[16]。M. Paulin等人使用的概念表示图像的补丁的图像检索。这些基于补丁的描述器补丁CKN（卷积核网络）证明更好，可以比SIFT（尺度不变特征变换）和其他卷积网络更快地训练。A. Gordo等人开发了一种图像检索技术，通过从几个区域描述符的聚集创建每个图像的全局表示。它们在深度架构中的主要贡献包括权重优化和池化区域的选择[18]。除了卷积神经网络之外，已经做了很多研究来使用简单的神经网络技术（如自组织映射）检索图像。自组织地图以及技术的组合用于检索彩色和灰度图像。J. Alnihoud使用具有模糊颜色直方图和减法模糊聚类的自组织映射进行基于内容的图像检索。自组织映射用于寻找最佳匹配单元。使用模糊颜色直方图和减法模糊聚类技术识别查询图像所在的聚类[19]。J.Laaksonen等人基于神经网络的思想应用了一种称为PicSOM的图像检索技术。使用自组织映射[20]执行从图像描述符空间到节点的二维表面的映射。除了检索，自组织映射也用于分类的目的。K. V.Laerhoven应用Kohonen SOM和K-Means聚类对传感器数据进行分类[21]。T. Li等人使用SOM对沿海水质进行分类，并分析影响水质的因素[22]。D. K. Jain等人使用自组织映射优化支持向量机，并将所提出的技术应用于高光谱图像的分类[23]。SOM的概念也被用来纠正预测中存在的偏差，提高预测的准确性[24]。自组织地图也被应用于探索鱼类与水质之间的多元关系[25]。H.莫等人在织物印花上应用自组织映射来分割不同的颜色区域并分别识别不同的颜色[26]。本文将自组织映射用于医学图像检索，并考虑了图像的纹理信息。4. 拟议方法提出了一种基于纹理特征的自组织映射医学图像检索方法。医学图像缺乏颜色信息，通常是灰色的。因此，代替考虑颜色信息，纹理特征被认为是图像检索。为了提取纹理特征，考虑3 - 3邻域中的像素，并且任何像素的值被计算为最大像素值和最小像素值之间的差。因此，我们的方法使用高阶统计方法提取局部纹理特征。该技术应用于查询图像和图像数据库中存在的图像两者。在这些提取的特征集上，应用自组织映射算法将具有相似特征的图像分组在一起，并相应地更新权重矩阵。利用权值矩阵计算查询图像与其它图像之间的相关距离。这有助于找到图像中每个像素之间的相关性和依赖性。根据距离对图像进行排序，最后进行图像检索。所提出的方法的图形表示在图中给出。1.一、作者目的用技术P. S. Hiremath和J. Pujari[14]图像检索颜色、纹理（条件共生直方图）形状（GVF）A. Babenko等人[16]图像检索神经码M. Paulin等人[17]图像检索补丁-CKNA.戈多等人[18]图像检索J. Alnihoud[19]基于内容的图像检索自组织神经网络，模糊颜色直方图，减法模糊聚类J. Laaksonen等人[20]图像检索PicSOMK. [21]第二十一话传感器数据SOM，K-means聚类T. Li等人[22日]海岸带水质分类SOMD. K. Jain等人[23]高光谱图像SOM、SVMA.K. Sahai等人[24]提高预测准确性SOM蔡文萍[25]鱼类种类与水质的关系SOMH. Mo等人[26]织物印花SOMS. Mishra，M.熊猫/未来计算和信息学杂志3（2018）359e 370363¼¼X.Σ2¼我IJFig. 1.拟议方法。5. 自组织映射人类大脑从各种输入源接收信息，如通过耳朵以音频的形式，通过眼睛以视觉信息的形式。这些信息在大脑皮层的不同区域进行处理。因此，这就需要对信息进行拓扑排序。自组织地图的概念由此发展到-在计算层中，输入层和计算层中的神经元与权重W ij连接;其中i 1; 2;：;n和j1; 2;：;m。判别函数可以被定义为输入层与计算层中的神经元之间的欧几里德距离，并且可以如等式（1）中所示：nd¼X-W100从生理上来说SOM是一种广泛使用的神经网络模型，它采用了无监督学习的思想。因此，该技术可以应用于当输入的类标签信息是未知的。SOM的概念是由Kohonen[27]提出的，并在竞争学习的思想基础上发展起来的。竞争学习是一种无监督学习，其中输出层的神经元相互竞争，获胜的神经元只能被激活。这个获胜的神经元决定了兴奋神经元的拓扑邻域的空间位置，使得神经元可以与其邻域中的神经元合作以创建映射结构。在突触适应阶段，神经元调整它们的权重。在整个过程中，神经元组织自己创建一个连接的映射结构，因此这种技术被称为自组织映射。该映射保留拓扑意味着输入中的附近点在输出中也彼此更接近。这可以通过保持点之间的相对距离来实现。SOM将高维连续输入空间映射到低维离散输出空间[28]。5.1. 竞争过程假设输入的数量是n，那么网络的输入集X是Xi;其中i1;2;：：：：：;n。如果有m个神经元具有最低判别函数的神经元被认为是竞争过程中的获胜神经元5.2. 合作进程在一个网络中，神经元彼此靠近，相互作用，并根据它们的空间位置创建一个邻域。SOM的拓扑邻域函数在获胜神经元处最大，并随着与获胜神经元距离的增加而逐渐减小。这个邻域由获胜的神经元和一些兴奋的神经元组成，这些神经元相互合作以创建一个映射结构。假设i是获胜神经元，ti;j是以获胜神经元为中心，围绕神经元j的拓扑邻域。神经元i和j之间存在协作，拓扑邻域在点j处测量。设di;j是获胜神经元i和兴奋神经元之间的横向距离j.兴奋神经元的权重被调整的程度取决于拓扑邻域。邻域函数应随距离di;j和关于di;j的sym度量0。当di;j/∞时，它应该减少到零。高斯函数满足这两个性质。考虑高斯函数，拓扑邻域可以如等式（2）所示定义：信息的逻辑排序是受神经系统启发的1/1364S. Mishra，M.熊猫/未来计算和信息学杂志3（2018）359e 370！Dð Þ0不approach. fYjWJ！JhiX; j经验值1/42i; j2s2ð2Þ加强结构性改革因此，根据输入模式调整网络的拓扑结构。因此，与输出神经元相连的权重向量受其中，s是高斯函数的宽度，并且i X指示它取决于输入向量X。拓扑邻域是平移不变的，并且不依赖于获胜神经元的位置。SOM的另一个性质是s不随迭代次数而变。s的值随着迭代次数而减小，因此邻域随着时间而缩小。因此，作为迭代次数的函数的s可以表示为等式（3）。这是我的经验。-不，我不知道输入模式[28]。5.3. 自适应过程在突触权重自适应过程中，赫布学习通常用于神经元的自组织。赫布学习的局限性在于，如果重复输入相同的模式，那么在某个时刻权重会饱和，无法进一步增加。为了 克 服这 个 饱 和 问题 ， 使 用 遗忘 项 ， 以便 可 以 防 止HebbianJ 在Hebbian其中，s0是s的初始值，noi是可以具有值0，1，2，... ...的迭代次数t是时间常数。因此，等式（2）中的邻域函数可以写成等式（4）。假设，其中f是正标量函数，Yj是输出神经元j。具有学习率参数h的赫布假设被写为等式（5）DWjhYjX 5我的经 验D2-ð4Þ利用Hebbian假设中的遗忘项，方程（5）成为i X; j两个两个。 Σ神经元可能并不总是所有类型的赢家。输入模式和不同的获胜神经元可能存在 for different不同input输入patterns模式.因此，必须有一些神经元之间的权重调整形式。 当假设f是一个线性函数，可以定义为：F. YhY 7输入模式彼此非常接近，获胜者可能不同，但每个神经元都有一定的权重在等式（6）中使用等式（7），等式（8）可以是推导图二.原始图像。-i; jDWj¼hYj X-fYj Wj6S. Mishra，M.熊猫/未来计算和信息学杂志3（2018）359e 370365¼.Σ图3. 从原始图像中提取局部灰度信息DWjhYj X-hYj Wj 8考虑到在拓扑邻域中包括获胜神经元和兴奋神经元，等式（8）可以重写为：D WjhYjX-hhiX;jWjhiX;j.X-Wj9因此，权重应该以这样一种方式进行调整，即它应该靠近输入向量。使用离散时间公式，可以从等式（9）导出等式（10）。Wjnoi1;WjnoihnoihiX;jnoiX-Wj 10初始学习速率h应该非常高，以快速获得拓扑排序。当拓扑见图4。与邻居的联系。图五. SOM邻域权重距离。366S. Mishra，M.熊猫/未来计算和信息学杂志3（2018）359e 370图第六章输入随机选择的25个图像的权重图第七章随机选择25张图像的初始权重矩阵图S. Mishra，M.熊猫/未来计算和信息学杂志3（2018）359e 370367图八、自组织映射500次迭代后获得的结果图第九章在自组织映射1000次迭代后获得的结果368S. Mishra，M.熊猫/未来计算和信息学杂志3（2018）359e 370TC¼×.Σ×找到排序并且搜索收敛开始H值应该变小。为了随时间降低学习速率，使用等式（11Hhonoi在哪里，noi0; 1; 2;：：TC是时间常数。自适应过程包括两个阶段，一个是有序或自组织阶段，另一个是收敛阶段。拓扑结构在自组织阶段进行布置，并且在收敛阶段进一步微调所获得的拓扑结构以减少误差[28]。6. 实验观察和讨论为了实验验证所提出的方法，从TCIA收集脑磁共振图像。TCIA是一个大型的癌症图像档案库。本文选用TCIA的CPTAC-GBM和CPTAC-CM图像集进行分析。所提出的方法在MatLab R2015a中实现，具有4 GB RAM，2.30 GHz速度的英特尔酷睿i5处理器。 图图2示出了从整个收集的图像集合中随机选择的25幅脑MR图像的集合。局部纹理信息被收集从这些组的图像考虑在3 - 3邻域的灰度值。像素的灰度值根据其邻域中的最大和最小像素值进行更新。提取的纹理信息如图所示。 3.自组织映射技术应用于这些图像集（如图3所示），其中包含局部纹理信息，以更好地表示纹理特征。我们已经使用了10 - 10节点的地图中所提出的技术的实施。图4示出了相邻节点之 间 的 连 接 ， 5显示了在具有100个节点的自组织地图中加权相邻节点之间的距离。我们随机选择了25张图像，以获得更好的输出可见性。与各个图像相关联的权重在图6中单独示出。图7给出了与所选择的25个图像相关联的随机权重的初始集合的清晰表示。权重矩阵在自组织映射的每次迭代期间更新。在500次和1000次迭代之后获得的结果分别在图8和图9中给出。从这些图像集可以清楚地看出，在每次迭代中，权重矩阵都得到了组织和改进。结果，根据图像的内容相似性，图像的布置发生了逐渐的改进这也可以从图10中得到证明，其中左侧示出了权重向量的初始集合，右侧示出了1000次迭代之后的权重向量比较图10的左图像和右图像，可以说随着迭代次数的增加，相似图像逐渐被分组在一起。权重矩阵中的值之间的相关性被考虑用于从包含脑磁共振图像的图像集合中检索期望的图像集合。为见图11。查询图像。图10. 初始权重向量（a），1000次迭代后的权重向量（b）。S. Mishra，M.熊猫/未来计算和信息学杂志3（2018）359e 370369随机地进行，以便于所获得的结果的可视化。医学图像不包含任何颜色，因此对于这些类型的图像，纹理和形状特征被考虑用于不同的图像处理任务。在本文中，局部纹理信息被提取作为自组织映射算法的输入。对于检索的图像相关性之间的个别像素被认为是。像素的局部和个体信息有助于给出非常好的检索结果，这可以从所获得的输出中观察到。同时考虑空间和高阶统计信息也使该方法有效的图像检索。这种方法可以通过将其应用于彩色图像来进一步测试。引用表1精确度计算。见图12。检索的图像集。[1] 放大图片作者：Yasmin M，Mohsin S，Sharif M.智能图像检索技术综述。J Appl Res Technol2014;12（1）：87e 103.[2] 图像检索http://nordbotten.com/ADM/ADM_book/Ch9_ImageRetrieval.htm。[3] 刘毅，张丹，陆刚，马伟英.基于内容的高层语义图像检索综述。Pattern Republican2007;40（1）：262e 82.[4] 放大图片作者：William M. 基于内容的图像检索。一九九九年。[5] MohananA，Raju S. 基于内容的图像检索中相关反馈技术研究综述。Int Res J Eng Technol 2017;4（02）：582e 5.[6] daSil va J'niorJA，Ma rzal RE，Batista MA. 图像检索的重要性及其应用。In：Workshop de Vis~ ao computacional-WVC; 2014.[7] 基 于 内 容 的 图 像 检 索 https://en.wikipedia.org/wiki/Content-based_image_retrieve.[8] Selvarajah S. Kodituwakku用于图像检索的颜色特征比较。 Indian JComput Sci Eng 2004;1（3）：207e 11.[9] Arivazhagan S，Ganesan L，Selvanidhyananthan S.图像检索图12中示出了图11中给出的查询图像的九个检索图像。十一岁从图12可以清楚地观察到，所有检索到的9个图像都与查询图像相似。重复该实验若干次以计算如表1中给出的所提出的技术的准确度。所提出的方法的精度可以通过找到的精度值。准确率只是检索到的相关图像的数量与检索到的图像的总数的比率。形状特征 Int J Imag Sci Eng（IJISE）2007;1（3）：101e 3.[10] 帕蒂尔，S。R.，Patil，V.S. 基于形状特征相似性度量的图像检索。[11] 图像纹理https://en.wikipedia.org/wiki/Image_texture网站。[12] 纹理特征提取.https://shodhganga.inflibnet.ac.in/bitstream/10603/24460/9/09_chapter4.pdf。[13] 杨伟，王伟.基于内容的图像检索技术综述。 Int J Eng Res Gen Sci2014;2（5）.[14] 杨文，杨文，等.基于颜色、纹理和形状特征的图像检索方法.北京：科学出版社，2001. Int J ComputSci Secur 2007;1（4）：25e 35.[15] 李军，王继忠，魏德霍尔德.图像检索的集成区域匹配。在：第八届ACM国际会议的会议记录相关图像数量精度¼检索到的图像总数ð12Þ多媒体会议。ACM; 2000年10月p. 147E 56.[16] Babenko A，Slesarev A，Chigorin A，Lempitsky V.用于图像检索的神经代码。在：欧洲计算机视觉会议。Cham：当同样的实验重复几次时，发现，在9个检索图像中，8个或全部9个检索图像与查询图像具有相似性。因此，准确度在88.88%和100%之间变化。为了获得所提出的方法的准确度，计算的平均准确度被发现是93.33%。7. 结论本文主要研究基于神经网络思想的自组织映射网络在医学图像检索中的应用。为了实验验证，考虑了脑部的磁共振图像，并选择了一些图像Springer; 2014年9月，第100页。 584e 99.[17] [10]杨文辉，杨文辉. 卷积补丁表示图像检索：一种无监督的方法。Int J Comput Vis2017;121（1）：149e 68.[18] 作者：GordonA，Alma z'anJ，R ev audJ，LarlusD. 深度图像检索：学习图像搜索的全局表示。在：欧洲计算机视觉会议。Cham：Springer; 2016 Oct.p. 241E 57。[19] 基于自组织映射、模糊颜色直方图和减法模糊聚类的图像检索系统。IntArab J Inf Technol 2012;9（5）：452e 8.[20] 杨文辉，李文辉，李文辉. PicSOM-使用MPEG-7内容描述符的自组织图像检索。IEEE Trans Neural Network 2002;13（4）：841e 53.[21] 范莱尔霍文结合自组织映射与k-means聚类的传感器数据在线分类。在：国际实验号检索到的相关图像数量检索到的图像总数准确度百分比1.99百分百2.8988.88%3.99百分百4.8988.88%5.8988.88%平均准确率百分之九十三点三三370S. Mishra，M.熊猫/未来计算和信息学杂志3（2018）359e 370人工神经网络会议。Berlin，Heidelberg：Springer;2001 Aug. 464E9.[22] 李天，孙刚，杨春，梁凯，马松，黄丽。利用自组织地图进行海岸水质分类：更好地理解模式和过程。 Sci Total Environ 2018;628：1446e 59.[23] JainDK，Dubey SB，Choubey RK，Sinhal A，Arjaria SK，Jain A，et al. 一种基于自组织映射优化支持向量机的高光谱图像分类方法。 J Comput Sci 2018 March;25：252e 9.[24] Sahai AK，Borah N，Chattopadhyay R，Joseph S，Abhilash S.基于自组织映射的业务延伸预报的偏差订正和降尺度技术. Clim Dynam2017;48（7e 8）：2437 e 51.[25] 蔡慧萍，黄世平，郑圣圣，邵国光，张芳娟。利用自组织地图探讨鱼类与水质多元关系之资料探勘架构。Sci Total Environ 2017;579：474e 83.[26] 莫红，徐波，欧阳伟，王军。基于自组织映射聚类算法的多色织物颜色分割。 TextilRes J 2017;87（3）：369e 80.[27] 科 霍 宁河 学 习 矢 量量 化 。 自组 织 地 图 。 Berlin ， Heidelberg ：Springer; 1995. p. 175E 89.[28] 泡螺属自组织映射：神经网络基础，第16讲。伯明翰大学; 2004年。