基于统计模型和神经网络的彩色图像检索框架的研究

Egyptian Informatics Journal（2014）15，59开罗大学埃及信息学杂志www.elsevier.com/locate/eijwww.sciencedirect.com原创文章基于统计模型和径向基函数神经网络的K. Seetharaman，S. Sathiamoorthy*Annamalai大学计算机科学与工程系，Annamalai Nagar 608 002，泰米尔纳德邦，印度接收日期：2013年8月11日;修订日期：2014年2月5日;接受日期：2014年2月11日2014年3月6日在线发布摘要提出了一种新的基于全范围自回归模型（FRAR）的彩色图像检索框架。贝叶斯方法（BA）被用来估计FRR模型的参数。一种新的边缘直方图描述子--彩色(EHD)在基于BA的FRAR模型的基础上，采用通用框架提取微纹理特征。将提取的特征组合形成特征向量，将其归一化并存储在图像特征向量数据库中。利用径向基函数神经网络（RBFNN）和k-均值聚类算法对特征向量数据库进行分类。该系统采用一阶Manhattan距离度量对分类索引后的特征向量数据库中的查询图像和目标图像进行相似性度量。采用基于短时学习的相关度反馈机制的查询细化方法来缩小语义鸿沟。基于查准率和查全率方法的实验结果。其展示经改良EHD的表现、建议框架所达致的成效及效率©2014制作和主办由Elsevier B.V.代表计算机与信息学院开罗大学。1. 介绍多媒体及其相关领域的快速发展极大地增加了医学、媒体、商业、工程和*通讯作者。联系电话：+91（0）9994029213。电 子 邮 件 地 址 ： ks_sathia@yahoo.com （ 新 加 坡 ）Sathiamoorthy）。开罗大学计算机和信息系负责同行审查。娱乐与此同时，在不同领域的培训、教育和研究中使用图像的显著增加极大地要求有效和高效的系统来存储和检索巨大的存储库中的图像，这对研究社区来说是非常困难和最具挑战性的任务。传统的图像检索技术依赖于人工标注的文本关键字[1]。在大规模图像库中，基于文本关键词的检索系统由于使用的文本关键词数量有限，检索结果不完全可靠，具有主观性、费力性、耗时性和繁琐性等特点。基于内容的图像检索（CBIR）系统克服了基于文本关键字的图像检索系统的缺点，是一种有效的、1110-8665© 2014由Elsevier B. V.代表开罗大学计算机与信息学院制作和主办。http://dx.doi.org/10.1016/j.eij.2014.02.001制作和主办：Elsevier关键词全程自回归模型;径向基函数神经网络;彩色自相关图;边缘直方图描述子;微观纹理XXaRKsinrhcosru22六万 Seetharaman，S. 萨提亚穆尔蒂有效的解决方案，以处理大规模的图像repositories。因此，自20世纪90年代以来，许多有效的CBIR系统已经在文献[2-10]中提出，具有不同程度的可靠性，能力和自动化。CBIR系统中的图像由一组视觉内容表示，如颜色、纹理、空间和形状。由于颜色是图像最突出的感知特征之一，在文献[5，11]中已经使用了几种方法来表示图像的颜色信息，例如颜色直方图、颜色矩、颜色相关图、颜色自相关图和基于MPEG-7的可缩放颜色描述符（SCD）、主颜色描述符（DCD）、颜色布局描述符（CLD）和颜色纹理特征揭示了图像中表面的结构排列及其相互关系.因此，许多研究者[5，11形状特征还提供图像的潜在信息。已经进行了许多研究工作来描述基于区域和边缘信息的形状特征[15然而，由于完全自动化的通用方法不可用，基于区域的方法对于不同的图像集合可能不容易和可靠[20]。因此，大多数研究人员采用基于边缘的技术[21在同一行中，许多研究人员进行基于语义的图像检索[26但是，他们不能建立一个鲁棒的映射之间的自动注释的文本关键字和视觉内容的视觉概念的范围很广。因此，它会影响所需的泛化和准确性水平。此外，由于语义差距问题，创建文本关键字的字典是困难的，并且其还需要手动验证过程，这是繁琐且耗时的。最近，已经进行了一些研究来构建复合特征描述符[21，23，30]，即联合复合描述符（JCD）和微观结构描述符（MSD）。JCD是颜色和边缘方向性描述符（CEDD）与模糊颜色和纹理直方图（FCTH）的结合。JCD描述颜色、纹理和形状信息。对于颜色信息，JCD使用24-bin模糊连接系统产生的24-bin颜色直方图;对于纹理信息，JCD使用Haar小波变换高频带的能量;对于形状信息，JCD使用基于MPEG-7的边缘直方图描述符（EHD）。MSD利用边缘方向与底层颜色的相似性来提取和描述颜色、纹理和形状信息。虽然研究人员已经开发了许多技术，但现有的CBIR系统的检索精度因此，需要增加对提取图像的紧凑且更平衡的视觉特性的关注。而且，早期的研究大多提取各种视觉特征（颜色、纹理、形状等）由于技术的复杂性，这是一个繁琐的过程。本文的主要目标是开发一个高效的基于内容的图像检索系统，该系统能够提取颜色的各种视觉特征（颜色、纹理、空间和形状）使用 基于 全范 围自 回归 （ FRAR ） 模型 和贝叶 斯方 法（BA）的框架在HSV颜色空间中对图像进行分析[12，13，31]。在该系统中，基于BA的FRAR模型在捕捉灰度图像边缘和纹理特征方面的有效性被成功地应用到HSV颜色空间中的彩色图像中，并使用相同的框架来提取图像的颜色特征。将提取的特征组合、归一化并存储在单独的特征向量数据库中。特征向量数据库中的特征向量被索引[32]。人工神经网络技术为分类任务提供了潜在的解决方案[33]。最近，径向基函数神经网络（RBFNN）[34]由于其简单的架构，在学习，函数逼近[35]和分类任务[36]中非常有效，以及逃离局部最小值的能力[37]而受到广泛关注。因此，本文利用RBFNN的图像分类的潜力。在RBFNN中，k-均值算法[38]已被用于确定聚类中心的数量。相应地，一些研究人员报告说，CBIR系统已成功地应用相关反馈（RF）机制[39-因此，本文构建了一个基于射频机制的CBIR系统，用于短期学习。一阶曼哈顿距离度量[42，43]用于度量分类和索引特征向量空间中查询和目标图像之间的相似性。精确度和召回率方法[42]用于测量所提出的系统的性能本文的其余部分组织如下。FRAR模型在第2节中描述，而特征提取方法在第3节中讨论。第4节介绍了RBFNN。相似性和性能的度量见第5节。在第6节中解释了拟议的检索系统。第7节提供了实验和结果。最后，在第8节中给出了结论.2. FRR模型最近的文献报道，基于FRAR模型的框架[12，13，31]在捕获灰度图像的边缘和纹理特征方面优于现有方法。在该系统中，采用基于BA的FRAR模型，在HSV颜色空间中提取彩色图像的颜色及其空间信息、形状信息和微观纹理信息。设X是一个随机变量，表示大小为L·L的图像中位置（k，l）处像素的强度值。FRAR模型用Eq. （一）.M MX k; lCr Xk p; lqe k;l 1p¼-Mq¼- Mp/ q其中，Cr¼和r=|p|+的|Q| +M（M-1）/2。关于参数的初始假设是K2R;a> 1; h，/[0，2 p]和n{1，2，. }. 由方程式（ 1），X（k + p，l+q）是由于图像属性引起的空间变化，e（k，l）是由于 加 性 噪 声 引 起 的 空 间 变 化 ， FRAR 模 型 系 数 Cr ，（r=1，2）是大小为M·M的子图像区域中的低级基元之间的变化，C231 2.MpeffiffiCCC基于FRAR模型和RBFNN61的（ML）。<模型系数是相互关联的。通过使用BA[12，13，31]估计的模型参数K、a、h和/建立相互关系。3. 特征提取3.1. 彩色自相关图在所提出的系统中，颜色特征提取的H和S分量的图像。图像的H和S分量使用广义Lloyd算法均匀量化[5]。量化级别（L）的数量固定为8。自相关系数αkα是从FRAR模型系数Cr得出的，如下所示：1C1ac;C2-C1-C22在80%的显著性水平下，它被识别为无纹理。在[12，13]中，提取的MT的维数是201，这是非常高的，并且它导致高的计算和存储成本。因此，该系统使用k-均值聚类算法将所有已识别的MT聚类为32个类别，每个类别/聚类的中心用于表示该类别的MT。多个类别（即，32)对于我们的实验图像数据库，根据经验确定，而不影响所提出的系统的性能。随后，代表们（即，所有类别中的所有类别（例如，中心）以升序方式排序，并从0到31编号。这些数字代表MT，称为texnum。然后，计算每个类别中的MT数量，并将其称为texspectrum。形成texnum与texspectrum的直方图以表示图像中不同类型的MT。图1描绘了所提出的MT的示例。ðac Þ ¼121 -C2和3.3.改进EHDðacÞ ¼ C1-C2-C3- C4-C 5-C 6-C7-C 8-C 9-C1 -C2MPEG-7同样，k阶自相关系数可以是通过使用递归关系求解以下方程获得。ak1/4C1ak-1C2ak-2;1 6k 6 m;c 2 1; 2;.. . ; L2Sobel算子检测边缘，该算子对噪声敏感，无法检测非常微小和精细的边缘。因此，所提出的系统使用基于具有BA的FRAR模型的框架提取非常微小和精细的边缘[31]，其中执行现有的方法，如Canny，Sobel和预-其中m是滞后变量，k是自相关系数的阶数，c表示颜色。在所提出的系统中，颜色自相关图，它捕获的空间距离为l的相同的颜色之间的重叠计算的H和S分量的图像。由于最小的距离给出了图像最详细的局部属性，因此提议的系统将其固定为1。3.2.显微织构（MT）图像的V分量被划分为多个大小为3· 3的重叠子图像区域，以局部地表征图像的性质。通过使用使用BA估计的FRAR模型参数K、a、h和f，为每个子图像区域计算FRAR模型系数Cr（r=对于每个子图像区域，从其模型系数Cr计算自相关系数。低于或高于人类理解阈值的MT[12，13]在每个子图像区域中通过使用以下统计检验测量计算的自相关系数之间的方差齐性来识别：假设，并在Eq中给出（三）、witt算子，并且由于FRAR模型的基本性质，对噪声也不敏感。在Eq. （1）应用于V分量图像，估计其像面。然后，计算V分量图像和估计表面之间的差，并且所得到的图像被称为残差图像。对于具有期望显著性水平的残差图像的每个子图像区域（3·使用全局平均值和标准差计算全局置信限。如果像素值大于或等于全局置信限，则将其平方;否则，像素值被替换为零。0以外的值表示边缘，0表示图像中的非边缘部分这将提取粗边。为了抑制边缘像素周围的像素，获得薄的边缘，使用局部置信限的非极大值抑制算法。利用厚边缘图的局部平均值和标准差计算局部置信限将粗边缘图中的每个值与置信限进行比较。如果厚边缘图中的值大于置信限，则将其识别为边缘像素，并表示为实际的像素值。否则，它被识别为非边缘像素并表示为0。提取边缘后Dem 1-. Re. 1=m3像素，计算每个边缘像素的方向。然后，将边缘像素的方向量化为72个每个5度的箱，其用于形成其中Rm是通过使用标准的自相关矩阵构建的自相关矩阵dardized自相关系数，n是相同的数量m是滞后变量。假设的统计检验是基于测量a=pn nn，其中a是显著性水平。cance和r是标准偏差。自相关系数将cient与测量a r=n进行比较以找到测试的结果。如果自相关非常显著，则认为在子图像区域中存在微纹理，否则（自相关系数落在改善EHD。4. RBFNNRBFNN的基本架构如图2所示。RBFNN是一个三层前馈神经网络，其输入层与隐层无权连接，隐层与输出层有权连接-四分 之 二]二分之二] 2我.IJΣ2R2J我1J2JnJ武志和 表示，Xn以输出神经元j。实验i我我62公里。 Seetharaman，S. 萨提亚穆尔蒂图1（a）RGB格式的输入图像，（b）V分量图像（输入图像转换为HSV格式，然后分离图像的H，S和V分量），以及（c）V分量图像的建议MT。通过试验和误差技术设置质心和扩展的较佳值。在n维空间中的质心和输入矢量模式之间的距离由最常用的欧几里德范数测量，并且由下式给出：kI-ck¼qI-c2ð5Þ哪里Æ||是（i）的标准||cj）。当输入接近质心时，高斯激活函数的输出是高的，并且随着输入距质心的距离增加，高斯激活函数的输出迅速减小到零5. 相似性和性能测量图2RBFNN的基本结构隐层中隐层神经元的数目由k-均值聚类算法确定.隐藏层中的每个隐藏神经元表示高斯激活函数，并且它计算输入向量模式和质心之间的距离。对于给定的n维输入向量，我我我ffin，输出向量OOjffip的计算公式为Eq.（4）、相似性度量通过计算查询图像的特征向量与目标图像之间的距离，文献报道CBIR系统使用来自计算几何、统计学和信息论的相似性度量在建议的系统中，最常用的几何相似性度量，L1，这是曼哈顿度量的一个特殊情况L1相似性测度对离群点的鲁棒性更强，性能优于L2相似性测度，并且节省了大量的计算量。L1距离是指查询图像和目标图像之间的确定性表示为X高Oj b01/1. kI-cik2R2D Q; TQi-Tib0是偏置项，w是隐藏神经元ikI-ck1/1功能c和r是第i个隐藏点的质心和扩散特征数据库中的特征向量，并且n是特征向量的大小。神经元分别权重表示响应于外部输入的高斯激活函数的相对重要性。特征向量建议的CBIR系统的性能从三个方面衡量，即效率，有效性和计算能力。ð4Þ其中，Qi是查询图像特征向量，Ti是目标图像是高斯激活基于FRAR模型和RBFNN 63的复杂性。效率与存储要求相关。系统的有效性与系统的检索准确性有关，并使用最多的也是相关的）和召回（检索到的相关图像的百分比）方法，并被写为Ri广泛使用的精度（检索到的图像中精密度¼Tð7Þ图3所提出的CBIR系统的体系结构。我¼64K Seetharaman，S. 萨提亚穆尔蒂召回RiTð8Þ一个基于FRAR模型的BA框架。如图10中所描述的，从V分量图像提取MT。其中Ri是相关检索图像的数量，Ti是所有检索图像的数量，T是图像数据库中所提出的系统的有效性也可以用平均识别率（AVR）来衡量，平均识别率被定义为检索到的图像在顶级匹配中的百分比，它与查询图像属于同一类6. 建议的图像检索方法所提出的CBIR系统的架构和各种组件在图3中描绘。在所提出的系统中，RGB颜色格式的彩色图像被转换为HSV颜色格式[44，45]，其中H（色调）和S（饱和度）分量与色度信息相关，V分量包含消色差信息。彩色自相关图是针对图像的H和S分量计算的，第3.2节。本文通过使用基于具有BA的FRAR模型的框架提取非常微小和精细的边缘来改进传统EHD的检索性能[31]。在该系统中，V分量图像用于边缘提取。在边缘检测之后，计算每个边缘的方向，并且将它们量化为每个5度的72个bin，其用于形成改进的EHD。该系统将自动提取的特征组合成一个特征向量来表示实验数据库中的每幅图像。组合特征向量（颜色-16（H分量：8和S分量：8），形状-72和纹理-32）的维度是120。对输入特征向量进行归一化，以减少数据中离群值的影响，并为每个建议的特征获得相同的值范围。图4取自实验数据库的样本图像基于FRAR模型和RBFNN 65的使用RBFNN对归一化的特征向量进行分类。为了训练RBFNN，在特征向量数据库中被任意地划分为十个大小大致相等的集合，以获得十倍交叉验证。在十折交叉验证的每次执行中，九个图像子类被考虑用于训练，一个用于测试。因此，每个子类都被用作测试数据一次。通过十重交叉验证确定最佳隐层神经元数目及其分布，并将其用于RBFNN的最终训练。 使用RBFNN对特征向量进行分类的分类的特征向量被存储在单独的特征向量数据库中，然后它们被索引以提高检索速度。在所提出的系统中，通过采用基于短期学习的RF机制的查询细化方法来减少用户感知的低级视觉特征和高级语义概念之间的语义差距[46]，其中用户将检索到的图像标记为与查询图像相关、高度相关和不相关。如果用户对结果不满意，则计算查询图像和被标记为高度相关的图像的平均特征向量，并将其用作下一次迭代中的新查询图像以进行搜索。图5（a）改进的EHD和MPEG-7的EHD的平均精度与召回率图6所提出的特征向量的平均精度与召回率，MPEG-7的视觉描述符的各种组合，JCD和MSD。66公里。 Seetharaman，S. 萨提亚穆尔蒂当查询图像被提交到该系统时，该系统使用基于BA的FRAR模型框架自动提取查询图像的特征，使用RBFNN查找查询图像的类别，并使用索引特征库中相应类别的L1检索到的图像排名的基础上的相似性分数。具有最低相似性得分的图像被分配较高的排名。在检索过程的最后阶段允许用户交互以细化搜索。7. 实验和结果为了实现该系统，从图像数据库中收集了两千多幅彩色图像例 如 Freefoto 数 据 库 （ http://Freefoto.com ） 、Wanghttp://vision.cs.aston.ac.uk/http://wang.ist.psu.edu/docs/related.shtml作为示例，其中一些已在图中呈现。 四、从实验数据库中随机选择100个查询图像的子集在实验中，将所提出的EHD和MT与传统的EHD、MT[12，13]和HTD进行了比较。比较结果如图5所示。EHD和MT的平均检索率分别为44.14%和55.36%，而传统EHD、MT和HTD的平均检索率分别为40.12%、55.91%和52.07%。实验结果清楚地表明，所提出的EHD和MT的检索性能优于图7（a）查询图像;和（基于FRAR模型和RBFNN67的MPEG-7的EHD和HTD。结果还表明，传统的MT的检索性能略好于建议的MT和检索性能的差异是0.55%，这是非常小的。因此，它被忽略在所提出的系统，以规避传统MT的高计算和存储成本。随后，我们比较了所提出的特征向量与MPEG-7实验结果表明，该方法具有较好的检索性能，平均检索率分别为84.97%、80.42%、79.40%、59.21%和57.16%，其中MPEG-7的CSD、EHD和HTD，MPEG-7的SCD、EHD和HTD，JCD和MSD的组合检索率分别为80.42%、79.40%、59.21%和57.16%。图图6描绘了所提出的技术和上述MPEG-7的视觉描述符JCD和MSD的组合的平均精确度和召回率曲线。为了测量所提出的系统对照明、观看变化、缩放和旋转的鲁棒性，复制数据库中的一些图像，然后以不同的角度旋转它们中的一些，并且将剩余的复制图像放大或缩小。在我们的实验中也考虑了在不同的观察位置和照明条件下拍摄的图像。我们观察到，实验结果比传统的方法更强大的缩放，旋转，照明和观看不变性。图7描绘了所提出的系统的查询图像和检索结果，其中检索到的图像按照相似性分数从左上到右下的降序排列和显示。建议的工作与系统配置实现：奔腾®双核个人计算机，2.20 GHz处理器; 2 GB RAM; Java。在我们的实验中使用的各种特征向量的维数和计算复杂度如表1所示。从表1中可以看出，所提出的技术的计算复杂度还观察到，尽管所提出的特征向量组合的性能明显更高，但MSD的大小和计算复杂度明显更小，可以忽略不计。实验结果表明，检索结果是令人满意的，在一定程度上符合人眼的视觉实验结果还表明，该系统在特征向量维数、检索性能和计算复杂度之间保持了平衡8. 结论本文提出了一种基于带BA的FRAR模型的通用框架，用于提取彩色自相关图、图像、纹理等。证明了EHD和图像的微观纹理具有优势、信息量大、分辨力高、计算量小、存储空间要求低的特点。与MPEG-7的EHD、HTD和传统MT相比，改进的EHD和紧凑MT产生更好的结果。所提出的特征向量的组合还优于MPEG-7的视觉描述符（CSD、EHD和HTD;以及SCD、EHD和HTD）和紧凑复合描述符（诸如JCD和MSD）的各种组合该系统在医学、工程、教育、科研等领域的图像检索中具有重要的应用价值。在未来，所提出的工作可以扩展到包括其他机器学习机制，以进一步改进。引用[1] 张锡基，徐爱。图像信息系统：我们将何去何从？ IEEE跨知识数据工程1992;4（5）：431-42.[2] Flickner M，Sawhney H，Niblack W，Ashley J，Huang Q，Dom B ， et al. Query by image and video content ： the QBICsystem. IEEEComput 1995;28（9）：23-32.[3] Jain AK ，Vailaya A.基于颜色和形状的图像检索。PatternGeneva 1996;29（8）：1233[4] Rahman MM，Bhattacharya P，Desai BC.一个使用机器学习和统计相似性匹配技术与相关反馈的医学图像检索框架。IEEETrans Inf Technol Biomed 2007;11（1）：59-69.[5] Chun YD，Kim NC，Jang IH.基于多分辨率颜色和纹理特征的图像检索。IEEE跨多媒体2008;10（6）：1073-84.[6] 陈红，高志，陆刚，李松。一种新的支持向量机模糊网络，用于使用MPEG-7视觉描述符的图像分类。2008年：多媒体和信息技术国际会议。p. 365-8[7] 林启，陈润泰，陈耀康。基于颜色和纹理特征的智能图像检索系统。Image VisComput 2009;27（6）：658-65.[8] 放大图片作者：James A.基于内容的生物特征安全图像检索方法，采用模糊数学控制的颜色、纹理和形状特征。J ComputSyst Sci2012;78（4）：1258-77.[9] 王晓艳，余永军，杨海燕.一种有效的基于颜色、纹理和形状特征的图像检索方案。Comput Stand Inter2011;33：59-68.[10] 袁文新，冯超，焦勇.一种有效的基于纹理的彩色图像检索方法。 Comput Stand Inter 2012;34：31-5.[11] Penatti OAB，Valle E，Torres RDS.用于网络图像检索的全局颜 色 和 纹 理 描 述 符 的 比 较 研 究 。 J VisCommun Image R2012;23：359-80.[12] 西塔拉曼湾基于随机模型族的纹理分析。在：信号和图像处理应用（ICSIPA），2009年IEEE国际会议; 2009年。p. 518-23表1特征向量的维数和检索时间的各种检索方法。方法尺寸检索时间（秒）MPEG-7174（32+ 80+ 62）2.98MPEG-7174（32+ 80+ 62）2.92JCD1682.67MSD721.69拟议（自相关图+改进的EHD+紧凑型MT）120（16+ 72+ 32）1.94六万八 Seetharaman，S. 萨提亚穆尔蒂[13] Seetharaman K，Palanivel N.基于全域高斯马尔可夫随机场模型和贝叶斯方法的纹理特征表示描述和分类。Int J ImageDataFus 2013：1-24.[14] Mojsilo vi'cA，Popovi'cMV，NeProskovi'cAN，Popovi'cAD。小波用于 分析和分 类梗死心 肌组织 的图像扩 展。 IEEE TransBiomed Eng1997;44（9）：856-66.[15] Gagaudakis G ， Rosin PL. 将 形 状 转 换 为 直 方 图 ， 用 于CBIR。Pattern Classification2002;35（1）：81-91.[16] Gagaudakis G，Rosin PL.图像检索的形状度量。Pattern Lett2003;24（15）：2711[17] 黄文辉，施富荣，刘杰。基于支持向量机、傅立叶描述子和自组织映射的图像形状检索。Inf Sci2007;177（8）：1878-91.[18] Andrew MS，Lee TK，Rova A.使用特征CSS搜索进行形状检索。Image Vis Comput2009;27：748-55.[19] 蒋智成，洪业平，杨辉，李冠杰.基于分水岭区域颜色-尺寸特征的区域图像检索。J VisCommun Image R 2009;20（3）：167-77.[20] 杨伟杰，李晓伟，李晓伟. 基于内容的图像检索系统在医疗应 用 中 的 回 顾 - 临 床 效 益 和 未 来 方 向 。 Int J MedInform2004;73（1）：1-23.[21] 刘桂英，李志英，张玲，徐艳.基于微结构描述子的图像检索。Pattern Geneva2011;44（9）：2123-33.[22] 张SF，Sikora T，Puri A. MPEG-7标准概述。IEEE跨电路系统视频技术2001;11（6）：688[23] Chatzichristo fis SA，Zagoris K，Boutalis YS，Papamarkos N.基于紧凑复合描述子和相关反馈信息的精确图像检索。Int JPattern ArtifIntell 2010;24（2）：207-44.[24] Alefs B ， Eschemann G ， Ramoser H ， et al. ， Road signdetection from edge orientation histograms.在：2007年IEEE智能车辆研讨会论文集，伊斯坦布尔，土耳其; 2007年。第993-998页。[25] Won CS，Park DK，Park SJ.有效使用MPEG-7边缘直方图描述符。ETRI J2002;24（1）：23-30.[26] 放大图片创作者：Jeon J，Lavrenko V，Manmantha R.使用跨媒体相关性模型的自动图像标注和检索。在：ACM会议上的信息检索特别兴趣小组（SIGIR）多伦多，加拿大; 2003年。p.119比26[27] 张丹，伊斯兰MM，陆G.图像自动标注技术综述。PatternPenguin2012;45：346-62.[28] 赵Y，赵Y，朱Z. TSVM-HMM：用于自动图像标注的基于直推SVM的隐马尔可夫模型。专家系统应用2009;36（6）：9813-8.[29] 放 大 图 片 作 者 ： Burdescu DD ， Mihai CG ， Stanescu L ，Brezovan M.医学领域的自动图像标注和基于语义的图像检索。神经计算2013;109：33-48.[30] Savvas A，Chatzichristo fis AA.用于从异构图像数据库检索的紧凑复合描述符的后期融合。In：SIGIR[31] Seetharaman K，Krishnamoorthi R.一种基于全范围自回归模型的边缘提取统计框架。Pattern Lett2007;28（7）：759-70.[32] 作者：White，Jain R.相似性检索的算法与策略。在：技术.代表VCL-96-101，加州大学圣地亚哥分校视觉计算实验室，9500 Gilman Drive ， Mail Code 0407 ， La Jolla ， CA 92093-0407; 1996。[33] Zhang GP.分类的神经网络：一项调查。IEEETransSyst ManCybern--Part C：Appl Rev 2000;30（4）：451-62.[34] Broomhead DS，Lowe D.多变量函数插值与自适应网络。Complex Syst1998;2：321-55.[35] Park J，Sandberg IW.逼近与径向基函数网络。神经计算1993;5：305-16.[36] Maglogiannis I，Sarimveis H，Kiranoudis CT，ChatziioannouAA，Oikonomou N，Aidinis V.用于识别显微图像中特发性肺纤维化的径向基函数神经网络分类。IEEE Trans Inf TechnolBiomed2008;12（1）：42-54.[37] 作者：付晓，王丽.数据降维及其在简化RBF网络结构和提高分类性能中的应用。IEEE TransSyst Man Cybern- Part B ：Cybern 2003;33（3）：399-409.[38] Darken C ， Moody J. Fast adaptive k-means clustering ： someempirical results. IEEE INNS国际神经网络联合会议文集1990.p. 233-8[39] [10]Leo'nT，CarelloPZ，AyalaG，deVes E，DomingoJ. 应用逻辑 回 归 于 图 像 检 索 系 统 中 的 相 关 反 馈 。 PatternReynolds2007;40（10）：2621-32.[40] Xu X，Lee D-J，Antani SK，Long LR，Archibald JK.使用具有短期记忆的相关反馈进行基于内容的脊柱X射线图像检索。神经计算2009;72：2259-69.[41] Squire D，Muller W，Muller H.基于内容的图像检索中的相关反馈和词项加权技术。在：技术报告，计算机视觉小组，日内瓦大学，第98.05号; 1998年。[42] 黄J，Kumar SR，Mitra M，Zhu W，Zabih R.使用颜色相关图的图像索引。Proc CVPR1997：762-8.[43] Seetharaman K，Sathiamoorthy S.基于统计模型的彩色图像检索。In：Proceedings of the International Conference on RecentTrends in Computer Applications（ICRTCA'2013），Chennai，India; 2013. p. 91比6[44] Karkanis SA ， Iakovidis DK ， Maroulis DE ， Karras DA ，TzivrasM.使用彩色小波特征的内窥镜视频中的计算机辅助肿瘤检测。IEEE Trans Inf Technol Biomed2003;7（3）：141-52.[45] 程宏东，蒋晓华，孙永，王军。彩色图像分割的研究进展与展望。Pattern Geneva2001;34：2259-81.[46] 苏志，张宏，李胜，马胜.基于内容的图像检索中的相关反馈：贝叶斯框架，特征子空间和渐进学习。IEEE TransImageProcess2003;12（8）：924-37.