CBIR-ANR软件：基于内容的精确降噪图像检索方法

软件影响15（2023）100486原始软件出版物CBIR-ANR：一种基于内容的精确降噪图像检索方法加布里埃尔·S放大图片创作者：Andrea A.Fonsecab，Fabrizzio SoaresbaFederal Institute Goiano，Computer Vision Lab，Caltaí，75790-000，GO，Brazilb戈亚斯联邦大学，信息学研究所，戈亚尼亚，74690-900，GO，巴西A R T I C L E I N F O保留字：图像检索图像描述符微结构特征融合局部二值模式低层特征组合A B标准由于社交网络和智能手机设备所利用的多媒体数据的扩展，大量信息可用并且每天都在增加。在这种情况下，信息检索对于为个人、政府和企业提供新的机会至关重要。因此，我们提出了CBIR-ANR软件，其中基于内容的图像检索（CBIR）后，准确降噪（ANR）策略调整查询响应并增加图像检索的自信。此外，该软件结合了三个低级别的功能，形成一个187维的特征向量，这是大规模数据集的大小效率与相关工作竞争。代码元数据当前代码版本v1.0用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2022-294Reproducible Capsule的永久链接https://codeocean.com/capsule/3022749/tree/v1GNU GPL-2.0许可证使用git的代码版本控制系统使用MATLAB的软件代码语言、工具和服务编译要求、操作环境依赖性Linux、Microsoft Windows、MATLAB R2014 a如果可用开发人员文档/手册链接https://github.com/gabrieldgf4/cbir-anr问题支持电子邮件gabriel. ifgoiano.edu.br1. 介绍在计算机系统中，网络搜索引擎标志着上个世纪和本世纪的过渡。内容的快速和广泛传播，再加上数据的即时和可访问的呈现，成为通常被称为信息时代的历史时刻的特征。 在当前的背景下，大量的数据集是可用的，并且每天以这样一种方式呈指数级增长，即日常生活、商业和经济都受到这些数据量的直接和间接影响、积极和消极影响。 从现有系统的大量数据中获得的信息。信息和通信技术的进步，特别是在开发高效硬件和大型数据存储设备等计算设备方面，推动了信息检索的解决方案。结果，基于文本的信息检索系统声名狼借，网络搜索引擎变得普遍和不可或缺。从这个意义上说，网络信息系统开始为政府、企业和个人提供机会、知识和决策方面的优势，并整合了不同的信息来源。然而，由社交网络和智能手机设备利用的多媒体数据（图像和视频）的扩展开始要求除了文本搜索方法之外的新的信息检索策略。在这种背景下出现了另外两个命题：基于标签的信息检索（TBIR）和基于内容的图像检索（CBIR）。在基于标签的信息检索中，描述多媒体内容的元素被预先注释，其中信息检索过程包括从本文中的代码（和数据）已由Code Ocean认证为可复制：（https://codeocean.com/）。更多关于生殖器的信息徽章倡议可在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals上查阅。*通讯作者。电子邮件地址：gabriel. ifgoiano.edu.br（G.S.Vieira），afonso@inf.ufg.br（A.U.Fonseca），fabrizzio@ufg.br（F.Soares）。https://doi.org/10.1016/j.simpa.2023.100486接收日期：2022年12月5日;接收日期：2023年1月20日;接受日期：2023年2月27日2665-9638/©2023作者。由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软件影响杂志 首页：www.journals.elsevier.com/software-impactsG.S. Vieira，A.U.Fonseca和F.苏亚雷斯软件影响15（2023）1004862标签集[1]。另一方面，在基于内容的图像检索中，描述符由图像提取器自动获得，图像提取器以特征向量的形式描述多媒体内容[2]。在这两种方法中，检索到的信息进行排名，并根据所评估的查询图像和数据集中的条目之间的相似性来呈现所需的内容。 然而，虽然第一种方法评估文本部分之间的相似性，第二种方法通过表示多媒体属性的签名来比较图像的虚拟表示。在这方面，CBIR系统直接处理图像，并评估图像特征作为关键组件，以明确地识别图像，并通过它们的虚拟表示之间的相似性对图像集进行一般分组。与TBIR系统不同，CBIR系统不需要对描述符进行手动注释，当需要专家意见来标记数据时，获得描述符的手动注释可能是昂贵的，或者当不熟练或未承诺的人进行注释时，获得描述符的手动注释是不可靠的。从这个意义上说，通过捕捉图像来描述事件或物体比为人们所经历的时刻写文字更容易。其次，图像描述符在这一任务中起着至关重要的作用因为它们捕获场景结构元素以分配文本描述并将图像数字表示为一维向量。为了执行虚拟图像表示，图像描述符通过计算来捕获诸如颜色、形状和图像纹理之类的低级特征。 使用直方图和像素关联或通过计算二进制模式、基于区域的聚类和基于边缘的分割。由于图像携带内容信息，特征提取器识别兴趣点，计算目标区域，并将相关信息编码到先前建立的大小向量中。然而，特征向量的维数根据所使用的算法而变化。因此，设计问题，如集成不同的功能或使用计算学习模型影响处理和响应时间。一个单一的特征描述符不可能对所有主要的图像签名进行编码。由于描述符对一些低级属性进行操作，因此它们执行涉及颜色、形状或纹理的内聚处理的特定任务。因此，并非所有潜在的图像特征都被编码在单个描述符中，使得难以在共享相同元素但具有不同语义上下文的图像类别中正确地检索信息。通常应用的策略包括合并不同的图像描述符来解决这个限制。因此，不同的描述符合作，并实现优于个人的描述符。另一种策略是应用学习模型通过训练来识别图像类别的独特特征。深度学习架构使用多个层来提取相关特征，用于在此背景下进行图像分类和检索。然后，可以封装低级别特征和高级别概念来描述图像。虽然大多数深度学习方法与不使用训练步骤的浅层学习模型和信息检索方法相比显示出更好的结果，但某些条件限制了深度学习方法。在这些限制中，监督学习模型所需的注释数据，训练时期所花费的处理时间，优化学习过程所需的硬件配置，以及模型处理意外场景的有限能力[2虽然计算学习模型和非学习方法，用于信息检索的ODS具有不同的特殊性，可以观察到它们具有规律性的行为。CBIR方法为给定的图像查询返回预定义数量的相似图像。例如，检索到的图像的数量可以是5、10、12、20或任何其他任意数量。当CBIR方法获得的结果，它是注意到，在图像检索的自信心下降的预期响应的数量增加。因此是检索的图像的数量和CBIR模型的准确性之间的反比关系。除此之外，无论使用的查询图像如何，所得到的准确性都与预期响应的数量有关，其中较少量的检索图像可能会增加方法的可靠性从这个意义上说，有一个规律，也就是说，不同CBIR方法之间以及与预期响应数量相关的不同查询图像之间的重复设计。 Ali等人。[5]表明，随着检索到的图像数量的增加，他们的方法降低了自信心（图1（a））。Yu等人。[6]观察到，添加更多检索到的图像会降低他们方法的准确性（图1）。1（b））。Verma和Raman [7]表明，他们的方法的平均精度随着另一个待检索图像的增加而减少一个百分点（图1（c））。同样，Pradhan等人。[8]显示了关于检索图像数量的自信曲线下降（图1）。1（d））。据我们所知，上述模式没有研究，以改善CBIR方法获得的结果。因此，与相关作品不同，我们提出了一个名为CBIR-ANR的计算机程序，在该程序中，信息检索之后是一个准确的降噪策略，调整查询响应，从而增加图像检索的自信心。该策略包括对与查询图像相关的顶部图像的输出进行分组，直到达到所需的检索图像数量。 换句话说，准确度噪声降低方法是一个循环，其中给定查询图像的顶部位置中的检索到的图像在新的搜索中变成查询图像。然后，新发现的图像也成为查询图像。重复此过程，直到达到所需的检索图像数量。在我们的实验中，一半的预期响应代表了精确降噪方法中所需的顶部图像的数量。当查询图像具有相同的输出时，删除重复的响应。此外，CBIR-ANR软件的另一个新颖性是整合了图像描述符的新组合。该软件集成了局部二进制模式（LBP）[9]、局部方向模式方差（LDiPv）[10]和颜色微结构描述符（cl-MSD）[11]描述符，以形成187维特征向量，这对于大规模数据集来说是大小有效的。此外，该软件不使用训练步骤，易于使用，如第2节所述，并且与其他基于内容的图像检索方法具有竞争力，如第3节所述。该软件的主要亮点是：• 对查询图像的顶部位置之间的关系进行编码，以减少图像检索中的准确率误差，提高图像检索的命中率。• LBP、LDiPv和cl-MSD图像描述符的实现和集成• 使用查准率和查全率度量的自信度性能评估。• 内容搜索引擎结果的视觉呈现2. 软件说明该软件使用MATLAB实现，MATLAB是一种专注于开发数学解决方案、统计评估、图像处理和计算机视觉算法的编码工具。 然后，利用MATLAB实现了图像加载功能、图像描述符、查询图像与数据集图像的相似性评价、准确性降噪、断言性分析以及软件结果的可视化。最初，用户指示到数据集的路径，并且软件根据LBP、LDiPv和cl-MSD图像描述符计算图像特征，从而产生数据集的每个样本的特征向量。然后，用户呈现查询图像，并且软件还以特征向量的形式对查询图像的属性进行编码。在下一步中，软件计算查询图像使用L1距离。然后，以升序返回与查询图像具有微小数值差异的数据集图像。之后，软件执行准确性降噪方法，替换重复的图像结果，并计算精确度和召回率的断言。最后，统计和可视化的结果G.S. Vieira，A.U.Fonseca和F.苏亚雷斯软件影响15（2023）1004863图1.一、 CBIR方法中的模式识别。随着检索到的图像数量的增加，自信度成比例地降低2.1. 软件组件CBIR-ANR被组织成与软件架构相对应的四个组件，如图所示。二、图像描述对视觉图像属性进行编码并准备特征根据矢量计算图像描述符的算法。相似性评估比较图像内容的基本特征的数值信息，并对结果来指出与查询图像更相关的数据集图像。精确降噪更新初始检索的图像，并提出了一个新的图像安排考虑检索到的图像之间的相关性然后，Replacementof Duplicate会识别因更新最初检索到的图像而导致的重复图像，并将其替换为由前一个组件排名但未在检索到的图像的集群中引用的图像。cl-MSD、LBP和LDiPv在图像描述组件中实现。软件接收图像数据集路径，计算图像的描述，并返回187-每个图像样本的三维特征向量。之后，用户可以选择只使用一个、两个或三个描述符。载体的第72个位置编码cl-MSD描述符。从73号阵地图二. CBIR-ANR软件的架构。到131，对LBP描述符进行编码。然后，剩下的位置G.S. Vieira，A.U.Fonseca和F.苏亚雷斯软件影响15（2023）1004864图三. 精确降噪策略工作流程。从132到187编码LDiPv描述符。 用户可以选择特征向量的前72个位置并仅使用cl-MSD描述符执行程序，或者选择从73到187的其他位置并使用LBP和LDiPv执行程序，或者使用整个特征向量，并使用所有三个描述符，或尝试其他组合。可选地，可以更新代码以调用其他图像描述符。负责特征空间构造的函数可以容易地适于调用其它图像描述函数。由于软件是模块化的，因此组件是独立的，并且具有凝聚力，可以处理自定义配置和定制场景。在相似性评估组件中，特征向量将对应于查询图像的每个样本与图像数据集的每个样本进行比较。首先，根据图像描述符的数量对特征向量进行划分。在描述符之间单独执行评估，并且将结果相加并归一化。换句话说，所述过程包括将查询图像的cl-MSD描述符与数据集中的图像的cl-MSD描述符、查询图像的LBP描述符与数据集中的图像的LBP描述符以及LDiPv描述符进行比较。使用数据集中图像的LDiPv描述符对查询图像进行查询。然后，通过仅考虑cl-MSD的结果来归一化cl-MSD描述符之间的比较。这同样适用于LBP和LDiPv描述符。之后，将cl-MSD、LBP和LDiPv的结果相加，并将求和结果除以图像描述符的数量。这种方法抑制了影响力一个图像描述符对另一个图像描述符的贡献，它们具有相同的价值。然后，对图像进行排序并作为该过程的输出在“精确度降噪”组件中，检索到基于初始检索图像的第一顶部图像来更新利用查询图像和数据集之间的相似性评估而获得的图像。 在此上下文中，“top”表示数据库中与由 用户参数，必须介于1和数据集中的图像数之间。例如，该数字可以是5、10、12、20或任何数字。其他任意数字。计算每个顶部图像与数据集之间的相似性，从而产生其他图像聚类，每个图像聚类具有其各自的顶部图像。重复该过程，直到在聚类的第一位置中列出的所有图像被视为查询图像。然后，聚类根据它们与初始检索图像的相似性进行排序，并且每个聚类的前两个位置被连接以形成检索图像的更新版本。由于图像聚类的第一位置之间的潜在相似性，该策略可以在初始检索的更新版本中呈现重复的图像。图像. 因此，重复的替换组件负责识别重复图像的出现，并用来自图像簇的其它图像替换它们是组件精度降噪的扩展，详细说明第2.2节。2.2. 精确降噪策略在基于内容的图像检索系统中，特征空间的构建和相似性评价是众所周知的步骤，其结果是根据图像内容之间的逼真度对检索到的图像进行排序。除了这些步骤，我们的软件重新排列初始检索到的图像到一个新的步骤，以增加图像检索过程中的自信心。该软件执行精确降噪策略，包括基于与查询图像具有最高亲和力的图像更新检索图像的位置。图3示出了对应于更新初始检索的图像的工作流程。首先，从顶部的初始检索图像中获得新的图像聚类���在这种情况下，软件仅选择用户所需图像数量的一半作为顶部图像。在最后的步骤中，在第二集群的前两个图像之间存在连接，使得获得与用户所需的大小相同的最终集群。因此，在精度降噪策略的处理步骤中仅使用第一图像的一半。准备群集���选择前两个图像（图像1和图像2）。 随后一道循环开始时，每个元素都被视为查询图像，���G.S. Vieira，A.U.Fonseca和F.苏亚雷斯软件影响15（2023）1004865表1CBIR-ANR软件和相关工作在不同图像数据库中的比较结果。在实验测试中，检索到的图像的数量是12。Corel-1KWang和Wang [12] Liu et al.[11] Feng et al.[13] Dawood et al.[14] Raza et al. [15] Niu et al. [3]CBIR-ANRARP 61.58 72.17 72.85 78.54 80.79 82.2484.38ARR 7.39 8.66 9.39 9.42 9.69 9.8710.13Corel-5KHua et al.[16] Chu and Liu [2] Dawood et al.[14] Liu and Wei [17] Wei and Liu [4] Niu et al.[3]CBIR-ANRARP 60.13 60.16 63.14 63.50 66.91 67.9372.86ARR 7.21 7.21 7.54 7.62 8.03 8.158.74Corel-10KHua et al.[16] Dawood et al.[14] Chu and Liu [2] Liu and Wei [17] Wei and Liu [4] Niu et al.[3]CBIR-ANRARP 48.58 50.2 52.96 53.19 56.88 58.5263.31ARR 5.83 6.03 6.36 6.38 6.83 7.027.60GHIM-10K[18]刘晓波[19]刘晓波[ 19][20] Zhou et al.[21] Niu et al. [3]CBIR-ANRARP 56.48 56.68 57.51 61.16 67.10 68.5071.23实际汇率1.36 1.36 1.38 1.47 1.61 1.651.71见图4。 CBIR-ANR软件的一个示例，其中所有检索到的图像都来自与查询图像相同的类别。在检索到的图像标题中，“class”表示图像查询类别，并且将其内容与图像数据集进行比较。然后，相似性评估返回一个检索到的图像列表，命名为二级聚类（SC）。图像101和102位于SC中，并且它们的距离被相加并放置在矢量中。������此外，SC中的顶部图像被连接到集群CLOCK，这会动态增加CLOCK的大小。将删除循环中重复的图像，循环将继续运行，直到已处理的数据。当循环停止时，对向量进行排序，并根据重新组织辅助群集（SC）。然后，选择每个辅助群集的前两个映像，并将其连接起来，以形成最终的群集。2.3. 视觉结果图图4显示了图像检索结果，其中使用CBIR-ANR软件获得的所有结果都来自与查询图像相同的类别。另一方面，Fig. 5描述了一个输出偏离查询图像类别的情况，导致精度为0.92。不符合预期类别的图像用红色边框突出显示。在这些示例中，要检索的图像的数量是12。G.S. Vieira，A.U.Fonseca和F.苏亚雷斯软件影响15（2023）1004866图五. CBIR-ANR软件的一个示例，其中一个检索图像与查询图像类别不同。在检索到的图像标题中，“class”表示图像查询类别，并且表2图像描述子融合和精确降噪策略。在实验测试中，检索到的 图像的 数 量 是12。Corel-1KCorel-5KCorel-10KGHIM-10KARPARRARP ARR ARP ARRARPARRLBP63.537.6239.574.7531.663.8045.90 1.10LBP+LDiPv+cl-MSD80.629.6766.367.9657.006.8466.161.59LPB+LDiPv+cl-MSD+ANR84.3810.1372.868.7463.307.6071.231.713. 影响概述CBIR-ANR软件在不同的评估背景下与其他信息检索方法具有竞争力。 从这个意义上说，我们使用精确度和召回率指标来衡量软件的自信度。第一个是命中率与预期正确答案的数量之比。第二个由数据中图像总数达到的命中率组成与查询图像属于同一类别的集合然后平均检索精度（ARP）和平均检索召回率（ARR）通过考虑数据集中所有图像类别的平均结果来获得。此外，我们使用四个数据集进行评估：Corel-1 K [22]，Corel-5 K [11]，Corel-10 K [11]和GHIM-10 K[20]。CBIR-ANR在比较分析中优于最近发表的几个作品，如表1所示。此外，我们提出了考虑单独使用图像描述符和组合使用图像描述符的软件的潜力，以将其结果与精度降噪（ANR）方法的后续应用相结合表2显示了对所有病例应用ANR策略时自信心的增加值得注意的是，CBIR-ANR软件使用LPB+LDiPv+cl-MSD+ANR组合。此外，表2显示了描述符整合的重要性，例如在实现最佳结果的LBP、LDiPv和cl-MSD描述符的排列中。如第2节所述，CBIR-ANR软件分为四个组件，分别负责特征空间构建、相似性评估、精度降噪和重复条目替换。执行时间可能会因所观察的软件组件而异。某些组件具有更多的处理步骤，并且需要比其他组件更多的执行时间。例如，将视觉图像属性编码到特征向量中涉及比其他过程消耗更多资源的步骤。另一方面，精确降噪和图像替换是在短时间内执行的轻量级处理。在这个意义上，我们分别测量了四个步骤的时间性能。表3给出了图像检索过程中每个步骤的平均CPU时间（）和标准偏差（）。可以看出，考虑到图像描述符的构建消耗了大部分时间的不同数据库，执行时间（以秒为单位）是稳定的。加工时间越长LBP+ANR66.878.0241.77 5.0133.764.0547.161.13LDiPvLDiPv+ANR58.6760.457.047.2535.2036.834.224.4227.8029.033.343.4839.5239.870.950.96cl-MSDcl-MSD+ANR73.7877.178.859.2655.3561.536.647.3846.1251.415.536.1753.1758.171.281.40LBP+LDiPvLBP+LDiPv+ANR69.0371.708.288.6048.2351.075.796.1338.6141.384.634.9752.0354.061.251.30LBP+cl-MSD+ANR78.3582.889.409.9563.6369.917.648.3953.8959.926.477.1963.2468.741.521.65LDiPv+cl-MSDLDiPv+cl-MSD+ANR78.6881.519.449.7861.1766.977.348.0451.8857.676.236.9260.2565.141.451.56G.S. Vieira，A.U.Fonseca和F.苏亚雷斯软件影响15（2023）1004867表3CBIR-ANR软件的时间性能（秒）。在实验测试中，我们使用LPB+LDiPv+cl-MSD+ANR组合。 图像描述相似度评价精度降噪替换重复条目合计粤ICP备16011888号-1电话：+86-10 -88888888传真：+86-10 - 88888888粤ICP备���15044552号-1���0.0615 0.0167 0.0010 0.00060.0798粤ICP备���16037778号-1���0.0336 0.0230 0.0021 0.00120.0599GHIM-10K 1.0767 1.0146 0.0077 0.0031��� 3.1020���0.0250 0.0020 0.00120.0818GHIM-10 K数据集的时间是由目标图像的大小来证明的，目标图像比其他数据集大。使用配备Core i7- 9750 H（2.6 GHz; 12 MB缓存）和16GBRAM的笔记本电脑进行实验测试。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢我们感谢巴西机构CAPES - Coordenação de Pessoal de Nível Superior[CAPES Financial Code #001]对这项工作的支持。我们感谢戈亚斯联邦大学（巴西）和戈亚诺联邦学院（巴西）的支持。我们也感谢博士。Guang-Hai Liu分享了Corel-10 K数据集。引用[1]S.李，M。Masoud，J. Balaji，S.贝尔卡西姆河Sunderground，S.-王文，基于标签的信息检索技术研究进展，北京：计算机科学出版社。6（2）（2017）99-113。[2]K. Chu， G.- H. Liu， 基于 多集 成特 征模 型的 图像 检索 ，Math.Probl.Eng.2020（2020）。[3]D. Niu，X. Zhao，X. 林角，澳-地 Zhang，一种新的基于多特征融合、信号处理、图像通信87（2020）115911，http://dx.doi.org/10.1016/j.image.2020.115911。[4]Z. Wei，G.- H. Liu，使用亮度变化描述符的图像检索，Math.Sci.2004，Probl. Eng.2020（2020）.[5]N. Ali，K.B.巴杰瓦河Sablatnig，S.A. Chatzichristofis，Z.伊克巴尔，M。 拉希德 ， H.A. Habib ， A novel image retrieval based on visual words integration ofSIFT andSURF，PLoS One 11（6）（2016）e0157428.[6]L. Yu，N. Liu，W. Zhou，S.董，Y.范，K. Abbas，基于韦伯定 律 的 图 像 检 索 多级 卷 积相 关 特 征， 多 媒 体 工 具应 用80 （ 13 ） （ 2021 ） 19157-19177 。[7]M.维尔马湾拉曼，局部邻域差异模式：一种用于自然和纹理图像检索的新特征描述符，多媒体工具应用77（10）（2018）11843-11866。[8] J.Pradhan，A.K.帕尔，H。Banka，基于显著性驱动的局部图像特征和多方向纹 理 特 征 的 CBIR系 统 ， J.Vis. Commun.图 像 代 表 。 83 （ 2022） 103396，http://dx.doi.org/10.1016/j.jvcir.2021.103396。[9]T. Ojala，M. Pietikainen，T.杨文，基于局部二值模式的多分辨率灰度和旋转不变纹理分类，北京：计算机科学出版社，2000。马赫内特尔24（7）（2002）971-987。[10] M.H. Kabir，T. 贾比德岛 Chae，A local directional pattern variance（LDPv）based face descriptor for human facial expression recognition ， in ： 2010 7thIEEEInternational Conference on Advanced Video and Signal Based Surveillance，IEEE，2010，pp. 526-532.[11] G.- H.刘志- Y.利湖，加-地 Zhang， Y.徐，基于微结构描述子的图像检索，模式识别。44（9）（2011）2123-2133。[12] X. Wang， Z.一种基于结构元素描述符的图像检索方法，J。 目视Commun. 图像代表。24（1）（2013）63[13] L. Feng ， J. Wu ， S. Liu ， H. Zhang ， Global correlation descriptor ： a novelimagerepresentation for image retrieval，J. Vis. Commun.图像代表。33（2015）104-114。[14] H. Dawood ， M.H. Alkinani， A. Raza， H.达 乌 德 河Mehboob ， S. Shabbir ，Correlated microstructure descriptor for image retrieval，IEEE Access 7（2019）55206-55228。[15] A. Raza ， H. Dawood ， H. Dawood ， S. 沙 比 尔 河 Mehboob ， A. Banjar ，Correlatedprimary visual texton histogram features for content base imageretrieval，IEEEAccess 6（2018）46595-46616。[16] J. - Z. 华，G.-H. 刘氏X. 宋，基于内容的图像检索使用颜色体积直方图，国际。J. 模式识别。第内特尔33（11）（2019）1940010.[17] G.- H. Liu，Z. Wei，基于融合感知颜色直方图的图像检索，Comput。内特尔Neurosci. 2020年（2020年）。[18] G.- H. Liu，基于Cauchy密度函数直方图的基于内容的图像检索，2016年第12届自然计算，模糊系统和知识发现国际会议，ICNC-FSKD，IEEE，2016年，pp. 506-510[19] G.- H. Liu，基于视觉注意力和条件概率的基于内容的图像检索，在：化学，材料和食品工程国际会议，亚特兰蒂斯出版社，2015年，pp. 第843-847页。[20] G.- H.刘杰- Y.杨，Z.李，基于内容的图像检索使用计算视觉注意力模型，模式识别。48（8）（2015）2554[21] J.Zhou，X. Liu，W. Liu，J. Gan，基于有效特征提取和扩散过程的图像检索，多媒体工具应用78（5）（2019）6163-6190。[22] J. Z. Wang，J. Li，G. Wiederhold，SIMULINK city：图像库的语义敏感集成匹配，IEEE Trans. Pattern Anal.马赫内特尔23（9）（2001）947-963。