元启发式图像检索算法评估和比较的研究

沙特国王大学学报基于查询敏感相似性度量的元启发式图像检索穆塔塞姆湾阿尔斯马迪沙特阿拉伯达曼大学应用研究和社区服务学院MIS系阿提奇莱因福奥文章历史记录：2017年1月7日收到2017年4月18日修订2017年5月7日接受2017年5月13日在线发布保留字：彩色纹理基于内容的图像检索形状特征遗传算法迭代局部搜索和相似性度量A B S T R A C T基于内容的图像检索（CBIR）系统从大量的数据库中检索与查询图像（QI）相链接的图像。目前的CBIR系统提取的特征集是有限的。这限制了系统本研究从图像数据库中提取了扩展的鲁棒性和重要特征。然后这些特性被保存在特性存储库中。该特征集由包含形状和颜色特征的颜色签名组成这里，从给定的QI，以相同的方式提取特征。因此，采用元启发式算法（具有迭代局部搜索的遗传算法）在查询图像特征和数据库图像特征之间进行新的相似性评估。本研究提出了CBIR系统，通过调查图像的数量（从测试数据集）进行评估同时，通过计算结果的查准率和查全率来评价系统的效率。与其他先进的CBIR系统相比，所获得的结果在精度方面更好。©2017作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍随着多媒体数据处理对实时数据分析的巨大需求，信息检索变得越来越必要。因此图像检索越来越普遍和认可。为了方便、有效地检索或浏览网络上的图像，有必要实现和改进图像检索工具。传统的基于关键词的图像检索方法存在着人工操作量大、依赖于人的主观感知等缺点，导致检索结果不准确。为了处理上述缺点，应用了CBIR（Kanimozhi和Latha，2013;Tseng等人，2008，2007; Jeon等人，2003年）。这种方法涉及一组方法和算法，这些方法和算法集中于低级别图像特征，例如纹理测量、形状和颜色特征，以根据用户给出的查询图像（QI）从图像数据库中检索图像（Kanimozhi和Latha，2013）。沙特国王大学负责同行审查制作和主办：Elsevier电子邮件地址：mksalsmadi@gmail.com，mkalsmadi@uod.edu.sa现有的基于内容的图像检索系统的性能仍然不能令人满意的高层次的概念，因为它主要集中在图像的低层次的视觉特征和高层次的特征是不参与检索过程。为此，本文对两种方法进行了改进，第一种方法是基于区域的图像检索（RBIR），它根据用户对图像的感知，将图像表示成分割的区域特征。第二个是相关性反馈（RF），其用于确保用户的倾向（Kanimozhi和Latha，2013; Datta等人， 2008年）。CBIR系统的主要目标是从图像数据库中检索与QI相关的图像（Escheriro等人，2007年）。基于内容的图像检索系统采用“按实例查询”的技术，通过用户输入的对查询图像的描述，检索出与输入图像相似的图像，通过提取查询图像的特征，进行检索提取的特征。对提取的QI特征计算特征向量，CBIR用向量表示数据库中的每幅图像，输入查询图像后，CBIR系统计算其特征向量，然后将其与数据库中存储的每幅图像的特征向量进行比较，检索出与查询图像特征相似度为了 提高图像 检索系统 的性能， 利用了 基于区域 的视觉签 名（Kanimozhi和Latha，2013;Yuvaraj和Hariharan，2016），依赖于图像分割。在了解人的光学系统机理的基础上，必须将图像区分为http://dx.doi.org/10.1016/j.jksuci.2017.05.0021319-1578/©2017作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com374M.K. Alsmadi/ Journal of King Saud University通过图像相似性来提取区域特征的属性这些方法在对象级计算分割区域特征，并且在区域相似性处执行相似性的比较，其中早期的常规方法主要使用全局特征来检索和Yang（2010）和Yang（2009）已经提出执行图像分割以将局部信息并入图像表示中。Feng等人（2004年），通过收集相似图像的整个区域构建了一个大的假图像;构建的图像用于RF迭代。为了加快图像检索过程，对伪图像区域进行了逐步聚类压缩表示。Aggarwal et al.（2002），作者修改了输入区域的低级特征以创建一组图像，并且他们从每个查询区域内的这些合成图像中导出特征的权重。然后，特征的权重是由系统习惯依赖于图像，被操纵的启发式。作者在Chuech-Yu etal. （2004）提出了一种基于邻接矩阵的模型查询更新方法。Chiou-Ting和Chuech-Yu（2005）的方法，将反馈图像区域进行组合以获得完美的查询。在此之后，从查询，代表性的区域学习和区域和特征权重重新计算依赖于通过引入优化方法的分组结果。使用基于区域的方法的关键意图是提高捕获和解释用户感知的能力。几 篇 文 献 综 述 比 较 并 概 述 了 Choras （ 2007 ） ， Chadha 等 人（1208）中用于特征提取的CBIR技术。另外，最近的CBIR的其他作品采用了颜色描述符。Sharma等人（2011）研究了两种描述图像内容的方法，即颜色直方图方法、全局方法和描述符属性，以实现有效的检索。 Fakheri和Sedghi（2010）对用于彩色图像检索系统中检测对象的高斯参数估计的EM变分算法进行了扩展。Smith和Chang（1996）提出了一种利用颜色组的反投影进行颜色区域提取和颜色内容表示的方法，从而提供了一种高效的索引和彩色图像检索方法。Zhang等人（2009）提出了一种通过在基于分割的图像检索系统中实现非均匀分割和量化算法来改进彩色直方图表示的方法。Su et al.（2011）提出了一种方案，该方案为每个图像分配量化的颜色代码，然后将代码与数据库进行比较，以进行有效的图像检索。此外，纹理被认为是一种重要的图像特征，在人类视觉系统的感知中 起 着 关 键 作 用 （ Abbadeni ， 2011;Balamurugan 和Anandhakumar，2011）。纹理和颜色特征也是CBIR系统中的主要属性 （ Selvarajah 和 Kodithuwakku ， 2011; Liapis 和 Taviditas ，2004）。为了增加接受度，最近的方法包括人机交互的视角（Su等人，2011;Cheng等人，2009; Azimi-Sadjadi等人， 2009年，在CBIR。Li和Hsu（2008）提出了一种统一的基于图论的图像重要性反馈和区域级匹配方法，提高了检索性能。Zhuang和Wang（2010）将每幅图像分割成边缘区域和主区域，并依托高维信息几何理论，将其与相关反馈相结合，提高了检索效率 Huang等人（2008）讨论了用于检索交互式多媒体的各种算法。Huang等人（2003）提出了一种新的概念，将CBIR系统与相关反馈和基于模糊径向基函数网络（FRBFN）的框架相结合。Rui等人（1998）实现了一种 技术， 用于重新加权功能，以纳入相关性反馈到CBIR系统，并提高其有效性和性能。Rui和Huang（2000）在CBIR系统中实现了基于启发式方法的特征加权，并提高了系统的有效性和性能。Ashraf等人（2015）提出了一种利用Bandelet变换进行图像表示和特征提取的方法，该方法返回组成图像的对象的核心信息。对于图像检索，他们使用人工神经网络，对于系统成就和性能评估，使用了三个公共数据集，即：Caltech 10，Corel和Coil。利用查全率和查准率来评价检索效率Seetharaman和Selvaraj（2016）的作者通过统计测试实现了一种检索图像的方法，例如F比和Welch t检验。测试了纹理和结构化查询图像;他们考虑了整个图像在纹理图像中，而在结构化图像中，他们根据图像的性质将图像分成多个区域。上述测试的第一阶段是应用F比测试，然后将通过的图像进行能谱。相似图像是通过两个测试的图像。对于性能验证和确认，使用了平均精度评分。Feng等人（2015）的作者实现了用于颜色和纹理特征提取的全局相关描述符，它们对CBIR的影响是相同的。提出了方向性全局相关向量和全局相关向量，它们结合直方图统计和结构元素相关性优势分别定义颜色和纹理特征，并利用Corel-5 K和Corel-10 K数据集进行验证，利用查准率和查全率进行效率评价在Zeng（2016）中，作者提出了一种用于图像检索的局部结构描述符。它是基于局部结构的底层颜色创建的;纹理，形状和颜色相结合用于图像检索。此外，提出了一种利用局部结构描述子提取局部结构直方图的特征提取算法。作者在Madhavi et al. （2016）使用遗传算法进行图像检索，通过计算选择性特征的数量，然后将这些特征与相关图像进行比较。为了验证该方法的有效性，我们在一组10，000张普通图像上进行了实验。遗传算法（Genetic Algorithm，GA）是一种常见的元启发式算法，它是一种模拟生物系统中遗传规律的搜索算法（Goldberg，1989），其基本机制是在搜索空间中寻找最优解（BadawiandAlsmadi，2013）。局部搜索算法是提高遗传算法性能的必要手段，它可以帮助遗传算法利用解空间而不是探索解空间。迭代局部搜索（ILS）是一种非常有效的局部搜索算法，是求解优化问题的一种优秀的元启发式算法。此外，它也很容易实现（Badawi和Alsmadi，2014;Avci和Topaloglu，2017; Toksari，2016）。ILS通过施加到正在进行的局部最小值的扰动来避免局部最优。本研究采用了基于遗传算法的启发式算法（MA）从图像数据库中寻找与查询图像最相似的图像，每个图像用一个染色体表示，从QI和产生的染色体中提取形状、颜色纹理和颜色特征，然后计算染色体的下一步是在染色体上应用MA操作，如交叉M.K. Alsmadi/ Journal of King Saud University375674523××图像采集齐特征提取特征提取特征数据库气的特征使用MA（GA withILS）的相关图像算子、变异算子、ILS和最高适应度的染色体选择;将从数据库中检索与QI最相似的图像。2. 材料和方法2.1. 特征提取本研究提出的CBIR系统确定图像内的特征。这是通过使用其存储、传输、比较和识别过程变得容易。重要的是，形状特征没有旋转、平移和缩放（Syam和Rao，2013）;（Alsmadi等人，2010）;（Badawi and Alsmadi，2014）.此外，图像的形状特征的提取需要应用从RGB彩色图像生成的灰度图像上的中值。这是因为中值滤波器只作用于单色频率。用于将RGB彩色图像转换为灰度图像的Craig公式（Syam和Rao，2013; Jyothi等人，2015年，在下面。光学内容包括颜色特征、形状和颜色纹理。图1所示的是所提出的方法的框图。同时，每个过程将在以下章节中详细说明Ig¼rI gIb0： 2989ω0： 58710点 114分2.2. 颜色特征提取在图像检索中，颜色特征是一个重要的组成部分。对于大规模的图像数据库，采用颜色特征的图像检索是非常有效和成功的。应该注意的是，颜色特征不是持久的参数，因为它与许多非表面特征绑定。例如，拍摄条件包括照明以及设备的特性和视角（Syam和Rao，2013）;（Alsmadi和Omar，2012）;（Alsmadi等人，2011年）。 颜色特征提取的步骤开始于将颜色平面值分离成不同的矩阵，即红色、绿色和蓝色矩阵。然后，对每个图像的每个颜色矩阵进行颜色直方图的计算。接下来是计算然后计算所有行的方差和中位数之和。接下来，每个矩阵（R，G和B）的计算特征被组合为特征向量（对于每个图像），在为所有数据库图像生成特征向量之后，它们将被存储在特征数据库中（Subramanian和Sathappan，2015）。2.3. 形状特征提取形状特征提取的主要目的是捕捉图像项的形状这样的话，Fig. 1. 提出的CBIR的框图。其中Igs表示组合的2D矩阵，而Ir：Ig：Ib需要生成彩色图像的颜色分量，而Igs被符号化为灰度级组合图像。 同时，采用中值滤波器对椒盐噪声和斑点噪声进行了抑制。中值滤波器具有边缘保持特性，并且在不希望边缘模糊的情况下使用（Syam和Rao，2013）。在这项研究中，Canny边缘检测方法被用来提取形状特征。采用基于边缘的形状表示方法，提供了图像的数值信息。即使图像中的对象的大小、方向和位置发生变化，所提供的信息也保持不变。当采用Canny边缘检测算子时，构造图像边缘的直方图。此外，对每个图像的边缘直方图的列均值和行均值进行计算。然后，计算所有列均值和行均值，并以特征向量的形式保存在数据库中2.4. 颜色纹理特征彩色纹理特征分类是CBIR图像分割的关键步骤。因此，本文提出了一种基于纹理分析的彩色纹理分类方法2.5. 灰度共生矩阵GLCM是一种强大的图像统计分析技术（Benco等人，2014）;（Alsmadi等人，2010）;（Haralick，1979）; Nikoo等人，2011年。该技术可描述为像素对之间的联合概率的二维矩阵，其中，它们之间在给定方向h上的距离d（Nikoo等人， 2011年）。Haralick和Shanmugam（1973）从灰度共生矩阵中提取并定义了14个用于纹理特征分类的特征。然而，由于这14个特征高度相关，本研究通过采用5个特征进行比较来防止这个问题。颜色纹理特征提取的步骤开始于利用5 5高斯滤波器然后，滤波后的图像被分成4个4块。使用灰度共生矩阵，计算每个块的标准差、相关性、齐次性、熵、平均值、对比度相异度和能量。这些特征的计算是根据四个方向;对角（45°和 135°）、垂直（0°）和水平（90°）。最后，这些提取的特征被保存在特征数据库表1显示了GLCM的功能（Poulose Jacob和Vimina，2013; Ozdemir等人， 2008年）。3. 提出的元启发式算法所提出的元启发式算法（遗传算法和迭代局部搜索）最初用于创建染色体。376M.K. Alsmadi/ Journal of King Saud Universityi;j<$0i;ji;j¼0i;j¼0i;j¼0;i;j¼0rirji;j01i-j2J表1纹理特征。名称公式名称公式平均 值li¼PN-1iPi;jlj¼PN-1jPi;j对比度PN-1piji-j2标准差ri<$qr2r<$qr2差异PN-1Pi;jji-jj相关性PN-1i-lii-ljpi;j均匀性PN-1Pi;j熵Pi;jPi;jlogPi;j能量qPN-1P2在这里，染色体内发现的基因表示数据库的图像。重要的是染色体没有重复的基因。与此同时，基因的价值决定于将被查询的数据库图像的数量。从每个图像中提取的特征被分组为特征集。还对来自查询图像的特征集执行提取。每个染色体然后进行交叉，变异（遗传算子）和迭代局部搜索程序。这将产生新的染色体。至于所提出的MA的参数设置，它们是通过实验确定的。所提出的MA的伪码在图中示出。 二、3.1. 解表示本研究提出的元启发式算法（GA和ILS）对种群中的每个候选解（染色体）采用直接表示这包括数据库中图像数量的信息和二进制形式的匹配数量3.2. 初始种群首先随机产生一些染色体染色体的数量称为群体大小或pop_size。链接到输入查询图像的所需图像的数量将决定每条染色体中的基因数量。染色体的产生如图所示。3.第三章。遗传算法通常通过计算初始种群中每个候选解的适应度来启动虽然没有满足停止标准，但使用这些过程：（i）通过某些选择机制（例如轮盘赌）选择用于再现的解决方案。(ii)通过交叉和变异算子产生后代。(iii)计算新的代，直到找到最优解或达到最大代数。3.3. 交叉操作交叉算子是算法中的关键算子。正如Badawi和Alsmadi（2013）所解释的那样，采用单一切割点，交叉从两个亲本产生新一代（染色体）。此操作确定选定的两个父染色体上的单个交叉点。这里，选择1和1c-1之间的随机数，1c表示染色体长度。父染色体在交叉的选择点被切割然后，在这一点之后，组分在亲本染色体之间交换。3.4. 变异操作变异算子在解中产生随机变化这为从民众中寻找解决办法提供了机会。变异操作采用逐位变异的方法。如果的比率为图二. MA伪码（Moscato，1999）。CJIj1Ij2Ij3Ij4Ij5........Ijn图三. 染色体形式。我Ji;j¼0M.K. Alsmadi/ Journal of King Saud University377·≤突变（Pm）得到验证。在本研究的背景下，Pm等于0.02，并且随机选择将突变的点。3.5. 迭代局部搜索在移动到下一代之前使用局部搜索算法这将改善从遗传算法得到的解（染色体），遵循遗传算子的性能这一过程提高了遗传算法的收敛速度从本地搜索得到的解决方案，然后插入到遗传算法的下一代。这个过程将继续到下一代，并更新染色体的种群迭代局部搜索的基本思想是通过提供一个新的解来改进局部搜索的过程，这些解是从扰动的现有解中获得的，直到达到局部最优解（Rossi-Doria等人，2002年）。所生成的解决方案是更好的质量比从重复的本地搜索试验的解决方案如果通过验收标准，则将其视为新溶液。如果没有通过标准，则返回先前的解决方案扰动应该足够鲁棒以允许探索新的解，另一方面，扰动应该足够弱以保持在随机搜索中添加的良好信息（Rossi-Doria等人，2002; Blum等人，2011年）。一个最大化问题的一般迭代局部搜索如图所示。 四、至于在这项研究中提出的算法，它总是接受较高的适应值的同时，如果解的适应度值与最佳解的适应度值相等，则接受这一过程将持续到最大限度迭代次数（#Iter设置为100）。3.6. 适应度函数通过选择适应度函数，该算法从整个种群中评估每个候选解适应度函数反映了候选解的可靠性算法的因此，在算法设计阶段，适应度函数的选择是非常关键的。下一步是使用平方欧氏距离为每个新产生的染色体确定适应值（质量）适应度由待查询图像与新产生的染色体的特征集与输入查询图像的相似性差最小的染色体被认为是最佳染色体。与输入查询图像最相关的图像是最佳获得的染色体的基因平方欧几里德距离的等式如下所示（等式110）。（2））。平方欧几里德距离1/4和fji1-fjI226 0： 0092在本研究所提出的演算法中，两幅影像的相似度被评估为查询影像特征总和与资料库影像特征总和之间的差异。重要的是，差异小于或等于0.009（例如，平方欧几里德距离0.009），否则两个图像不能被视为相似。实验确定了所提出的适应度函数3.7. 染色体选择选择需要这样一个过程，即通过向具有高适合度的染色体倾斜来为算法提供朝向最优解的指导为了达到同样的目的，本研究采用轮盘赌的机制，根据特征匹配的数量从数据库中选择最佳这个过程一遍又一遍地进行，直到达到最大的迭代次数。然后，从先前收集的染色体集合中选择具有最高适应度数的最佳染色体利用这些最优染色体从图像数据库中检索相关图像。因此，将被有效检索的相似图像包括那些包含用最佳染色体的基因表示的索引的图像。4. 图像数据集本研究中的实验使用了Corel数据集，该数据集包含10，908张不同的图像，每张图像的大小为256*384或384*256。因此，使用10个语义集报告结果，每个语义集包括100张这些数据集分为食物、公共汽车、大象、山脉、海滩、建筑物、花卉、非洲、马和恐龙。这些小组被用于报告结果，因为大多数杰出的研究，例如（Ashraf等人，2015 ） ; （ Madhavi 等 人 ， 2016 ） ; （ Rao 等 人 ， 2011 ） ;（Youssef，2012）; Lin等人， 2009;（Jhanwar等人， 2004）;（ElAlami，2011）;（Ashraf等人， 2016）雇用这些团体来证明他们的CBIR方法的有效性。5. 结果和讨论本研究所提出的CBIR系统，进行了测试与一定数量的查询图像。进一步从corel图像数据库中检索相似图像。为此，从数据库中找到的所有图像中提取包括颜色直方图、形状和颜色纹理的特征。如图5所示的是不同形式的恐龙图像：原始图像、灰度图像、使用中值滤波器的滤波灰度图像和使用Canny算法的边缘检测图像几见图4。 ILS伪码。378M.K. Alsmadi/ Journal of King Saud University（（检索的图像和它们的查询图像可以在图1和图2中查看。6和图7在本研究中，使用颜色签名计算颜色直方图的方差和中值特征。形状特征采用Canny边缘检测方法，颜色纹理特征用于灰度共生矩阵的标准差、熵、平均值、相关性、相异性、对比度、均匀性和能量等特征的计算。从颜色特征、形状特征和颜色纹理特征中提取的特征都被分类并组合在生成的特征集中。然后，在从数据库图像中提取特征集之后，对特征集进行比较，以及输入查询图像的图像。在这里，遗传算法被用于从数据库中保存的图像中检索相似图像。在完成特征提取过程之后，使用MA测量相似性。GA产生长度为n的随机染色体（pop_size）。同时，与查询图像相关联的所需图像的数量将决定每个染色体中的基因数量。对生成的染色体以及查询图像进行特征提取然后，染色体进行变异和交叉操作和ILS和选择机制，以找到最佳的染色体。在完成交叉、变异和迭代局部搜索（一）.恐龙影像（b）.灰度恐龙图像（c）.过滤灰度恐龙图像（d）.恐龙图像图五.恐龙外形特征提取的步骤。（b）第（1）款图六、a. Bus Qi b.一些检索到的巴士图像。（b）第（1）款见图7。a.花岐湾一些检索花的图像。M.K. Alsmadi/ Journal of King Saud University379操作，选择具有最优值的染色体所选择的染色体构成与查询图像相关重复该过程，直到达到最大迭代量Itermax= 1000。5.1. 检索评价（精确度/召回率）精确度（特异性）是指系统仅检索与查询图像相似的图像的能力的度量同时，召回率又称为阳性率或灵敏度，它衡量了CBIR系统检索与QIs相似的图像的能力为了详细说明结果，根据查询图像（来自测试数据集）的数量和从corel图像数据库中检索到的相似图像对精确度和召回率进行了计算再好了报告的结果，通过提取的特征与MA的技术相结合，显示非常有前途的改进方面的效率和准确性的整体CBIR过程。5.2. Corel图像集在本研究中提出的CBIR系统与许多当前CBIR系统（Ashraf等人 ， 2015 ） ; （ Madhavi 等 人 ， 2016 ） ; （ Rao 等 人 ， 2011 ） ;（Youssef，2012）; Lin等人，2009;（Jhanwar等人，2004）;（ElAlami，2011）;（Ashraf等人，2016年）。这允许测量所提出的方法的可用性。选择与这些方法进行比较的动机是，这些方法的结果是通过10个语义集的共同命名报告的，其中单个集合包含100个Corel数据集的图像因此它召回检索到的相似图像数据库中相似图像的总数的1/4检索到的相似图像可以使用报告的结果比较清晰的结果这使得性能比较成为可能。每组申报系统与其他比较系统的平均精密度比较见表3。证明精密度已检索的图像总数400等式（ 3 ）和（4 ）包括查询图像的精确度和召回率的计算（Syam和Rao，2013）。表2给出了一些查询图像及其检索图像的查全率-查准率计算结果.同时，本文提出的基于内容的图像检索系统的精确查全率曲线如图所示。8.第八条。如图所示，本研究中提出的CBIR系统除了具有检索图像的能力外，实验上，当检索到更多相似的图像时，表2召回-精密测量。组精确召回公共汽车山区海滩0.90 0.815电子设备食品鲜花（a）非洲马恐龙建筑物结果表明，与其它系统相比，所提出的系统在精度方面表现出更好表4中显示了提议系统的所有组与相同比较系统的平均召回率的比较。该系统的召回结果达到了最佳的召回率。可以推断，上述比较结果表明，所提出的系统在产生更好的准确率和召回率的能力其性能也取代了其他现有技术的方法（Ashraf等人 ， 2015 ） ; （ Madhavi 等 人 ， 2016 ） ; （ Rao 等 人 ， 2011 ） ;（Youssef，2012）; Lin等人，2009;（Jhanwar等人， 2004）;（ElAlami，2011）;（Ashraf等人， 2016年），尤其是在精确率和召回率方面。平均查准率和召回率分别为0.8883和0.7125这是因为Ashraf et al. （2015 ） ; Madhavi 等 人 ， 2016; （ Rao et al. ，2011）;（Youssef，2012）; Lin等人， 2009;（Jhanwar等人，2004）;（ElAlami，2011）;（Ashraf等人， 2016）创建了提取有限数量的特征集的CBIR系统。这限制了检索的效率。另一方面，在这项研究中提出的系统提取强大的和广泛的功能集在该系统中，使用的颜色直方图技术的颜色签名，形状特征的Canny边缘检测方法和颜色纹理的灰度共生矩阵，使用。并采用元启发式技术进行优化检索图像的精度ILS的添加1.210.80.60.40.20查全率图精确召回见图8。 精确度和召回率图表。380M.K. Alsmadi/ Journal of King Saud University表3将该方法的平均精度结果与其他标准检索方法进行了比较类提出Madhavi等人Ashraf等人Rao等人YoussefLin等人Jhanwar等人ElAlamiAshraf等人方法（2016年）（2015年）（2011年）（2012年）（二零零九年）（二零零四年）（2011年）（2016年）巴士0.960.8460.950.890.920.880.740.870.9山0.820.8110.750.510.740.520.290.530.7海滩0.900.8920.700.530.640.540.390.560.75大象0.830.7270.800.570.780.650.300.670.9食品0.870.8710.750.690.810.730.360.740.8花0.960.9170.950.890.950.890.850.910.8非洲0.8380.8280.650.560.640.680.450.700.8马0.960.9510.900.780.950.800.560.830.9恐龙0.990.8281.000.980.990.990.910.971建筑0.7550.6320.750.610.700.540.370.570.75平均0.88830.8300.8200.7010.8120.7220.5220.7350.83表4将该方法与其他标准检索方法的平均查全率结果进行了比较类提出Madhavi等人Ashraf等人YoussefLin等人Jhanwar等人ElAlamiAshraf等人方法（2016年）（2015年）（2012年）（二零零九年）（二零零四年）（2011年）（2016年）巴士0.750.7330.190.180.120.090.110.18山0.750.7320.150.150.210.130.220.14海滩0.8150.8050.140.130.190.120.190.15大象0.580.5330.160.160.140.130.150.18食品0.620.6000.150.160.130.120.130.16花0.660.6470.190.190.110.080.110.16非洲0.730.7060.130.130.140.110.150.16马0.850.8480.180.190.130.100.130.18恐龙0.750.7260.200.200.100.070.090.2建筑0.620.5850.150.140.170.120.180.15平均0.71250.6910.1640.1630.1440.1070.1460.166遗传算法通过增加适应值来提高解的质量这有助于在进行搜索过程时改进开发过程。显然，实验结果证明了元启发式技术在帮助检索大量相关图像的查询图像的能力。6. 结论本研究推荐了一种有效的基于内容的图像检索系统，该系统采用MA从数据库中检索图像一旦输入查询图像，建议的CBIR执行的图像特征，如颜色签名，形状和纹理颜色从图像的提取。同时，基于MA的相似性度量用于有效地检索与查询图像相关的图像。根据Corel图像数据库进行实验。实验结果表明，该算法具有较强的颜色、形状和颜色纹理特征的识别能力。ILS算法与GA的加入通过增加适应度数提高了解的质量这有助于改进搜索过程中的开发过程。本研究提出的CBIR系统通过不同的图像查询进行评估实验结果表明，该方法能够成功地从图像数据库中检索出相似图像它还取代了其他提出的CBIR系统的平均精度和召回率。这可以从从检索结果计算出的查准率和查全率值中得到证明。平均准确率和召回率分别为0.8883和0.7125。对于即将到来的工作，过滤技术将被利用，以达到更准确的结果，在基于内容的图像检索系统。引用Abbadeni，N.，2011.用于纹理表示和检索的计算感知特征。IEEE传输图像处理。20，236-246.Aggarwal，G.，阿什温，T.V.，Ghosal，S.，2002.一个具有自动查询修改功能的图像检索系统。IEEE Trans. Multimedia 4，201-214.Alsmadi，M.，Omar，K.，2012.鱼类分类：使用Memetic算法和反向传播分类器进行鱼类分类。中国科学院出版社.Alsmadi，M.，奥马尔，K.B.，Noah，S.A.，Almarashdeh岛2010年。 基于神经网络从尺寸和形状测量中提取鲁棒特征的鱼类识别。J.计算机Sci. 6，1088-1094。Alsmadi，M.K.，奥马尔，K.B.，Noah，S.A.，Almarashdeh岛2010.基于BP分类器的颜色纹理鲁棒特征提取的鱼类识别。J. Theor应用信息技术 十八岁Alsmadi，M.K.，奥马尔，K.B.，Noah，S.A.，2011.基于反向传播分类器提取颜色特征的鱼类分类。J. Comput. Sci.七，五十二。阿什拉夫河，Bashir，K.，Irtaza，A.，Mahmood，M.T.，2015年。基于带状区域的嵌入式神经网络图像检索。熵17，3552- 3580。阿什拉夫河，Bashir，K.，Mahmood，T.，2016.利用支持向量机探索带状区域进行基于内容的图像检索。J.通知。Sci. Eng.32，245-269.Avci，M.，Topaloglu，S.，2017.广义二次多重背包问题的多起点迭代局部搜索算法。Comput.操作员Res. 83，54-65. Azimi-Sadjadi，M.R.，Salazar，J.，Srinivasan，S.，2009.基于核机器和选择采样的自适应图像检索系统。IEEE传输图像处理。18，1645-1659.美国巴达维Alsmadi，M.K.S.，2013.提出了一种基于遗传算法和大规模局部搜索的混合模因算法和反向传播分类器的鱼类识别方法。Int. J. Comput. Sci. 问题10，348-356。美国巴达维Alsmadi，M.K.，2014.一种基于后向传播分类器的元启发式算法的通用鱼类分类方法。J. Theoret. Appl. 信息技术 66岁Balamurugan，V.，Anandhakumar，P.，2011.基于二维小波变换纹理特征的多分辨率图像索引技术。EUR. 《科学杂志》R e s .48，648-664.Benco，M.，邬达克河，Kamencay，P.，Zachariasova，M.， Matuska，S.， 2014. 一种基于灰度共生矩阵的彩色纹理特征提取方法。Int. J. Adv. Rob.系统 十一岁Blum，C.，Puchinger，J.，Raidl，G.R.，Roli，A.，2011.组合优化中的混合元分析：综述。 应用软计算11，4135-4151。M.K. Alsmadi/ Journal of King Saud University381G.J.，陈，A.B.，Moreno，P.J.，Vasconcelos，N.，2007.图像注释和检索的语义类的监督学习，模式分析和机器智能，IEEE Transactions on，vol.29，pp.394-410Chadha，A.，Mallik，S.乔哈尔河基于内容的图像检索的特征提取技术的比较研究和优化，arXiv预印本arXiv：1208.6335，2012。Cheng，E.，Jing，F.，张，L.，2009.一个用于网络图像检索的统一相关反馈框架。IEEE Trans.图像处理。18，1350-1357.邱廷，H.，Chuech-Yu，L.，2005.基于区域优化学习的广义贝叶斯框架相关反馈。IEEE传输图像处理。14，1617-1631.Choras，R.S.，2007.图像特征提取技术及其在CBIR和生物识别系统中的应用。Int. J.Biol. BioMed. Eng. 1，6-16。Chuech-Yu，L.，Ming-Chou，S.，Chiou-Ting，H.基于图论区域对应估计的相关反馈图像检索。在：2004年第17届国际模式识别会议论文集。ICPR 2004，vol. 3，2004，pp. 842-845达塔河Joshi，D.，李杰，Wang，J.Z.，2008.图像检索：新时代的思想、影响和趋势。ACM计算 Surveys（Csur）40，5.ElAlami，M.E.，2011.一种新的基于最相关特征的图像检索模型。知道了。- BasedSystem.24，23-32.Fakheri，M. Sedghi，T. 2010.基于em分割算法的彩色图像检索技术。在：电信（IST），2010年第五届国际793-795。冯杰，明镜湖，洪江，Z.，波，Z.，2004年基于区域的图像检索中的相关反馈。IEEETrans.电路系统视频技术14，672-681。冯，L.，吴，J.，Liu，S.，张洪，2015.全局相关描述子：一种用于图像检索的新图像表示。J. Vis. Commun.图像代表。33，104- 114。Goldberg ， D.E. ， 1989. 搜 索 、 优 化 和 机 器 学 习 中 的 遗 传 算 法 。 Addison-WesleyLongman出版公司 Inc.Haralick，R.M.，1979.纹理的统计和结构方法。Proc. IEEE 67，786-804。Haralick，R.M. Shanmugam，K.，1973.用于图像分类的纹理特征。IEEE Transactionson Systems，Man，and Cybernetics，pp.610-621黄玉- P.，张，T.- W.，黄角，澳-地Z.，2003.一种基于内容的图像检索的模糊特征聚类与相关反馈方法。在：虚拟环境，人机界面和测量系统，2003年。VECIMS'03。2003年IEEE国际研讨会，2003年，pp。57比62Huang，T.S.，Dagli，C.K.，Rajaram，S.，Chang，E.Y.，曼德尔，MI，Poliner，GE，埃利斯，D.P.，2008年交互式多媒体检索的主动学习。 Proc. IEEE 96，648-667。Jeon，J.，Lavren