2.4.2 SURF算法的编程方法    17
2.5 SVM算法    17
2.5.1 SVM的分类原理：    18
2.5.2 SVM的优点:    18
2.5.3 SVM算法思想    18
3 兴趣点检测和基于图像内容的图像检索的设计与实现    21
3.1 总体设计    21
3.1.1 设计目标    21
3.1.2 系统总体设计思路    21
3.1.3 系统总处理流程分析    23
3.2 主要系统模块设计与实现    23
3.2.1 获取图片库    23
3.2.2 详细设计方案与实现    24
3.2.3 读入图片    25
3.2.4 图像预处理    26
3.2.5 底层特征提取    27
3.2.7 SIFT特征提取    32
3.2.8 SURF特征提取    34
3.2.9 兴趣点检测    35
3.2.10 模型训练与知识库形成    35
4 性能测试    37
4.1 实验环境    37
4.2 性能评估指标    37
4.3 实验结果分析    38
5 结论    41
5.1 论文总结    41
5.2 进一步工作展望    41
致谢    42
1    绪论
1.1 课题研究背景
随着互联网技术的飞速发展，图像信息的数据量在以惊人的速度不断增加，人们越来越多地接触到大量的图像数据。面对如此庞大的图像数据库，如何进行组织、存储、表示、检索是一项重要的课题。 过去的信息主要是文本信息，对于文本信息，传统的搜索引擎仍然主要利用关键字来检索。为了检索图像等多媒体数据，传统的的图像检索方法仍然借用文本索引的技术，把图像内容标注为关键字，并对关键字建立索引，从而把图像信息纳入到文本检索的体系中。和文本信息相比，图像数据是连续的、形象的信息，它的内容主要通过视觉、听觉等感官上的通道进行表达。由于感知的主观性，对于同一幅图像或视频，每一个人都有其独特的理解，仁者见仁，智者见智。所以要用关键字来标注图像数据的语义内容不仅非常困难，而且有很强的主观性。手工标注的缺点还有工作量大，速度慢，错误率高等，这些都不利于大规模的多媒体数据库的文护和检索。
目前，在淘宝、京东、亚马逊等大型购物网站上，顾客搜索查询商品的方式有两种：通过输入关键字搜索；海量浏览商品图片。如果用户手上有一张商品图片，用以上两种方法购买相应商品显然很不方便，一般来说，传统图片搜索只是查找与其关键字有关的图片，而图片中所蕴含的内容一般不会被纳入到搜索的范畴里，例如在淘宝上搜索一个用户感兴趣的椅子，用户只是知道椅子的样子，但是如果不知道它的品牌，那就无法进行搜索。如果能够把照片作为“关键词”进行搜索，“以图搜图”并辅之以向导式问答系统，无疑会帮助用户精准、快捷地找到其感兴趣的产品。本项目的目的是利用自然语言提供一种基于图片内容而不只关键词的图片搜索方式。
基于内容的图像检索是由T．kato在1992年由提出的。他在论文“Query by Visual Example – Content based Image Retrieval”中搭建了一个图像颜色与形状的数据库，并提供了简单的搜索功能。“所谓基于内容的图像检索（CBIR），就是从图像库中检索含有特定目标的图像，也包括从连续的视频图像中查找含有特定目标的视频片段，用户通过接口设置查询条件时，可以采用一种或多种的特征组合来表示，然后系统采用匹配算法计算关键图像特征与特征库中图像特征的相似度，然后按照相似度从大到小的顺序将匹配得到的图像反馈给用户，用户根据系统反馈结果，选择是否需要修改查询条件，继续查询，以达到最终结果”。[1] 兴趣点检测技术在“以图搜图”系统中的应用研究(2):http://www.youerw.com/jisuanji/lunwen_19843.html