基于上面的分析，本课题的目的是了解计算机视觉及数字图像处理技术的发展以及相关的经典理论方法，并在此基础上研究图像特征的提取与融合的方法，最后实现一个多特征融合的图像搜索软件。

1。1。1系统组成要素

（1）图像特征表示：该部分作为前期工作量最大的部分，也是最重要的部分，完成的是标准特征数据集合的构建；

（2）图像搜索：该部分就功能而言是最能体现系统功能和课题研究目标特点的部分，但工作量与计算量相对于第（1）部分来说要少很多；

（3）用户界面：该部分面向于用户，同时也是用户管理和控制训练系统和搜索系统两个部分的唯一接口；

（4）资源库：该部分扮演“数据库”的角色，主要存储原始图像、经过处理的结构化数据文件、基本的构成文件以及运行结果文档等资源。

1。1。2系统组织流图

图1。1系统各部分关系

1。2图像检索技术综述

1。2。1概述

图像检索技术（Image Retrieval Technology）作为一种信息搜索手段，被广泛地应用于人们的日常生活。图像检索就是通过描述已有图片的信息在目标图像库中寻找属于或包含被描述信息的图片，我们平时所说的图像检索通常都是指在计算机和互联网的数据资源平台之上，将我们进行搜索的原图像信息数字化，再通过一系列数字技术和数学算法与目的信息进行数字匹配的电子图像检索技术[6]，即数字图像检索技术，这也是本文要重点讨论的。

数字图像检索技术实际上是属于数字图像处理发展方向之一的图像分类识别这一块里的，该技术的实现手段多种多样，但都离不开图像压缩[12]和图像索引[7]两个部分，图像压缩是一种数字图像处理技术，而所谓图像索引是用于说明图像特征的一种元数据，本文中我们可以称之为特征向量，构造图像索引则需要在图像训练时构造适合的数据模型，再用相应的特征提取或描述算法进行运算处理。图像检索的过程简而言之就是寻找距离最近或者说最相似的图像索引的过程。图像索引多种多样，按照图像索引的不同我们将检索方法也分为相应几种，到目前为止主要包括：

（1）基于文本的图像检索[6~10]：对图片由人手动建立关键字集合，图像的匹配工作则是对这些关键字进行运算得出，由于是人手动来建立，主观性较大，工作量大；

（2）基于内容的图像检索[6~10]：通过对图片的成分、颜色特征、纹理特征、形状特征等客观因素进行合理地提取，来建立特征集合，并在此基础上进行检索工作，具有较好的可信度，目前长盛不衰的一种图像检索，也是本文主要使用的图像检索方法；

（3）基于语义的图像检索[7,8]：前面所提到的颜色、纹理、形状特征属于视觉特征，它们被归类于低级语义，而文本因为更符合人们认知的范围（这里可以理解为不同观察者对一幅图像所看到的视觉特征进行文字特征的转化可能是不一致的，所以就分歧度来讲，视觉特征更大），这里的语义特征旨在实现更准确高效的图像检索，但也意味着更加复杂和庞大的工作量，目前很少研究。

（4）基于反馈的图像检索[7]：该类检索效果高于第二种检索同时又低于下文要讲的第五种检索，因为其提供了反馈机制，但又是人为手动输入反馈的，所以是具有第五种检索的特点，却又不及它，算是比较鸡肋，目前少有研究。

（5）基于知识的图像检索[6~8]：机器学习、模式识别、人工智能的热门发展促进了第四种检索方法的发展，又融入了属于人工智能领域的自动化专家系统和神经网络，使得图像检索的智能性和灵活性得到充分体现，最为受益的是专门领域知识体系下的图片搜索（比如商业领域的淘宝网），从目前来看应该算是广受关注。