一直以来，从事这一领域的学者们一直都在努力的改善图像检索技术并做了大量的研究，许多改善图像检索的方法被提出。
基于标签的图像搜索是在访问这些网站的图像内容的重要途径。但是，现有的排名的方法为基于标记的图像搜索经常返回结果不相关或不多样化。在[2]中，作者提出了一种不同的相关性排序方案，该方案是能够采取的相关性和多样性考虑通过探索图像和它们的相关标签的内容。30160
基于内容的图像检索（CBIR）已经成为最活跃的研究领域，该领域的学者已经探索了许多视觉特征表示并且建立了许多系统。在[3]中，作者有效地考虑到了CBIR的两个鲜明特点：（1）高层次的概念和底层特征之间的差距，（2）人类感知视觉内容的的主观性。提出了基于交互反馈的检索方式，该方法大大降低了用户完成查询所需的代价，并且能更精确地获取用户需要的信息。由于在CBIR的低层次的功能和高层次的语义概念之间存在着语义鸿沟，典型的相关反馈技术要实现令人满意的结果需要进行了很多轮的反馈。这些程序是耗时的，并且可以使用户在完成检索任务时感到厌烦。[4] 提出了一个新方案，研究基于日志的相关反馈（LRF）技术来提高检索性能并减少CBIR的语义鸿沟。论文网
在图像检索的区域中，后检索处理经常被用来缩小检索结果，以更好地满足用户的要求。[5]提出了一种基于主题的丰富性分析来重新排序的方法，丰富了检索结果的主题覆盖面。一般情况下，通过图像搜索引擎得到的图像结果中包含多个主题。 在[6]中，我们提出用视觉，文本和链接分析的分层聚类方法，将搜索结果转化组织成不同的语义类方便用户浏览。IGroup[7]是一种用于Web图像搜索结果的聚类算法，它首先识别与给定查询的几个关键短语，然后将查询到的图像按与之相关的短语归类。在[8]中，将聚类问题形式化成一个短语排名的问题。将短语排好序之后，检索得到的文件被分配给相关的短语，以形成候选类，并通过合并这些候选类生成最终的类。[9]只需要用户以最小的代价点击一个查询图像，然后由通过文本搜索得到的图像会被根据视觉和文本内容重新排序。由于存在于CBIR低层次的功能和高层次的语义概念之间的语义鸿沟，典型的相关反馈技术需要实现令人满意的结果进行了很多轮的反馈。这些程序是耗时的，并且可以使在开在检索任务的用户。通常情况下，图像搜索结果在语义层次上包含多个主题，甚至语义一致的图像在视觉层次上呈现出不同的外观。[10]采用了文字和视觉分析设计了一个名叫HiCluster的方法，有效地组织图像搜索结果，使其变成一个在语义层次和视觉层次上一致的类。[11]中作者也是注意到用户对图像检索的结果有不同离散度的需求，提出了一种将离散度加入到检索系统的方法，该文给本文的编写提供了一定的思路。 图像检索国内外研究现状综述:http://www.youerw.com/yanjiu/lunwen_25730.html