數(shù)字圖書館中的CBIR系統(tǒng)構(gòu)建研究

基金項(xiàng)目：國(guó)家社科基金重大資助項(xiàng)目“圖書、博物、檔案數(shù)字化服務(wù)融合研究”（項(xiàng)目編號(hào)：10&ZD134）。

作者簡(jiǎn)介：師文（１９８４－），男，博士研究生，研究方向：計(jì)算機(jī)視覺、模式識(shí)別、多媒體信息處理。?信息資源開發(fā)與利用?

〔摘要〕分析了CBIR系統(tǒng)的結(jié)構(gòu)模式，探討了基于形狀特征的圖像檢索系統(tǒng)構(gòu)建問題。重點(diǎn)研究了形狀描述、特征向量索引以及特征相似性度量及匹配等相關(guān)技術(shù)，應(yīng)用輪廓點(diǎn)與興趣點(diǎn)之間的空間分布關(guān)系構(gòu)造形狀描述函數(shù)并提取圖像特征。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)在動(dòng)物形狀測(cè)試集中具有較高的檢索效率。

〔關(guān)鍵詞〕數(shù)字圖書館；基于內(nèi)容的圖像檢索；形狀分析；系統(tǒng)構(gòu)建

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００８－０８２１．２０１４．０５．０１６

〔中圖分類號(hào)〕Ｇ２５０７６〔文獻(xiàn)標(biāo)識(shí)碼〕Ａ〔文章編號(hào)〕１００８－０８２１（２０１４）０５－００７９－０４

System Construction for CBIR in Digital LibraryShi Wen

（School of Information Management，Institute of Multimedia Information Processing，

Nanjing University，Nanjing 210093，China）

〔Ａｂｓｔｒａｃｔ〕In this paper,the structure pattern of CBIR was analyzed,and the construction of shape-based retrieval system was discussed.The research mainly focused on the technologies of shape description,feature vector index and similarity measure and match.The contour and feature points were used in constructing the description function and extract the shape features.Retrieval results in the animal shape dataset showed the effectiveness of the system.

〔Ｋｅｙｗｏｒｄｓ〕digital library;content-based image retrieval;shape analysis;system construction

隨著當(dāng)今人們對(duì)信息資源共享要求的不斷提高，以及互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，數(shù)字圖書館成了社會(huì)經(jīng)濟(jì)文化發(fā)展的必然產(chǎn)物。自20世紀(jì)70年代圖書館開始將計(jì)算機(jī)技術(shù)融入日常信息管理，到20世紀(jì)80年代圖書館自動(dòng)化系統(tǒng)投入應(yīng)用，圖書館正式開啟了數(shù)字化改革的進(jìn)程。隨著當(dāng)今網(wǎng)絡(luò)通信技術(shù)的普及，數(shù)字圖書館的重要性日益凸顯，其系統(tǒng)構(gòu)成也向著分布式管理的高級(jí)階段不斷進(jìn)步。在圖書館的數(shù)字化過程中，信息載體的數(shù)字化和信息傳播的網(wǎng)絡(luò)化是兩個(gè)直接的技術(shù)動(dòng)因。其中信息載體的數(shù)字化首先需要對(duì)各種形式的信息資源進(jìn)行編輯、加工、組織以及存儲(chǔ)，并在此基礎(chǔ)上運(yùn)用數(shù)字通信技術(shù)進(jìn)行傳遞和共享。在數(shù)字化信息資源中，圖像不僅是除文本之外使用最廣泛的信息資源，而且是用來表示和檢索視頻等多媒體信息資源的基本要素［１］。這種情況下，數(shù)字圖書館中圖像信息資源的檢索技術(shù)［２－３］由于其廣泛的應(yīng)用領(lǐng)域和較高的應(yīng)用價(jià)值，已成為國(guó)內(nèi)外學(xué)者關(guān)注的熱點(diǎn)和難點(diǎn)問題。

基于內(nèi)容的圖像檢索（CBIR，content-based image retrieval）技術(shù)自上世紀(jì)末提出以來，就受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注［４］。美國(guó)國(guó)家科學(xué)基金會(huì)于1994年正式發(fā)布了一項(xiàng)為期4年、耗資2 440萬美元的“數(shù)字圖書館創(chuàng)始”（DLI，digital library initiative）計(jì)劃，其目標(biāo)是推動(dòng)收集、存儲(chǔ)和組織數(shù)字信息的技術(shù)快速進(jìn)步，并使數(shù)字信息得以通過網(wǎng)絡(luò)被查詢、檢索和處理［５］。此舉掀起了全球性的數(shù)字圖書館研究熱潮，基于內(nèi)容的圖像檢索技術(shù)也在其推動(dòng)下迅速成了相關(guān)研究的熱點(diǎn)。在基于內(nèi)容的圖像檢索技術(shù)中，系統(tǒng)將圖像的視覺內(nèi)容作為圖像特征用于匹配和檢索，以獲得更為完整和精確的檢索結(jié)果。常用的圖像底層視覺特征有顏色、紋理和形狀［６－８］，其中圖像的形狀特征能夠有效地描述人類視覺系統(tǒng)對(duì)圖像內(nèi)容的感知，并能夠在相似圖像的區(qū)分識(shí)別中提供具有重要價(jià)值的視覺線索［９］。

向用戶提供基于內(nèi)容的圖像檢索服務(wù)，作為數(shù)字圖書館現(xiàn)代化服務(wù)的基本內(nèi)容之一，具有重要的研究?jī)r(jià)值。由于基于內(nèi)容的圖像檢索系統(tǒng)涉及了多個(gè)學(xué)科的綜合交叉，具有較高的復(fù)雜性，因此對(duì)系統(tǒng)構(gòu)建問題進(jìn)行研究是當(dāng)今數(shù)字圖書館領(lǐng)域的重要課題。在上述討論基礎(chǔ)上，本文對(duì)CBIR系統(tǒng)的結(jié)構(gòu)模式進(jìn)行了分析，探討了基于形狀特征的圖像檢索系統(tǒng)構(gòu)建。重點(diǎn)研究了形狀描述、特征向量索引以及特征相似度匹配及度量等相關(guān)技術(shù)?；谏鲜鲅芯浚疚膽?yīng)用輪廓點(diǎn)與興趣點(diǎn)之間的空間分布關(guān)系構(gòu)造形狀描述函數(shù)，通過傅立葉變換提取圖像特征，并構(gòu)建了圖像檢索實(shí)驗(yàn)系統(tǒng)。仿真結(jié)果表明，該實(shí)驗(yàn)系統(tǒng)在動(dòng)物形狀測(cè)試集中具有較高的檢索效率。

１CBIR系統(tǒng)構(gòu)建

作為人們傳遞信息的主要媒介，圖像數(shù)據(jù)直觀的映射了客觀世界，具有極強(qiáng)的表現(xiàn)力并包含豐富的信息量，因此也是最難以獲取、傳輸、處理與描述的信息表示形式之一。CBIR作為一種應(yīng)用于數(shù)字圖像的檢索技術(shù)，由于其較強(qiáng)的學(xué)科綜合性，成了一項(xiàng)及重要性與復(fù)雜性于一身的多媒體信息處理技術(shù)。在典型的CBIR系統(tǒng)結(jié)構(gòu)中，檢索行為主要通過圖像視覺特征的匹配來完成在典型的CBIR系統(tǒng)結(jié)構(gòu)中，檢索行為主要通過圖像視覺特征的匹配來完成。用戶選擇符合檢索行為預(yù)期的示例圖像作為檢索條件，系統(tǒng)通過對(duì)檢索條件的特征進(jìn)行分析和匹配，查找與示例圖像相似度較高的圖像及相關(guān)內(nèi)容作為檢索結(jié)果，并按照相似度從大到小的原則返回用戶。而且，由于人機(jī)交互的檢索模式以及可視化的檢索界面在CBIR系統(tǒng)中的廣泛應(yīng)用，用戶檢索行為的發(fā)起變得更為便捷，并能用戶能夠?qū)崟r(shí)地的對(duì)檢索結(jié)果進(jìn)行評(píng)估和改進(jìn)。CBIR作為一種集成技術(shù)，其研究?jī)?nèi)容涉及了圖像預(yù)處理，形狀特征描述及提取，特征向量索引，形狀相似度匹配及度量等相關(guān)技術(shù)環(huán)節(jié)。圖１顯示了基于形狀特征的CBIR系統(tǒng)結(jié)構(gòu)。

圖１基于形狀特征的CBIR系統(tǒng)結(jié)構(gòu)圖

１１基于興趣點(diǎn)的形狀描述

在圖像內(nèi)容描述的研究中，圖像的局部視覺特征在近年來逐漸成了該領(lǐng)域的研究熱點(diǎn)［１０－１１］。研究表明，在圖像內(nèi)容的描述過程中，圖像的局部特征具有優(yōu)良的緊湊性以及魯棒性。圖像局部特征的提取通常由兩個(gè)步驟組成，首先在圖像中提取若干興趣區(qū)域或者興趣點(diǎn)，然后基于興趣區(qū)域或者興趣點(diǎn)建立用于描述圖像特征的特定機(jī)制。其中，圖像的興趣區(qū)域與興趣點(diǎn)可定義為圖像中具有代表性且對(duì)各種圖像變換有較強(qiáng)不變性的特殊像素點(diǎn)或者像素點(diǎn)集合。在基于興趣點(diǎn)特征的檢索算法中，算法首先應(yīng)用興趣點(diǎn)檢測(cè)規(guī)則獲取符合檢索目的的興趣點(diǎn)，并在此基礎(chǔ)上應(yīng)用局部特征描述函數(shù)獲取興趣點(diǎn)對(duì)應(yīng)的圖像特征。這些興趣點(diǎn)通常是形狀邊界上的特殊輪廓點(diǎn)，常見的有：角點(diǎn)、曲率極值點(diǎn)、滿足仿射不變性的點(diǎn)等。

endprint

１２特征向量索引

傳統(tǒng)的特征向量索引技術(shù)包括Hash索引、B-tree索引、B+-tree索引等。數(shù)據(jù)庫中的不同特征具有獨(dú)立的屬性值，如果在某一特定時(shí)間只有少部分屬性值被數(shù)據(jù)庫調(diào)用，那么此時(shí)較適合使用hash索引。應(yīng)用hash索引的尋址技術(shù)具有較高的檢索實(shí)時(shí)性，在大數(shù)據(jù)量環(huán)境下，該類技術(shù)通常使用開放地址法和拉鏈法來避免數(shù)據(jù)沖突。Hash索引適合于檢索某個(gè)位置確定的記錄，當(dāng)需要檢索某個(gè)范圍內(nèi)的記錄時(shí)，Hash索引則不能較好的發(fā)揮作用。此時(shí)，通常使用B-tree索引與B+-tree索引來滿足檢索需求。B-tree指多路平和檢索樹，作為一種常見的數(shù)據(jù)結(jié)構(gòu)，B-tree能夠明顯加快定位記錄時(shí)的中間過程，從而提高存取效率。該方法適用于磁盤等存儲(chǔ)設(shè)備，能夠有效組織動(dòng)態(tài)查詢表，而且已經(jīng)廣泛地應(yīng)用于關(guān)系型數(shù)據(jù)庫中。在B-tree中，除了根節(jié)點(diǎn)以外的所有節(jié)點(diǎn)都可以作為數(shù)據(jù)點(diǎn)，與此不同，B+-tree只將葉節(jié)點(diǎn)判定為數(shù)據(jù)點(diǎn)，因此B+-tree較適合與只關(guān)注一種屬性的圖像索引。R-tree及其改進(jìn)方法R+-tree和R*-tree是一類能夠檢索具有多維屬性圖像的索引方法。R-tree方法中的重疊率對(duì)高維特征較為敏感，當(dāng)R-tree檢點(diǎn)中出現(xiàn)過多的空間重疊和死區(qū)時(shí)，該類方法的檢索性能會(huì)顯著下降。

傳統(tǒng)的樹形索引技術(shù)并未將非歐氏距離度量問題作為研究的重點(diǎn)，然而在CBIR中存在著許多非歐氏距離度量的相似度算法，因此傳統(tǒng)的特征向量索引技術(shù)并不能完全適用于CBIR系統(tǒng)。這種情況下的在CBIR系統(tǒng)構(gòu)建中，可以在模式識(shí)別領(lǐng)域中的神經(jīng)網(wǎng)絡(luò)以及聚類方法中尋求解決方案。在相關(guān)研究基礎(chǔ)上，研究者提出了諸如M-tree、Slim-tree等度量空間的索引結(jié)構(gòu)，從而解決了非歐氏距離度量的問題。為了將圖像內(nèi)容檢索轉(zhuǎn)化為高維空間點(diǎn)集的最近鄰檢索，研究者還提出了高維索引技術(shù)。當(dāng)前CBIR系統(tǒng)多基于大規(guī)模的圖像數(shù)據(jù)庫，單一的線性檢索方法難以滿足實(shí)時(shí)檢索的需求，因此在特征庫中應(yīng)用相似索引技術(shù)構(gòu)建特征索引結(jié)構(gòu)，可以實(shí)現(xiàn)基于相似性的高維特征向量檢索。

常用的高維索引技術(shù)可以分為兩種：（１）控制圖像特征的維度［１２］；（２）控制訪問數(shù)據(jù)集［１３］?？刂茍D像特征維度可以通過降維和向量近似（VA，vector approximation）技術(shù)［１４］來實(shí)現(xiàn)?；诮稻S的索引方法首先通過對(duì)數(shù)據(jù)集的降維操作來減少數(shù)據(jù)維度，然后利用多維索引技術(shù)在降維數(shù)據(jù)基礎(chǔ)上生成索引。向量近似技術(shù)使用緊致性較高的近似向量來表述初始特征，并對(duì)近似向量進(jìn)行過濾處理，使得查詢過程只需訪問少量初始特征向量就能夠完成，有效提高了檢索效率?？刂圃L問數(shù)據(jù)集可以通過限定語義范圍或者聚類索引的方法來實(shí)現(xiàn)。限定語義范圍法需要查詢者對(duì)數(shù)據(jù)庫的語義標(biāo)注信息有一定了解。在聚類索引法中，某一聚類中的特征向量能夠存儲(chǔ)在連續(xù)的磁盤空間中，從而顯著地提高檢索效率。

１３形狀相似性度量及匹配

CBIR系統(tǒng)的核心環(huán)節(jié)圖像特征的相似性度量及匹配是決定了整個(gè)系統(tǒng)的檢索效率。形狀匹配是通過度量形狀間的特征來實(shí)現(xiàn)的，是形狀檢索的重要環(huán)節(jié)之一。在形狀相似性度量的過程中，應(yīng)針對(duì)形狀特征以及應(yīng)用環(huán)境的不同，選擇相適應(yīng)的相似性度量方法。在匹配算法中，基于內(nèi)容的圖像檢索系統(tǒng)通過相應(yīng)的相似性度量方法對(duì)查詢形狀特征以及數(shù)據(jù)庫中的形狀特征進(jìn)行運(yùn)算，對(duì)于得到的結(jié)果進(jìn)行排序，并將與結(jié)果對(duì)應(yīng)的形狀序列返回給查詢用戶。因此，形狀的相似性度量問題從本質(zhì)上說，是探討如何用數(shù)值來表征形狀相關(guān)程度的問題。在常見的圖像檢索系統(tǒng)中，形狀的特征相似性度量方法主要分為距離度量和相似系數(shù)度量?jī)纱箢悺?/p>

距離是評(píng)估圖像間差異度最直觀的測(cè)度之一，形狀間的距離度量方法應(yīng)用距離函數(shù)來計(jì)算兩個(gè)形狀特征的距離相關(guān)性。如果設(shè)ｄｉｊ表示第ｉ個(gè)樣本與第ｊ個(gè)樣本間的距離，則對(duì)于任意ｉ，ｊ和ｋ，ｄｉｊ需滿足如下條件：

Ⅰ．自相似性：ｄｉｉ＝ｄｊｊ＝０

Ⅱ．非負(fù)性：ｄｉｊ≥ｄｉｉ＝０，當(dāng)且僅當(dāng)ｉ＝ｊ時(shí)，ｄｊｊ＝０；

Ⅲ．對(duì)稱性：ｄｉｊ＝ｄｊｉ；

Ⅳ．三角不等性：ｄｉｊ＜ｄｉｋ＋ｄｋｊ。

上述條件共同組成了距離公理的內(nèi)容，應(yīng)用于圖像距離度量的公式，一般需滿足距離公理的要求。

２系統(tǒng)實(shí)現(xiàn)中的算法分析

在系統(tǒng)設(shè)計(jì)中，查詢接口是與用戶直接互動(dòng)的系統(tǒng)模塊，基于內(nèi)容的圖像檢索技術(shù)無須用戶通過個(gè)體認(rèn)知來描述檢索目標(biāo)的含義，而只需用戶提供檢索圖像，由系統(tǒng)理解并提取圖像特征，以此作為檢索條件來取代關(guān)鍵字檢索。由于機(jī)器提取特征具有較強(qiáng)的客觀性強(qiáng)，且能夠與數(shù)據(jù)庫中的圖像特征提取準(zhǔn)則高度統(tǒng)一，因此更符合圖像信息資源檢索的需求。在形狀特征的描述過程中，通過建立興趣點(diǎn)和輪廓點(diǎn)之間的分布特征函數(shù)，來提取目標(biāo)的特征。應(yīng)用基于特征向量索引技術(shù)的特征相似性度量方法，計(jì)算示例圖像與數(shù)據(jù)庫中圖像間的歐氏距離，并最終返回檢索圖像序列。本文的系統(tǒng)框架如圖２所示。圖２系統(tǒng)框架圖

本文系統(tǒng)框架中所涉及的技術(shù)流程可描述如下：

Step 1：應(yīng)用用戶上傳示例圖像的方式構(gòu)建用戶查詢模塊。

Step 2：在圖像描述模塊中，應(yīng)用圖像的形狀特征描述方法實(shí)現(xiàn)基于內(nèi)容的圖像檢索，在目標(biāo)輪廓提取的基礎(chǔ)上掃描輪廓像素點(diǎn)｛Ｘｉｉ＝１，２，…ｎ｝，其中n為輪廓像素點(diǎn)總數(shù)。通過分析輪廓的曲率特性獲取反應(yīng)目標(biāo)形狀特征的興趣點(diǎn)｛Ｐｉｉ＝１，２，…ｍ｝，其中m為輪廓興趣點(diǎn)數(shù)，并建立輪廓點(diǎn)與興趣點(diǎn)間的位置關(guān)系函數(shù)Ｆ（Ｘｉ，Ｐｉ）。

Step 3：應(yīng)用Fourier描述方法提取圖像的匹配特征。

Step 4：在匹配環(huán)節(jié)中，采用歐式距離進(jìn)行圖像特征的相似度測(cè)量，完成圖像的形狀特征信息匹配，最后按照特征相似度的降序排列返回?cái)?shù)據(jù)庫中的相關(guān)圖像序列，作為最終的查詢結(jié)果。

３系統(tǒng)實(shí)驗(yàn)分析

實(shí)驗(yàn)平臺(tái)采用Intel Core2 Duo 226 GHz處理器、4GB內(nèi)存的PC機(jī)，以及MATLAB 71開發(fā)環(huán)境下完成。實(shí)驗(yàn)系統(tǒng)搜集了30個(gè)不同類別的動(dòng)物標(biāo)本圖像，對(duì)搜集到的標(biāo)本圖像進(jìn)行50%～100%的尺度規(guī)格化，平移定長(zhǎng)距離圖，旋轉(zhuǎn)0～360度的角度圖。經(jīng)上述仿射變換后，得到了600幅圖像的數(shù)據(jù)集，其中每種標(biāo)本包含20個(gè)類間圖像。在此基礎(chǔ)上，實(shí)驗(yàn)中還從MPEG-7標(biāo)準(zhǔn)數(shù)據(jù)集中選取了5個(gè)與標(biāo)本圖像相關(guān)的類，每類包含20個(gè)類間圖像。圖３顯示了部分來自于實(shí)驗(yàn)數(shù)據(jù)集的圖形樣本。

圖３系統(tǒng)數(shù)據(jù)集中的部分樣本

系統(tǒng)參數(shù)設(shè)置中，為了提高算法實(shí)時(shí)性，實(shí)驗(yàn)圖像被統(tǒng)一采樣為128個(gè)像素點(diǎn)。通過特征向量的維度控制，減少傅里葉高頻系數(shù)帶來的噪聲干擾，并實(shí)現(xiàn)目標(biāo)整體形狀細(xì)節(jié)的描述。在本文系統(tǒng)中，測(cè)試了3種圖像描述方法，包括興趣點(diǎn)空間關(guān)系，以及經(jīng)典算法中的Zernike矩和Hu矩方法。圖４顯示了3種圖像描述方法算法在檢索實(shí)驗(yàn)中的P-R（Precision、Recall）曲線。

圖４系統(tǒng)P-R曲線測(cè)試結(jié)果

圖５顯示了以horse類中的一幅圖像作為檢索圖像時(shí)，實(shí)驗(yàn)系統(tǒng)檢索得到的結(jié)果圖像?？梢钥吹?，在前20幅返回結(jié)果圖像中，與檢索圖像相似的為15幅，出現(xiàn)了5幅誤檢現(xiàn)象，并由深色檢索框進(jìn)行標(biāo)記。進(jìn)一步分析可知，在結(jié)果返回的前10幅結(jié)果圖像中，只有第2幅為誤檢圖像，且前3幅返回結(jié)果均為正確檢索圖像，體現(xiàn)了實(shí)驗(yàn)系統(tǒng)較高的檢索效率。圖５系統(tǒng)實(shí)例測(cè)試結(jié)果

４結(jié)束語

本文分析了基于內(nèi)容的圖像檢索系統(tǒng)的結(jié)構(gòu)模式，并進(jìn)一步討論了基于形狀特征的圖像檢索系統(tǒng)構(gòu)建。在形狀檢索系統(tǒng)涉及的相關(guān)技術(shù)中，重點(diǎn)研究了形狀描述、特征向量索引以及特征相似度匹配及度量等。在技術(shù)研究的基礎(chǔ)上，通過建立輪廓點(diǎn)與興趣點(diǎn)之間的空間分布關(guān)系來進(jìn)行圖像內(nèi)容描述，應(yīng)用傅立葉變換提取圖像特征，實(shí)現(xiàn)了圖像檢索實(shí)驗(yàn)系統(tǒng)的構(gòu)建。在動(dòng)物標(biāo)本圖像測(cè)試集中，本文方法較之兩種經(jīng)典檢索方法效果更優(yōu)，顯示了較高的檢索效率。

endprint

參考文獻(xiàn)

［１］熊回香.Internet上的圖像信息檢索技術(shù)［Ｊ］.情報(bào)學(xué)報(bào),2005,24（2）:222-227.

［２］朱學(xué)芳.數(shù)字圖像信息資源開發(fā)及管理［Ｊ］.中國(guó)圖書館學(xué)報(bào)，2002，（6）:36-38.

［３］Premachandran V,Kakarala R.Perceptually motivated shape context which uses shape interiors［Ｊ］.Pattern Recognition，2013，46（8）:2092-2102.

［４］Aptoula E,Lefèvre S.Morphological description of color images for content-based image retrieval［Ｊ］.IEEE Transactions on Image Processing，2009，18（11）:2505－2517.

［５］朱強(qiáng).數(shù)字圖書館：21世紀(jì)圖書館的原型——美國(guó)“美國(guó)圖書館傳世計(jì)劃”簡(jiǎn)介［Ｊ］.大學(xué)圖書館學(xué)報(bào)，1995,（4）:50-54.

［６］Datta R,Joshi D,Li J,Wang J-Z.Image retrieval:ideas,influences,and trends of the new age［Ｊ］.ACM Computing Surveys，2008，40（2）:1－60.

［７］Van De Sande K-E-A.,Gevers T,Snoek C-G-M.Evaluating color descriptors for object and scene recognition［Ｊ］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32（9）:1582－1596.

［８］Manjunath B-S,Ma W-Y.Texture features for browsing and retrieval of image data［Ｊ］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1996，18（8）:837－842.

［９］Wang B.Shape retrieval using combined Fourier features［Ｊ］.Optics Communications，2011，284（14）:3504-3508.

［１０］Shu X,Wu X-J.A novel contour descriptor for 2D shape matching and its application to image retrieval［Ｊ］.Image and Vision Computing,2011,29:286-294.

［１１］王斌.一種用于形狀描述的拱高半徑復(fù)函數(shù)［Ｊ］.電子學(xué)報(bào),2011,39（4）:831-836.

［１２］Weber R,Schel H,Blott S.A quantitative analysis and performance study for similarity-search methods in high-dimensional spaces［Ｃ］.Proceedings of the ACM Very Large Data Bases,New York,1998:194-205.

［１３］Ferhatosmanoglu H,Tuneel E,Agrawal D,et al.Vector Approximation based indexing for non-uniform high dimensional data sets［Ｃ］.proceedingsof the 9th ACM International Conferenee onI nformation and Knowledge Management,MeLean,Virginia,USA,2000:202-209.

［１４］Ye H-J,Xu G-Y.Fast Search in large-seale image database using vector quantization［Ｃ］.Proceedings of the International Conference on Image and Video Retrieval,Lecture Notes in Computer Science,Urbana,USA,2003:458-467.

endprint