下载文档原格式
第六届浙江省大学生电子商务竞赛作品名称:基于内容的网络商品图像检索系统作品类别：技术类2011年3月13日目录第1章项目背景 (3)第2章关键技术介绍 (6)第3章系统分析与设计 (8)3.1需求分析 (8)3.1.1功能性需求分析 (8)3.1.2非功能性需求分析 (8)3.2系统设计 (10)3.2.1 总体结构设计 (10)3.2.2 功能模块设计 (11)3.2.3 检索流程设计 (12)3.2.4数据存储设计 (14)3.2.5 算法设计 (17)第4章系统实现 (25)4.1 数据采集模块 (25)4.2 数据检索模块 (28)4.3 数据显示模块 (29)4.4 数据推送模块 (34)第5章盈利模式与市场营销推广策略 (36)5.1目标市场 (36)5.2盈利模式 (36)5.3 系统推广策略 (37)第6章财务分析 (41)6.1搜索系统建设成本 (41)6.2搜索引擎运行维护成本 (41)6.3搜索系统宣传推广成本 (42)第7章风险及对策 (43)7.1市场风险及对策 (43)7.2技术风险及对策 (43)7.3项目风险及对策 (44)7.4竞争风险及对策 (44)第8章创新点 (45)第9章总结 (46)【参考文献】 (47)第1章项目背景随着计算机软硬件和互联网技术的飞速发展，多媒体数据的数量以惊人的速度增长。
各行各业有越来越多的信息通过图像的形式进行表达，这些图像中包含了大量有用的信息。
但是这些图像松散的分布在世界各地，缺少有效的组织，难以达到资源共享的目的。
因此如何利用如此众多的图像信息并从中定位感兴趣的图像，是对图像信息的查询技术提出的重大挑战。
早在1951年，信息检索(Information Retrieval)这一术语就被Calvin M oores描述为使用户的信息需求能够变为最终的有用信息的过程。
当然，他当时指的是文本格式的文件检索。
但他的描述却揭示了信息检索系统的实质:帮助用户具体定位相关信息。
基于内容的图像检索与图像库研究的开题报告一、研究背景和意义随着数字图像的普及与应用，如何利用机器智能技术更好地挖掘图像的信息，成为图像处理与计算机视觉领域广泛关注的问题之一。
基于内容的图像检索是图像处理和计算机视觉领域的重要研究方向之一。
它是指以图像的内容信息（如颜色、纹理、形状等）为基础，通过计算机算法和模型，自动地在一个大型的图像库中搜索与目标图像最相似的图像。
内容图像检索技术已广泛应用于数字影像管理、工业自动化、智能交通、医学影像处理、安全监控等领域。
目前，基于内容的图像检索面临很多挑战，主要是在面对大规模的图像库时，检索效率较低，同时图像之间的相似度度量也很难确定。
如何提高检索效率和检索精度是目前该领域研究者面临的重要问题。
本研究将通过对现有方法的分析及实验，构建一套高效精确的基于内容的图像检索系统，解决现有方法存在的问题。
二、研究内容和方法本研究将重点围绕以下内容开展：1. 基于内容的图像检索方法的综述：综述目前基于内容的图像检索方法的优缺点，并提出研究方向。
2. 描述符的提取及选择：研究图像特征描述符的提取方法，并对其进行筛选，选择最适合的描述符。
3. 相似度度量方法的研究：在描述符的基础上，研究相似度度量方法，提出基于内容的图像相似度度量的新方法。
4. 图像检索系统设计：基于开源的图像处理和机器学习框架，设计图像检索系统。
5. 实验验证：使用开源数据集测试系统性能，对比分析不同算法的性能，得出结论和提出改进方案。
本研究将主要采用文献调研和实验验证的方法，通过分析和比较不同算法的优劣，构建高效、实用的基于内容的图像检索系统。
三、预期结果和意义本研究的预期结果如下：1. 提出一种基于内容的图像检索方法，可以高效、准确地检索大规模图像库中的图像。
2. 系统实现了基于内容的图像检索系统，可以满足实际应用需求。
3. 验证了所提出方法的有效性和优越性，相比已有的方法具有更高的检索精度和更快的检索速度。
基于内容的图像检索系统设计摘要：随着多媒体技术的发展，传统的基于文本的信息检索技术已经不能满足需求，基于内容的图像检索技术成为当今的研究热点。
图像的特征提取，相似性匹配是基于内容图像检索系统设计的关键技术。
本研究在对图像检索关键技术研究的基础上，利用Visual Basic程序设计语言和Access数据库实现图像数据库的建立和检索。
结果显示，所设计的基于内容的图像检索系统可以有效地利用图像的颜色、纹理特征从图像数据库中检索出相似的图像。
关键词：颜色；特征提取；纹理；基于内容图像检索1 图像数据库的建立Access是由微软发布的关联式数据库管理系统，常被小型企业、大公司的部门和开发人员专门用来制作处理桌面系统。
具有存储方式简单，界面友好，处理多种数据信息，支持广泛，易于扩张等特点。
因此，本研究利用access来建立小型的图像数据库。
Data控件是Visual Basic提供的用来执行大部分数据库访问操作。
能自动处理一些事件包括空记录集，添加新纪录，编辑和更新现有纪录，处理某些类型的错误。
图像数据是图像元灰度值的纪录，以行列数据矩阵表示，一般信息量比较大。
直接读取图像的信息存入数据库中，不但增加了数据库的容量，而且增加了计算机的负担。
经研究发现，建立图像地址库，可有效提高计算机的计算效率。
当需要提取图像时，再根据图像的地址，对图像进行检索，平时，只需对图像的基本信息进行管理。
数据库的基本功能包括:增加删除图像、图像统计、图像的显示等。
2 关键技术问题基于内容图像检索系统的5个基本组成部分中，用户接口和图像查询模块由Visual Basic编程实现。
要求用户接口界面直观易懂、交互性较好，图像查询模块能提供多种查询方式。
有效的特征提取和特征匹配技术对图像检索系统的实现至关重要。
要求一方面降低数据处理量，另一方面提高匹配精度。
2.1 图像特征提取2.1.1 直方图特征颜色的模型有RGB、HIS、YUV模型等。
基于内容的图像检索技术研究的开题报告一、研究背景及意义随着网络技术的迅猛发展，互联网上的图像数据呈爆炸式增长。
如何高效地对这些图像数据进行管理和检索是当前研究的热点问题之一。
传统的基于文本的图像检索方式存在局限性，对于一些没有明确描述文本信息的图像，这种检索方式显得比较无力。
因此，基于图像内容的检索技术逐渐被人们所重视。
基于内容的图像检索技术是指通过图像内容（如颜色、纹理、形状等特征）来实现对图像的检索。
该技术可应用于图像数据库、图像信息系统、多媒体检索等领域。
通过该技术，用户可以更加方便快捷地获取所需图像，大大提高了效率和准确度。
目前，基于内容的图像检索技术已经取得了很大的进展，但是仍存在一些挑战。
首先，图像内容表达方式仍有限，需要对多种表达方式进行综合，提高检索精度。
其次，大规模图像数据的搜索复杂度较高，如何实现高效的搜索算法需要进一步研究。
因此，本课题旨在通过对基于内容的图像检索技术进行深入研究，提高其检索精度和效率。
二、研究内容和方法本研究的主要内容包括以下几个方面：1、基于内容的图像检索技术综述：分析目前基于内容的图像检索技术的研究现状和发展趋势，总结其优缺点。
2、图像特征提取与描述：研究不同的特征提取和描述方法，包括颜色直方图、纹理特征、形状特征等，并探讨不同特征之间的关系。
3、相似度度量方法：分析相似性度量方法的优缺点，探讨不同度量方法在不同特征下的适用性和稳定性，提出一种基于多种相似度度量方法结合的综合度量方法。
4、基于内容的图像检索系统设计与实现：基于以上内容，设计并实现一个基于内容的图像检索系统。
本研究将主要采用文献综述和实验研究方法。
文献综述主要是通过查阅国内外相关的文献和实验资料，对基于内容的图像检索技术进行分析和总结；实验研究主要是通过实验验证，对不同方法的优劣进行评估，为检索系统的搭建提供理论与实践依据。
三、预期成果本研究的预期成果包括以下几个方面：1、基于内容的图像检索技术综述：对目前基于内容的图像检索技术的研究现状和发展趋势进行深入的分析和总结。
计算机视觉的图像检索方法随着计算机技术的飞速发展，计算机视觉技术逐渐成为研究和应用的热点之一。
图像检索作为计算机视觉的重要应用之一，是指根据用户输入的查询信息，在大规模图像库中快速准确地检索出与查询图像相似的图像。
图像检索方法在各个领域都有着广泛的应用，如医疗影像诊断、智能交通、智能监控等。
本文将介绍几种常见的图像检索方法，并进行比较分析。
特征提取与描述图像检索的第一步是对图像进行特征提取和描述。
特征提取是指从图像中抽取出能够代表图像内容的一些特征，常用的特征包括颜色、纹理、形状等。
特征描述是指对提取出的特征进行描述和编码，以便于后续的匹配和检索。
常用的特征提取和描述方法包括SIFT、SURF、HOG等。
基于内容的图像检索基于内容的图像检索是指通过图像的内容特征进行检索，而不考虑图像的语义信息。
基于内容的检索方法主要包括基于特征的检索和基于相似度的检索。
基于特征的检索通过提取图像的特征，然后计算特征之间的相似度来进行检索。
基于相似度的检索则是通过计算图像之间的相似度来进行检索，常用的相似度计算方法包括余弦相似度、欧氏距离等。
基于语义的图像检索基于语义的图像检索是指通过对图像的语义信息进行分析和理解，来进行检索。
基于语义的检索方法主要包括基于标注的检索和基于自然语言的检索。
基于标注的检索是指通过对图像进行标注，然后根据标注信息进行检索。
基于自然语言的检索则是指通过对自然语言查询进行理解，然后将查询转化为图像特征进行检索。
深度学习在图像检索中的应用近年来，深度学习技术在图像检索领域取得了巨大的进展。
深度学习技术能够学习到图像的高层次特征表示，从而提高了图像检索的准确性和效率。
常用的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）等。
这些模型在图像检索中能够提取出更加抽象和语义丰富的特征表示，从而提高了检索的准确性。
图像检索的挑战与未来发展虽然图像检索技术取得了很大的进展，但仍然面临着许多挑战。
1 鲁东大学信息与电气工程学院2014－2015学年第1学期 《学科前沿讲座》课程论文 课程号：2260131-02 任课教师 周树森 成绩
论文题目：基于内容的视觉信息检索综述
论文要求：（对论文题目、内容、行文、字数等作出判分规定。） 写一篇基于内容的视觉信息检索的综述文章，或者介绍一个开源视觉信息检索源码包（提交源码包、演示样例和介绍文档）。 若有雷同抄袭，零分。 采用毕业论文的模板，不要封皮和前面的各种表格，从正文摘要部分开始写即可。 然后将所有内容粘贴到本课程论文正文部分。 要求写10页以上word文档，提交电子版和纸质版。 教师评语：
教师签字： 年 月 日 正文
基于内容的视觉信息检索综述 宋浩 （信息与电气工程学院，计算机科学与技术，2012级1201班，20122212689） 摘要：互联网和多媒体技术的快速发展以及图像采集量的迅猛增加，已促使基于内容的视觉信息检索成为最受关注的研究领域之一。网络资源的极大丰富以及图像检索技术不断发展成熟，使得图像检索技术的应用领域不断扩大，这为基于内容的图像检索技术的继续研究提供条件。 基于内容的视觉信息检索（CBIR）是指直接采用图像内容进行图像信息查询的检索，即在图像数据库中检索与用户所提交样本图像在内容上一致或相似的图像集合的过程，通过对图像底层特征的比较来实现检索。主要研究技术包括特征抽取、相似度量、图像匹配、用户反馈。目前CBIR技术和方法的研究虽然已有不少算法，但总体效果还是不尽如人意。仅基于色彩特征的检索方法是CBIR的主要方法之一，它所抽取的特征向量是颜色直方图，虽然能够较好地反映图像中各种颜色的频率分布，而且对图像中对象的旋转以及观察位置的变化不敏感，但无法保留各像素。CBIR技术可追溯到1992年。这项技术是为了解决报刊等媒体集团大量图片检索的难题而衍生出来的。 本文主要介绍基于内容的视觉信息检索技术的研究发展和问题、综合介绍及检索引擎的工作原理，应用前景和对其他领域的影响。
关键词：图像检索系统；检索引擎；基于内容的图像信息检索；对其他领域的影响。
1.研究发展和系统简介：
二十一世纪是一个多元化的信息社会，对图像的需求将是前所未有的巨大的，图像数据库也将得到长足的发展。因此，图像检索系统具有广阔的应用前景。这就使得图片采集、存储以及分享变得越来越容易，例如Flickr 网络相册和Panoramio 地图相册都已经收集了数百万的图片。大量图片的涌现，就带来如何组织和管理图像库的问题，如何有效地从庞大的图像数据库中浏览、检索和分类所需的图像成为急需解决的问题。
1.1研究发展 2
20 世纪70 年代出现的早期图像检索技术是基于文本的检索方法（text-based image retrieval），这种方法是对每幅图像进行人工标注，从而将图像检索转换为文本检索的过程。它是将用户输入的关键词与数据库或其他目标文本进行比较,并根据信息的内容给出文字描述,通过检索其描述文字进而找到所需的多媒体信息,但这种检索难以充分揭示和描述信息中有代表性的特征,并带有很大的主观性。尽管这种方法直接有效，并且基于文本的检索技术也在不断地进步，但是仍然有许多问题难以解决。随着多媒体技术快速发展，如数码相机，数字摄像机，拍照手机等设备的普及，使得图像数据库快速膨胀，如果再对每幅图像都进行人工标注将是件非常昂贵、耗时的工作，于是出现了很多没有明确标注的图片。此外人工标注有很大主观歧义性，不同的搜索引擎对同一幅图像的标注不同，导致同一幅图像又会有多种标注。 为了解决上述问题，90 年代初研究者又提出新的基于内容的图像检（Content Based Image Retrieval ,CBIR）方法，这种新方法是利用图像的视觉特征进行检索的[Basu et al,2004]。常用的图像视觉特征有颜色、纹理、形状以及空间分布等信息，通过这些底层特征集的某种合适距离判断图像之间的相似性，然后根据这种相似性给出检索结果。近年来，基于内容的图像检索系统得到了迅猛发展，大部分系统都是基于范例的查询。图像检索系统最主要的缺陷就是存在多种鸿沟，并引出了一些问题]： （1）感觉鸿沟（sensory gap）：真实目标和来自场景记录的描述信息之间的不一致； （2）语义鸿沟（semantic gap）：图像的底层视觉特征和其高层语义之间存在着很大差异。 前者是由于记录信息的局限性影响到图像内容的识别，后者引发的问题是如何能从视觉内容中获取用户对图片的理解。这些问题直到现在都没有很好的解决办法，严重阻碍了基于内容的图像检索系统的发展以及实际应用和推广。近年来，为了缩小这些不一致带来的问题，研究者提出多种反馈方法和利用无监督或半监督方式提取文本关键词内容的方法。这种将视觉特征和文本描述结合起来的方法在解决每个独立系统的语义鸿沟时是非常有效的。但是这种方法仍然具有基于文本检索的缺点，因此这种结合的方法只能部分地解决语义鸿沟问题。 由于流媒体技术的发展、宽频传输频颈的突破和媒体信息量的增大,基于内容的多媒体检索方法正在逐步探究和兴起。它将利用图像、音频、视频等元素进行检索,实现真正意义上的多媒体信息检索,以满足人们对知识的多层面的需求。从 1994 年至今，基于内容的图像检索技术得到了快速发展，但是要作为现实世界真正实用的检索系统，还需要考虑很多问题。如检索系统用到的关键技术、对检索结果的评价标准、现实世界对实用图像检索系统的要求以及图像检索引发的新研究领域等。
1.2基于内容的视觉信息检索系统简介 基于内容的图像信息系统主要有索引、查询检索三大模块组成。 1.2.1索引模块 在索引模块中,系统通过基于内容的图像索引技术自动地提取图像中的内容特征并存储于多媒体数据库中。由于不同的用户对同一张图片内容的认识不尽相同,而数字档案馆的用户又遍布全球各地。因此索引模块通常对同一份图像资料提取多种特征。特征提取后则要建立基于图像特征的索引。另外,对提取的多种图像还要进行特征组合,使系统能够调用合成的特征和特征表示来支持查询。
1.2.2查询模块 查询模块是实现人机交互的重要接口。基于内容的图像检索系统一般提供两种查询接口:特征查询和示例查询。特征查询是由用户直接给出要查询的图像的具体特征,通常用于图像学研究等专业领域的检索系统中。示例查询是由用户提供要查询的例子图像,查询模块根据例子图像自动提取其特征,然后在数据库中查找出所有与例子特征相似的图像。另外,当用户的检索目的比较含糊或不太熟悉数据库中的信息结构和信息类型时,浏览还可以初始化查询。即用户可以通过先浏览数据库来选择一个图像作为示例查询中的例子,然后提交给系统进行查询。
1.2.3检索模块 当用户提交查询条件后,检索模块便在数据库中查找所有与目标匹配的图像。所谓匹配,是根据图像之间内容特征的相似匹配,通常采用计算特征之间的距离来确定。特征距离越小,查询对象与目标对象之间的相似度越大;反之,则认为查询对象与目标对象无关。由于距离度量是一种相似性比较方法,所以检索结果往往包含一些与检索要求不相关的图像,检索模块利用相关反馈技术优化查询:基本思想是,在检索过程中,系统根据用户的查询要求返回检索结果,用户可以对检索结果进行评价和标记,并将这些信息反馈给系统,系统则根据这些反馈信息进行学习,并返回新的查询结果,从而使得检索结果更加满足用户的要求。相关反馈是提高系统查询效果强有力的方法。 3
2. 综合介绍及检索引擎的工作原理： 2.1综合介绍： 数码相机的发明方便了人们采集和分享图片，而低价的存储设备和方便的网络接.入更加速了大家从过去的摄像消费者转变为如今的图片制造者。而今搜索的图像数据不仅包含各种视觉和语义内容，还跨越了地理上不同的地方，而且数据库规模仍在迅速扩大。因此考虑现实世界的图像检索系统设计是必要的。虽然近年来基于内容的图像检索技术得到了快速发展，人们也给予了实用检索系统很大的关注，但是现实世界检索系统的应用仍受到一定限制。
设计一个功能完善的现实世界的图像搜索引擎，它不仅可以满足各类用户需求，还能从用户和系统角度理解描述它们之间的交互以及图像检索过程。为了描述交互和搜索中所有的可能性，从用户角度来看，图像搜索主要考虑三方面：
(1）用户清楚他想要什么， (2）用户希望在哪里搜索， (3）以何种方式查询。 从图像检索系统角度来说，需要考虑的因素就转变为： (1）用户希望结果如何显示， (2）用户想在哪里搜索， (3）用户输入或交互的本意是什么。 如果将用户和系统作为空间，现实世界的图像检索实例可以被看作孤立点或者点云，如果搜索引擎被看作是一个曲面，则搜索过程就是一条轨迹。
2.1.1用户检索目的 实际搜索过程时，用户检索目的不尽相同，有时压根不知道自己想要的结果。
我们认为用户目的清晰度在检索和交互过程中起到关键作用，这也是系统设计中 要考虑的因素。我们简单的将用户检索目的划分为以下几类： (1）浏览：用户漫无目的地浏览图片，这个过程可能是一系列毫无规律的不相关搜索，并且会有很多不同的主题； (2）翻阅：用户对最终目标不够明确，刚开始检索可能有点探索的意思，随后搜索过程中，目的会渐渐明确，知道自己想要什么； (3）搜索：用户非常明确自己想要搜索什么，搜索过程是简短的相关搜索。 总之，对用户来说最重要的是他们与系统之间的交互以及系统做出的回应。为了获得大众的认可，建立以人为中心的检索系统是很重要的。
2.1.2数据范围 理解图像数据的特征和范围在图像检索系统设计中起到至关重要的作用，此外用户多样性和期望用户访问量也将影响系统设计。基于上述原因，将搜索数据划分为以下几类： (1）个人收集：它们一般比较小，存储在本地存储介质上，主要的访问者就是拥有者。对这类数据，检索系统的设计主要考虑个性化、浏览的灵活性以及显示方式； (2）特定领域收集：这些数据可能较大，存储在分布式存储器上，一般是特定的用户才能访问的，例如生物医学和卫星影像采集数据。这些图像的检索结果可能需要强加具体的标准； (3）企业收集：这些图像可能存储在不同的机器上，访问者通常是一个机构内的局域网用户； (4）档案：它们通常是关于某特定主题的大量具有历史价值的有结构或半结构数据。它们能被互联网上的大多数用户访问，但在其用途上有些控制，通常存储在多个磁盘或者大型磁盘里； (5）互联网：大量存储在大容量磁盘的半结构化，非均匀的图像。理论上能被每个因特网用户访问，并且随时更新本地数据以反映互联网上的动态变化。它的关键问题是支持大量访问流量。
2.1.3查询模式 图像检索中衡量用户和系统交互能力的一个重要参数是系统查询的复杂度。从用户角度可以用不同的方式查询，例如关键字、自定义文本、图像、图形以及综合以上
