刘 婉，徐望明，石汉路

（武汉科技大学 信息科学与工程学院，湖北 武汉 430081）

在如今信息化的时代，图像资源日益丰富，如何从海量图像资源里快速有效地获取有价值的信息，是亟需解决的问题。传统的基于文本的图像检索技术（TBIR）因其自身的局限性而无法从根本上解决这个问题。20世纪90年代，计算机视觉技术被应用到图像检索中，由此产生了基于内容的图像检索技术（CBIR），其关键在于：一是提取可靠的图像特征来表征图像的视觉内容，二是根据图像数据库规模寻找有效的特征索引和相似性匹配算法。

描述图像视觉内容的全局特征如颜色 （Color）、形状（Shape）、纹理（Texture）等虽被广泛应用于许多实际的图像检索系统中，但因其不能适应图像的局部变化而导致应用上的局限，目前流行的方法是提取图像的局部不变特征，从而用一组高维特征向量来表示图像，这其中SIFT[1]特征的性能得到了普遍认可。然而，高维局部特征在增强图像信息的可分辨性的同时，也带来了特征相似性搜索问题上的挑战：每幅常规大小的图像平均能提取成百上千的局部特征，这样对大规模的图像检索系统而言，所生成的特征库将是巨大的，一个高效的索引和匹配机制就成为特征相似性搜索迫切需要解决的难题。显然，简单的线性扫描搜索方法并不现实，而一般基于特征空间分割的索引方法如K-D Tree、R-Tree等随着维数的增加其检索性能急剧恶化。不过，LSH（Locality Sensitive Hashing）算法[2]为克服这种“维度灾难”问题提供了一条有效途径，可用来解决主存储器中高维特征的“近似近邻”（ANN，Approximate Nearest Neighbor）搜索问题。……