徐望明，方康玲

(武汉科技大学 信息科学与工程学院，湖北 武汉430081)

责任编辑:任健男

图像特征被广泛应用于图像处理与分析中作为图像的有效表达方式，其典型应用之一就是基于内容的图像检索(Content-Based Image Retrieval，CBIR)。给定查询图像，CBIR直接从图像库中查找与之视觉特征相似的图像，这种“图找图”式的依据视觉特征相似度给出图像检索结果的方法克服了传统的基于关键字的图像检索技术“字找图”式的不足，成为当前智能信息检索领域的研究热点[1]。

近年来，图像局部特征因其良好的可重复性、可分辨性和鲁棒性得了广泛重视和飞速发展，很多图像局部特征被相继提出(如SIFT[2]，HOG[3]等)，并用于CBIR等视觉任务中，弥补了图像全局统计特征(如颜色、形状、纹理等)的不足。然而，图像上所提取的局部特征因其数量较多、维数较高也给大规模图像检索任务带来了新挑战。这种“高维局部特征集”表示图像的方式，由于进行相似性度量的时间和空间复杂度高而难以适应大规模数据库环境下的图像检索任务，而图像的全局表示形式(Holistic Representation)用一个向量表示一幅图像，在这方面则有其天然优势，因为任何两幅图像的相似性直接可用向量之间的距离函数来度量。

为了使图像的表示形式既能像局部特征一样有描述图像细节信息的能力，又能像全局特征一样简洁明了，本文提出利用“稀疏学习”的思想，从训练图像的特征数据中建立超完备视觉词典，采用局部稀疏编码(Local Sparse Coding)和最大值合并(Max Pooling)将图像“高维局部特征集”转化为更高维的稀疏特征向量[4]，然后通过直接计算向量相似性得到图像相似性，并应用于CBIR系统中。……