孙 超，周海英

(中北大学电子与计算机科学技术学院，山西 太原 030051)

传统的基于内容的图像检索系统(CBIR)是建立在低层视觉特征的相似性度量的基础上，然而人们对图像的认知通常是在语义理解的基础上，这种差距形成了“语义鸿沟”［1］。为了更好地贴近人对图像的认知，提出一种提取图像中有意义核心目标对象的方法，能够有助于图像内容的语义表达。图像的核心对象通常位于接近图像中心的位置，在颜色和纹理上与周边区域有明显差别，本身所占区域也比较大，决定着该图像的主体语义内容。本文提出的图像中核心对象的提取方法是将图像划分为1个中心区域和4个周边区域以获取每个区域上颜色和纹理显著的对象。首先对图像进行预处理，然后针对每个区域进行显著性处理，通过计算显著相关色(SCC)以鉴别区域中的核心目标图像片，并作为训练集用于BP神经网络训练，从而实现对图像对象的划分和结果优化。

人工神经网络在模拟动物的神经行为方面具有高速并行、容错性强的特点，并能实现信息的分布式存储和表达。BP神经网络采用误差逆传播方式，对特征鉴别和模式分类有较好的作用。

1 图像区域显著相关色(SCC)计算

1.1 预处理

图像预处理主要完成对图像的滤波、色彩量化和分割等前期处理。本文采用同组滤波技术(Peer Group Filtering)对图像进行滤波、去除噪声、平滑图像［2］。CCF*-tree是一种基于分裂和聚类算法的混合方法(见图1)，可以较好地保持颜色的多数性和差异性［3］，使用该方法将图像量化为64色，结果见图1b。……