1　基于内容的图像检索

在大型图像数据库上，CBIR（Content-Based Image Retrieval，基于内容的图像检索） 技术用于检索在视觉上具相似性的图像。这样返回的图像可以是颜色相似、纹理相 似、图像中的物体或场景相似；总之，基本上可以是这些图像自身共有的任何信息。

对于高层查询，比如寻找相似的物体，将查询图像与数据库中所有的图像进行完全 比较（比如用特征匹配）往往是不可行的。在数据库很大的情况下，这样的查询方 式会耗费过多时间。在过去的几年里，研究者成功地引入文本挖掘技术到 CBIR 中 处理问题，使在数百万图像中搜索具有相似内容的图像成为可能。

从文本挖掘中获取灵感——矢量空间模型

矢量空间模型是一个用于表示和搜索文本文档的模型。我们将看到，它基本上可以 应用于任何对象类型，包括图像。该名字来源于用矢量来表示文本文档，这些矢量 是由文本词频直方图构成的 1。换句话说，矢量包含了每个单词出现的次数，而且在

注 1： 经常可以看到用“术语”替代“词”，两者在矢量空间模型中表达的意义相同。

其他别的地方包含很多 0 元素。由于其忽略了单词出现的顺序及位置，该模型也被 称为 BOW 表示模型。

通过单词计数来构建文档直方图向量 v，从而建立文档索引。通常，在单词计数时 会忽略掉一些常用词，如“这”“和”“是”等，这些常用词称为停用词。由于每篇 文档长度不同，故除以直方图总和将向量归一化成单位长度。对于直方图向量中的 每个元素，一般根据每个单词的重要性来赋予相应的权重。通常，数据集（或语料 库）中一个单词的重要性与它在文档中出现的次数成正比，而与它在语料库中出现 的次数成反比。

2　视觉单词

将文本挖掘技术应用到图像中，我们首先需要建立视觉等效单词；这通常可以 采用 2.2 节中介绍的 SIFT 局部描述子做到。它的思想是将描述子空间量化成一些典 型实例，并将图像中的每个描述子指派到其中的某个实例中。这些典型实例可以通 过分析训练图像集确定，并被视为视觉单词。所有这些视觉单词构成的集合称为视 觉词汇，有时也称为视觉码本。对于给定的问题、图像类型，或在通常情况下仅需 呈现视觉内容，可以创建特定的词汇。

从一个（很大的训练图像）集提取特征描述子，利用一些聚类算法可以构建出视觉

单词。聚类算法中最常用的是 K-means1，这里也将采用 K-means。视觉单词并不高 端，只是在给定特征描述子空间中的一组向量集，在采用 K-means 进行聚类时得到的 视觉单词是聚类质心。用视觉单词直方图来表示图像，则该模型便称为 BOW 模型。

3　图像索引

3.1　建立数据库

在索引图像前，我们需要建立一个数据库。这里，对图像进行索引就是从这些图像中 提取描述子，利用词汇将描述子转换成视觉单词，并保存视觉单词及对应图像的单词 直方图。从而可以利用图像对数据库进行查询，并返回相似的图像作为搜索结果