〔摘 要〕匯總統(tǒng)計(jì)CNKI全文數(shù)據(jù)庫中近十年國內(nèi)圖像檢索領(lǐng)域所涉及的關(guān)鍵詞，利用SATI 3.2軟件統(tǒng)計(jì)這些關(guān)鍵詞的詞頻，確定我國圖像研究領(lǐng)域使用頻率最高的關(guān)鍵詞。然后構(gòu)造共詞矩陣、相關(guān)矩陣、相異矩陣，并在此基礎(chǔ)上利用聚類分析和多維尺度分析多元統(tǒng)計(jì)方法對不同的矩陣進(jìn)行共詞分析。最后，對分析結(jié)果進(jìn)行討論，歸納國內(nèi)近十年圖像檢索研究熱點(diǎn)。

〔關(guān)鍵詞〕圖像檢索；共詞分析；知識圖譜；研究熱點(diǎn)

DOI：10.3969/j.issn.1008-0821.2013.11.023

〔中圖分類號〕G254 〔文獻(xiàn)標(biāo)識碼〕A 〔文章編號〕1008-0821（2013）11-0100-08

圖像檢索是信息檢索的重要組成部分，從20世紀(jì)70年代開始，很多學(xué)者都對圖像檢索技術(shù)進(jìn)行研究，先后提出基于文本的圖像檢索、基于內(nèi)容的圖像檢索以及基于語義的圖像檢索技術(shù)。傳統(tǒng)的文字搜索主要是以關(guān)鍵詞匹配為基礎(chǔ)，著重優(yōu)化搜索路徑算法，加強(qiáng)建立學(xué)習(xí)和反饋模型，比如百度和谷歌都取得了巨大的成功。但圖像檢索與文字檢索存在很大的區(qū)別，存在很多問題，如圖像內(nèi)容描述、語義理解鴻溝、特征提取復(fù)雜等。這些問題制約著圖像檢索研究領(lǐng)域的進(jìn)一步發(fā)展，也是圖像檢索研究的熱點(diǎn)問題。

本文以CNKI近十年來發(fā)表的圖像檢索文獻(xiàn)為研究對象，以文獻(xiàn)關(guān)鍵詞為研究載體，以共詞分析方法為研究基礎(chǔ)，采用聚類分析、多維尺度分析、社會(huì)網(wǎng)絡(luò)分析等方法，結(jié)合可視化軟件Ucinet，繪制近十年來圖像檢索研究圖譜。筆者研究目的在于通過這篇研究論文，圖像檢索研究領(lǐng)域的學(xué)者或者是對圖像檢索感興趣的人可以很清晰的發(fā)現(xiàn)近十年來圖像檢索研究領(lǐng)域過去的關(guān)注點(diǎn)、現(xiàn)在的熱點(diǎn)以及未來的發(fā)展趨勢。

1 文獻(xiàn)來源及研究方法

1.1 研究文獻(xiàn)來源

為了確保檢索的文獻(xiàn)符合筆者的分析需求，筆者檢索條件設(shè)置為：數(shù)據(jù)來源為CNKI（中國學(xué)術(shù)文獻(xiàn)網(wǎng)絡(luò)出版總庫），檢索時(shí)間為2003-2012年，關(guān)鍵詞中包含“圖像檢索”，檢索策略為“精確”進(jìn)行檢索，共檢索出期刊2 477篇。

1.2 基于研究樣本的文獻(xiàn)計(jì)量情況

論文載文量的變化，在一定程度上反映該學(xué)科的理論水平和發(fā)展速度[1]。筆者對國內(nèi)圖像檢索相關(guān)的2 477篇文獻(xiàn)進(jìn)行統(tǒng)計(jì)，并利用Excel軟件繪制出圖像檢索文獻(xiàn)年代分布折線圖，如圖1所示。圖1的數(shù)據(jù)表明，圖像檢索論文數(shù)量從總體上來看，是成上升趨勢，在2008年達(dá)到頂峰。論文增長曲線呈現(xiàn)“S”型。根據(jù)普萊斯邏輯增長曲線規(guī)律，筆者發(fā)現(xiàn)圖像檢索研究是逐步發(fā)展的，并逐漸走向成熟的過程。圖1 2003-2012年圖像檢索研究期刊發(fā)文量

1 通過文獻(xiàn)計(jì)量軟件SATI 2.2軟件，對檢索的2 477篇文章的文章進(jìn)行統(tǒng)計(jì)分析，得到作者的總?cè)藬?shù)為3 917人（包括第一作者、第二作者等）。經(jīng)過計(jì)算，筆者發(fā)現(xiàn)西安電子科技大學(xué)多媒體研究所的周利華教授和河南理工大學(xué)的孫君頂教授發(fā)表的文章最多，同為33篇，根據(jù)普萊斯計(jì)算公式，核心作者發(fā)文數(shù)m≈4.31，因此將文章數(shù)量為5篇及以上的著者定為核心著者，統(tǒng)計(jì)得到核心著者有153人，占全部作者總數(shù)的3.9%。筆者篩選出發(fā)文數(shù)量排名前20的作者及其單位，如表1所示。從表1中，我們發(fā)現(xiàn)圖像檢索研究機(jī)構(gòu)以高校為主，并且相對集中。西安電子科技大學(xué)、西北大學(xué)、西北工業(yè)大學(xué)、河南理工大學(xué)等。高校是圖像檢索的主要研究機(jī)構(gòu)，這也表明，圖像檢索的研究目前以理論研究為主，實(shí)際應(yīng)用并不廣泛。

表1 2003-2012年圖像檢索期刊發(fā)文量前20位作者及其單位

1.3 期刊分析

期刊載文分析主要反映學(xué)科研究文獻(xiàn)的期刊分布情況，期刊的分布也可驗(yàn)證布拉德福定律。由于核心期刊的載文量水平較高，更能反映學(xué)科研究水平，因此本文的期刊分析，都以核心期刊為主。表2是排名前20位發(fā)文量超過15篇的核心期刊。

表2 載文前20種核心期刊表

1.4 研究主題分析

研究主題變化通過關(guān)鍵詞詞頻變化來揭示。本文對2 477篇圖像檢索的關(guān)鍵詞進(jìn)行統(tǒng)計(jì)，在統(tǒng)計(jì)過程中，對一些關(guān)鍵詞進(jìn)行合并處理，如“基于內(nèi)容的圖像檢索”、“基于內(nèi)容”和“CBIR”；“紋理”和“紋理特征”等。為了能夠清晰的揭示出研究主題的變化，筆者對每一年的論文關(guān)鍵詞分別進(jìn)行統(tǒng)計(jì)，統(tǒng)計(jì)結(jié)果見表3。

表3 2003-2012年論文關(guān)鍵詞詞頻變化表

隨著時(shí)間的推移以及研究的深入，圖像檢索領(lǐng)域的研究熱點(diǎn)也在不斷的變化中。筆者參考安徽大學(xué)儲(chǔ)節(jié)旺教授將熱點(diǎn)關(guān)鍵詞進(jìn)行分類的研究方法，將圖像檢索領(lǐng)域的熱點(diǎn)關(guān)鍵詞分為3種類型：恒星關(guān)鍵詞、流星關(guān)鍵詞和新星關(guān)鍵詞[2]。（1）恒星關(guān)鍵詞指的是那些一直處于研究熱點(diǎn)的關(guān)鍵詞，如“圖像檢索”、“基于內(nèi)容的圖像檢索”、“相關(guān)反饋”、“特征提取”、“顏色直方圖”等，這類關(guān)鍵詞也是圖像檢索的核心內(nèi)容。（2）流星關(guān)鍵詞指的是那些研究一段時(shí)間后缺乏持續(xù)研究的關(guān)鍵詞，如“圖像數(shù)據(jù)庫”、“醫(yī)學(xué)圖像檢索”、“數(shù)字圖書館”等。這類關(guān)鍵詞研究的內(nèi)容深度不夠，沒有涉及到圖像檢索的核心內(nèi)容，研究的是圖像檢索應(yīng)用研究。圖像檢索研究本身存在很多技術(shù)有待突破，目前主要停留在理論研究層面，這些基于圖像檢索技術(shù)的應(yīng)用研究明顯研究深度和熱度。（3）新星關(guān)鍵詞指的是那些總體增長比較平穩(wěn)并且在未來會(huì)受到重點(diǎn)研究的關(guān)鍵詞，如“圖像分割”、“小波變換”、“支持向量機(jī)”、“灰度共生矩陣”等。這類關(guān)鍵詞涉及到圖像檢索的核心技術(shù)，也是未來提高圖像檢索速度和效果的關(guān)鍵所在。

1.5 高頻關(guān)鍵詞的確定

通過文獻(xiàn)計(jì)量軟件，統(tǒng)計(jì)得出2 477篇文章中共有關(guān)鍵詞3 463個(gè)。通過對關(guān)鍵詞進(jìn)行認(rèn)真分析，將一些表述相近意思的關(guān)鍵詞進(jìn)行合并，如“基于內(nèi)容的圖像檢索”、“CBIR”和“基于內(nèi)容圖像索”；“紋理”和“紋理特征”進(jìn)行合并，取詞頻大于20的關(guān)鍵詞作為高頻關(guān)鍵詞，共有48個(gè)，如表4所示。表4 高頻關(guān)鍵詞表（部分）

關(guān)鍵詞頻次關(guān)鍵詞頻次圖像檢索1 190直方圖48基于內(nèi)容的圖像檢索488基于內(nèi)容44相關(guān)反饋261灰度共生矩陣43特征提取210MPEG-743顏色直方圖130數(shù)字圖書館37紋理特征94相似度37支持向量機(jī)86醫(yī)學(xué)圖像檢索36顏色特征72圖像特征35小波變換71圖 像32圖像分割65檢 索31形狀特征58信息檢索30相似性度量56圖像語義30圖像數(shù)據(jù)庫54圖像分類29顏 色52顏色空間28聚 類49不變距27

為了進(jìn)一步的分析關(guān)鍵詞內(nèi)部之間的聯(lián)系，對48個(gè)高頻關(guān)鍵詞進(jìn)行兩兩檢索，形成48×48的共詞矩陣，如圖2所示。圖像檢索基于內(nèi)容的

圖像檢索相關(guān)反饋特征提取顏色直方圖紋理特征紋 理圖像檢索1 18910129104814942基于內(nèi)容的圖像檢索103876341161916相關(guān)反饋12963261238310特征提取1044123210599顏色直方圖81168513001圖2 高頻關(guān)鍵詞共現(xiàn)矩陣（部分）

1.6 構(gòu)造相關(guān)矩

通過對共詞矩陣進(jìn)行卡方檢驗(yàn)，發(fā)現(xiàn)共詞矩陣不符合正態(tài)分布規(guī)律，為了能夠用更多的統(tǒng)計(jì)方法對數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，需要利用Ochiia系數(shù)對共詞矩陣進(jìn)行轉(zhuǎn)換，構(gòu)造相關(guān)矩陣和相似矩陣。用Ochiia系數(shù)將共詞矩陣轉(zhuǎn)換成相似矩陣，如圖2所示。但是相似矩陣中的0值過多，統(tǒng)計(jì)時(shí)容易造成誤差，為了方便進(jìn)一步處理，用1與全部相關(guān)矩陣上的數(shù)據(jù)相減，得到關(guān)鍵詞相異矩陣，部分?jǐn)?shù)據(jù)如圖3所示[3]。

圖像檢索基于內(nèi)容的

在相似矩陣中，數(shù)值的大小表明了兩個(gè)關(guān)鍵詞之間距離的遠(yuǎn)近，數(shù)值越大表明關(guān)鍵詞之間的距離越近，相關(guān)程度越大；數(shù)值越小則表明關(guān)鍵詞之間的距離越遠(yuǎn)，相關(guān)程度越小。圖像檢索基于內(nèi)容的

在相異矩陣中，數(shù)值越小表明關(guān)鍵詞之間的距離越近，相關(guān)程度越大；數(shù)值越大則表明關(guān)鍵詞之間的距離越遠(yuǎn)，相關(guān)程度越小。

1.7 知識圖譜分析

科學(xué)知識圖譜是顯示科學(xué)知識的發(fā)展進(jìn)程與結(jié)構(gòu)關(guān)系的一種圖形。它的悄然興起，一方面是揭示科學(xué)知識及其活動(dòng)規(guī)律的科學(xué)計(jì)量學(xué)從數(shù)學(xué)表達(dá)轉(zhuǎn)向圖形表達(dá)的產(chǎn)物，另一方面又是顯示科學(xué)知識地理分布的知識地圖轉(zhuǎn)向以圖像展現(xiàn)知識結(jié)構(gòu)關(guān)系與演進(jìn)規(guī)律的結(jié)果?；谏鐣?huì)網(wǎng)絡(luò)的Ucinet軟件，通過構(gòu)建行動(dòng)者節(jié)點(diǎn)及其聯(lián)系網(wǎng)絡(luò)的互動(dòng)關(guān)系，解釋社會(huì)網(wǎng)絡(luò)的層次性、等級性、結(jié)構(gòu)性等，并以網(wǎng)絡(luò)圖譜的形式揭示該研究領(lǐng)域的主題熱點(diǎn)[4]。圖5 關(guān)鍵詞共現(xiàn)圖譜

分析顯示，網(wǎng)絡(luò)密度為10.95%，中間中心度為19.62%，一致性指數(shù)為0.962，上述3個(gè)指數(shù)表明，關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)集聚程度不高。其中，圖中節(jié)點(diǎn)大小由關(guān)鍵詞頻次決定，線條的粗細(xì)，由兩個(gè)關(guān)鍵詞共現(xiàn)的次數(shù)決定。線條越粗，表明共現(xiàn)次數(shù)越多，反之，表明共現(xiàn)次數(shù)越少。節(jié)點(diǎn)圍繞圖像檢索、基于內(nèi)容的圖像檢索、相關(guān)反饋、特征提取形成相對密集的圈層。圖5，點(diǎn)的中間中心度排名前15位的分別是圖像檢索（982.269，1）、基于內(nèi)容的圖像檢索（529.658，2）、相關(guān)反饋（365.832，3）、特征提?。?43.531，4）、顏色直方圖（160.999，5）、紋理特征（108.175，6）、支持向量機(jī)（95.334，7）、顏色特征（78.884，8）、小波變換（73.287，9）、圖像數(shù)據(jù)庫（57.513，13）、形狀特征（46.640，11）、相似性度量（45.965，12）、聚類（44.494，15）、醫(yī)學(xué)圖像檢索（40.030，22）、圖像分割（34.788，10），括號內(nèi)為關(guān)鍵詞的中間中心度及頻次排序。網(wǎng)絡(luò)連線的粗細(xì)能反映節(jié)點(diǎn)的關(guān)聯(lián)度，是識別意義類團(tuán)的重要特征，如“圖像檢索——基于內(nèi)容的圖像檢索——圖像分割——相關(guān)反饋——紋理特征”、“圖像檢索——顏色直方圖——顏色特征——興趣點(diǎn)——顏色量化——特征匹配”、“圖像檢索——聚類——語義鴻溝——高層語義——圖像索引”、“圖像檢索——特征提取——紋理特征——相似度——圖像數(shù)據(jù)庫——醫(yī)學(xué)圖像檢索——圖像檢索系統(tǒng)”等。

1.8 多維量表分析

多維量表分析（MDS）是將一組個(gè)體間的相異性數(shù)據(jù)經(jīng)過MDS轉(zhuǎn)換成空間的構(gòu)形，且盡可能保留原始數(shù)據(jù)的相對關(guān)系。在SPSS 19中文版中，選擇“分析——度量——多維尺度（ALSCAL）”，得到空間二維圖，如圖6所示。圖6 多維尺度分析結(jié)果圖

從圖6可以看出，關(guān)鍵詞大體可以分為六大類。第一類，語義圖像檢索、多媒體數(shù)據(jù)庫、紋理檢索、圖像匹配、空間關(guān)系、高層語義、主色調(diào)、紋理譜、位平面、粗糙集、紋理圖像檢索、商標(biāo)圖像檢索、環(huán)形顏色直方圖；第二類，紋理分析、邊緣檢測、圖像檢索技術(shù)、圖像檢索系統(tǒng)、興趣點(diǎn)、搜索引擎；第三類，視覺特征、半監(jiān)督學(xué)習(xí)、相關(guān)反饋、流形學(xué)習(xí)、多示例學(xué)習(xí)支持向量機(jī)、圖像檢索；第四類，圖像特征、不變距語義、語義鴻溝、相似性度量、相似度、圖像分類；第五類，數(shù)字圖書館、聚類、形狀特征、顏色特征、特征提??；第六類，醫(yī)學(xué)圖像、圖像數(shù)據(jù)庫、醫(yī)學(xué)圖像檢索、灰度共生矩陣、顏色距、圖像語義、MPEG7、圖像分割、顏色空間、圖像標(biāo)注等。

2 研究熱點(diǎn)分析

通過上文對圖像檢索研究領(lǐng)域的多維計(jì)量分析（知識圖譜分析、多維尺度分析）以及關(guān)鍵詞詞頻的變化分析，筆者發(fā)現(xiàn)目前國內(nèi)對圖像檢索的研究領(lǐng)域比較集中，主要集中在圖像檢索的算法研究、圖像特征研究（如顏色特征，紋理特征，形狀特征等）、圖像語義研究等。具體分為以下幾個(gè)方面：

2.1 圖像算法研究

圖像算法研究是圖像檢索的研究熱點(diǎn)之一，不同的學(xué)者從不同的角度提出不同的圖像檢索算法，來提高圖像檢索的效果。魯珂等提出基于支持向量機(jī)的理論提出了一種用于圖像檢索的半監(jiān)督學(xué)習(xí)算法[5]。許相莉等提出一種基于粒子群的圖像檢索相關(guān)反饋算法，使得用戶對檢索目標(biāo)的理解逐漸清晰，能夠有效全面的搜索圖片庫，同時(shí)避免多次反饋造成的算法效率和檢索效果之間的矛盾[6]。王崇駿等在IPSM模型對圖像的語義分類特征進(jìn)行描述和提取的基礎(chǔ)上，提出并實(shí)現(xiàn)了基于高層語義的圖像檢索算法以及基于高層語義的相關(guān)反饋算法[7]。李健提出一種以曲波變換為基礎(chǔ)，綜合香農(nóng)熵與頻域子帶能量特征的圖像檢索算法。該方法用香農(nóng)熵進(jìn)行預(yù)分類，用子帶圖像的能量特征進(jìn)行相似度度量，并加入檢索者的反饋信息，實(shí)現(xiàn)圖像的精確檢索[8]。牛蕾等回顧了早期的啟發(fā)式相關(guān)反饋算法和近期的最優(yōu)相關(guān)反饋算法，對現(xiàn)有的相關(guān)反饋算法進(jìn)行了分析、總結(jié)和對比，并提出了今后相關(guān)反饋算法的發(fā)展方向[9]。因限于篇幅，不一一列舉圖像檢索算法。

2.2 圖像特征研究（顏色特征、紋理特征、形狀特征、空間關(guān)系特征等） 特征提取是計(jì)算機(jī)視覺和圖像處理中的一個(gè)概念，是圖像檢索的核心內(nèi)容。它指的是使用計(jì)算機(jī)將圖像信息進(jìn)行分解、匹對，決定每個(gè)圖像的點(diǎn)是否屬于一個(gè)圖像特征。特征提取的結(jié)果是把圖像上的點(diǎn)分為不同的子集，這些子集往往屬于孤立的點(diǎn)、連續(xù)的曲線或者連續(xù)的區(qū)域。目前，特征提取算法各種各樣，算法計(jì)算復(fù)雜性和可重復(fù)性也非常不同。顏色特征是一種全局特征，描述了圖像或圖像區(qū)域所對應(yīng)的景物的表面性質(zhì)，由于顏色特征不能反映顏色信息的空間分布等特點(diǎn)，因此基于顏色特征的圖像檢索存在一定的缺陷，影響圖像檢索效果。王向陽等提出一種魯棒的多特征彩色圖像檢索新方法，實(shí)驗(yàn)結(jié)果表明，該方法不僅能夠準(zhǔn)確、快速的檢索出用戶所需圖像，而且對光照、銳化、模糊等噪聲攻擊均具有較好的魯棒性[10]。紋理特征也是全局特征，它和顏色特征不同，紋理特征不是基于像素點(diǎn)的特征，它需要在包含多個(gè)像素點(diǎn)的區(qū)域中進(jìn)行統(tǒng)計(jì)計(jì)算，這樣提高了模式匹配的成功率，但光照、反射情況對圖像檢索存在一定干擾。安志勇等在構(gòu)造了具有旋轉(zhuǎn)、平移和尺度不變的紋理特征的基礎(chǔ)上，提出基于紋理特征的圖像檢索算法，該算法具有旋轉(zhuǎn)、平移和尺度不變性，與其它方法相比，具有較高的檢索率[11]。形狀特征有兩類表示方法：一類是輪廓特征；另一類是區(qū)域特征。圖像的輪廓特征主要針對物體的外邊界，而圖像的區(qū)域特征則關(guān)系到整個(gè)形狀區(qū)域。形狀特征可以比較有效地利用圖像中感興趣的目標(biāo)來進(jìn)行檢索，但圖像形狀本身存在容易出現(xiàn)變形的情況，而且人的主觀意識對圖像形狀的判別也存在影響。何姍等提出一種基于興趣點(diǎn)的圖像檢索新方法ACSM，利用興趣點(diǎn)的位置信息，提取興趣點(diǎn)周圍局部區(qū)域的顏色矩特征和區(qū)域形狀不變矩特征，由于將顏色和形狀特征有機(jī)結(jié)合，ACSM算法有效提高了圖像檢索的準(zhǔn)確性[12]?？臻g關(guān)系，是指將一幅圖像進(jìn)行分割，分割出來的多個(gè)目標(biāo)之間的相互的空間位置或相對方向關(guān)系（鄰接、重疊等關(guān)系）?？臻g關(guān)系特征的使用可加強(qiáng)對圖像內(nèi)容的描述區(qū)分能力，但空間關(guān)系特征常對圖像或目標(biāo)的旋轉(zhuǎn)、反轉(zhuǎn)、尺度變化等比較敏感。張偉等構(gòu)造了在平移縮放旋轉(zhuǎn)下保持不變的基于度量矩陣特征值的圖像空間關(guān)系描述子。研究表明這種描述與人的主觀視覺心理相一致，在平移縮放旋轉(zhuǎn)下以及小噪聲下具有較強(qiáng)的魯棒性，具有較好的類別可分離性[13]。

2.3 圖像語義研究

圖像語義研究是圖像理解的重點(diǎn)和難點(diǎn)，在現(xiàn)實(shí)生活中，人的視覺特征因人而異，人對同一副圖像的情感認(rèn)知也不盡相同，導(dǎo)致不同的人對同一副圖像特征提取出現(xiàn)天壤之別。如何對一幅圖像的特征（顏色、紋理、形狀等）描述與視覺特征相吻合，進(jìn)行客觀的語義描述，實(shí)現(xiàn)基于語義的圖像檢索是國內(nèi)學(xué)者研究的熱點(diǎn)之一。圖像語義研究包括語義鴻溝、高層語義、底層特征語義等角度。語義鴻溝是圖像檢索系統(tǒng)廣泛存在的問題之一，它是人對圖像相似性的判別依據(jù)與計(jì)算機(jī)對相似性的判別依據(jù)之間的不同，造成了人所理解的“語義相似”與計(jì)算機(jī)理解的“視覺相似”之間的“語義鴻溝”的產(chǎn)生。張菁等針對相關(guān)反饋和感興趣區(qū)檢測在彌補(bǔ)語義鴻溝時(shí)存在主觀性強(qiáng)、耗時(shí)的缺點(diǎn)，提出了視覺信息是一種客觀反映圖像高層語義的新特征，基于視覺信息進(jìn)行圖像檢索可以有效減小語義鴻溝[14]。高層語義主要涉及圖像的場景語義、行為語義和情感語義。一般而言，高層的圖像語義往往建立在較低層次的語義獲得的基礎(chǔ)上，并且層次越高，語義越復(fù)雜，涉及的領(lǐng)域知識越多，也是圖像語義描述的難點(diǎn)之一。吳楠等利用圖像的高層語義信息來進(jìn)行圖像檢索，在深入研究圖像高層語義的低層特征描述的基礎(chǔ)上，提出了圖像語義的層次劃分，并對每個(gè)高層語義層提出了語義抽取和檢索算法。該檢索算法可以有效地對圖像高層語義信息進(jìn)行提取，并可作為新型高效圖像檢索系統(tǒng)的一個(gè)模型[15]。袁薇等指出了應(yīng)用圖像的高層語義特征和底層顏色特征作為圖像檢索的綜合指標(biāo)，將圖像文本和視覺信息融合起來，給出了一種綜合語義和顏色特征的圖像檢索系統(tǒng)的體系架構(gòu)，以填補(bǔ)多媒體底層特征和高層語義之間的差異[16]。

2.4 圖像檢索技術(shù)研究

圖像檢索技術(shù)的發(fā)展是一個(gè)不斷進(jìn)化的過程，最初是基于文本的圖像檢索?；谖谋镜膱D像檢索是首先對圖像的特征進(jìn)行文本描述，然后利用關(guān)鍵詞進(jìn)行檢索圖片，費(fèi)時(shí)費(fèi)力，而且檢索效率低下，容易出現(xiàn)錯(cuò)誤。為了克服基于文本的圖像檢索的局限性，提出了基于內(nèi)容的圖像檢索系統(tǒng)，通過特征提取和高維索引技術(shù)進(jìn)行檢索，通過比較視覺特征的相似度來獲得檢索結(jié)果。洪俊明總結(jié)了圖像數(shù)據(jù)庫檢索技術(shù)的發(fā)展軌跡和特點(diǎn)，針對基于內(nèi)容的圖像檢索技術(shù)中的局限性，從計(jì)算機(jī)底層硬件的角度提出了基于內(nèi)容檢索的流水索引法[17]。但在現(xiàn)實(shí)生活中，人們往往習(xí)慣于對圖像的語義進(jìn)行檢索，而不是圖像的特征，如何建立從圖像的低層特征到高層語義的映射，獲取圖像的語義概念，并在此基礎(chǔ)上進(jìn)行語義檢索，是圖像檢索技術(shù)的一個(gè)新的方向，即基于語義的圖像檢索技術(shù)。陳久軍等提出圖像語義檢索整體框架，系統(tǒng)采用XML技術(shù)，將圖像內(nèi)容層式描述、圖像語義對象自動(dòng)獲取、圖像語義相似測度等功能模塊加以融合，實(shí)現(xiàn)語義層面的圖像檢索[18]。

3 結(jié) 語

國內(nèi)對圖像檢索的研究熱點(diǎn)主要集中在圖像檢索的算法研究、圖像特征研究（如顏色特征，紋理特征，形狀特征等）、圖像語義研究等。當(dāng)然，國內(nèi)針對圖像檢索研究的熱點(diǎn)還有，比如基于流行學(xué)習(xí)的圖像檢索技術(shù)、遺傳算法、粗糙集理論在圖像檢索中的應(yīng)用以及醫(yī)學(xué)圖像檢索相關(guān)技術(shù)的研究等等，因限于篇幅，筆者主要列出國內(nèi)學(xué)者研究比較集中的熱點(diǎn)問題。通過共詞分析法來展現(xiàn)國內(nèi)圖像檢索研究的學(xué)科熱點(diǎn)問題，這類文獻(xiàn)基本沒有。筆者的目的在于通過這篇研究論文，圖像檢索研究領(lǐng)域的學(xué)者或者是對圖像檢索感興趣的人可以很清晰的發(fā)現(xiàn)近十年來圖像檢索研究領(lǐng)域過去的關(guān)注點(diǎn)、現(xiàn)在的熱點(diǎn)以及未來的發(fā)展趨勢。本文在研究過程中，也存在不足。在介紹圖像檢索研究熱點(diǎn)問題，因限于篇幅，很多相關(guān)熱點(diǎn)沒有一一展示；在文獻(xiàn)選取時(shí)，以期刊為檢索源，忽略了碩博士論文，對研究結(jié)果會(huì)有一定的影響；高頻關(guān)鍵詞的設(shè)定、多維量表分析、知識圖譜分析等都具有一定的主觀性，這些問題是筆者下一步需要完善的地方。

參考文獻(xiàn)

[1]張玉雙.我國高校圖書館知識管理研究的文獻(xiàn)統(tǒng)計(jì)分析[J].晉圖學(xué)刊，2008，（5）：45-48.

[2]儲(chǔ)節(jié)旺，王龍.近十年國內(nèi)知識管理研究熱點(diǎn)——基于CSSCI數(shù)據(jù)庫的詞頻分析[J].情報(bào)科學(xué)，2011，（9）：1425-1429.

[3]Manfred Wettler.Reinhard Rapp Computation of Word Associations Based on the Co-occurrences of Words in Large Corpora[EB/OL].2005-10-09.

[4]（美）林頓·C·費(fèi)里曼.社會(huì)網(wǎng)絡(luò)分析發(fā)展史[M].張文宏，劉軍，王衛(wèi)東，譯.北京：中國人民大學(xué)出版社，2008：2-3.

[5]魯珂，趙繼東，葉婭蘭，等.一種用于圖像檢索的新型半監(jiān)督學(xué)習(xí)算法[J].電子科技大學(xué)學(xué)報(bào)，2005，（5）：669-671.

[6]許相莉，張利彪，劉向東，等.基于粒子群的圖像檢索相關(guān)反饋算法[J].電子學(xué)報(bào)，2010，（8）：1935-1940.

[7]王崇駿，楊育彬，陳世福.基于高層語義的圖像檢索算法[J].軟件學(xué)報(bào)，2004，（10）：1461-1469.

[8]李健，牛振山.基于曲波的紋理圖像檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)工程與科學(xué)，2011，（3）：62-66.

[9]牛蕾，倪林.基于內(nèi)容的圖像檢索中的相關(guān)反饋算法[J].計(jì)算機(jī)工程與應(yīng)用，2004，（32）：65-70.

[10]王向陽，蘆婷婷.一種魯棒的多特征彩色圖像檢索新方法[J].中國圖象圖形學(xué)報(bào)，2007，（10）：1757-1760.

[11]安志勇，曾智勇，趙珊，等.基于紋理特征的圖像檢索[J].光電子·激光，2008，（2）：230-232.

[12]何姍，郭寶龍，洪俊標(biāo).基于興趣點(diǎn)顏色形狀特征的圖像檢索方法[J].微電子學(xué)與計(jì)算機(jī)，2006，（3）：40-43.

[13]張偉，何金國，桑佩羅布.基于度量矩陣特征值的圖像空間關(guān)系描述[J].計(jì)算機(jī)應(yīng)用研究，2010，（11）：4376-4378.

[14]張菁，沈蘭蓀，David Dagon Feng.基于視覺感知的圖像檢索的研究[J].電子學(xué)報(bào)，2008，（3）：494-499.

[15]吳楠，宋方敏.一種基于圖像高層語義信息的圖像檢索方法[J].中國圖象圖形學(xué)報(bào)，2006，（12）：1774-1780.

[16]袁薇，高淼.綜合語義與顏色特征的圖像檢索技術(shù)研究[J].微電子學(xué)與計(jì)算機(jī)，2006，（10）：36-39.

[17]洪俊明.基于內(nèi)容檢索的圖像數(shù)據(jù)庫流水索引法的研究[J].電子工程師，2008，（11）：42-45.

[18]陳久軍，肖剛，盛頌恩，等.XML驅(qū)動(dòng)的圖像語義檢索研究[J].中國圖象圖形學(xué)報(bào)，2007，（10）：1770-1773.

（本文責(zé)任編輯：孫國雷）